2025年作为“AI智能体（Agent）元年”，技术迭代与场景落地速度远超预期。但很多开发者在学习Agent时，常会陷入“要么只会调用框架API，不懂底层逻辑；要么知道理论，却找不到落地案例”的信息差困境。而GitHub上的优质开源项目，正是填补这种信息差的最佳工具——它们不仅提供可运行的代码，更藏着从“理论”到“工程”的完整思考链路。

本文精选6个GitHub顶级Agent项目，覆盖从“零基础入门”到“企业级开发”的全链路学习需求，每个项目都配套可直接复现的实战代码和针对性学习技巧，帮你真正从“使用Agent”进阶为“构建Agent”。

一、Hello-Agents：从0构建Agent的“底层逻辑课”

如果你想搞懂Agent的核心范式（如ReAct、Reflection）不是“黑盒魔法”，而是可拆解的代码逻辑，Datawhale开源的「Hello-Agents」（5.7k+ Star）绝对是首选。这个项目最硬核的地方在于：不依赖LangChain等现成框架，用原生OpenAI API手搓Agent框架，让你看清每个模块的运作原理。

1.1 核心价值：拒绝“API调用式学习”

很多教程一上来就教你调LangChain的create_react_agent，但你永远不知道“推理-行动”的循环是如何实现的。Hello-Agents则带你从“轮子的原材料”开始：

• 手动实现ReAct（推理+行动）、Plan-and-Solve（规划+执行）、Reflection（反思迭代）三大经典范式；
• 从零搭建Agent的“记忆系统”和“工具调用逻辑”；
• 甚至教你用Coze、Dify等低代码平台快速验证想法，兼顾“深度”与“效率”。

1.2 实战：实现一个ReAct推理+行动代理

ReAct范式的核心是“边想边做”——Agent先判断“是否需要工具”，再执行工具，最后根据结果调整策略。下面我们基于Hello-Agents实现一个“股票信息查询Agent”：

步骤1：环境准备与安装

首先创建.env文件配置API密钥（OpenAI API是必需的）：

# .env文件
OPENAI_API_KEY=your_openai_api_key  # 替换为你的API Key
TAVILY_API_KEY=your_tavily_api_key  # 可选，用于搜索工具

安装Hello-Agents（支持按需安装模块，这里安装全功能版）：

# 方式1：PyPI安装
pip install hello-agents[all]

# 方式2：源码安装（推荐，可查看底层代码）
git clone https://github.com/datawhalechina/hello-agents.git
cd hello-agents
pip install -e .[all]

步骤2：实现ReAct Agent核心逻辑

我们需要先定义“工具”（这里用“股票搜索工具”），再让Agent根据用户需求决定是否调用工具：

from hello_agents import ReactAgent, ToolRegistry, HelloAgentsLLM
import os
from dotenv import load_dotenv

# 加载环境变量
load_dotenv()

# 1. 初始化LLM（框架自动检测OpenAI provider）
llm = HelloAgentsLLM(
    model="gpt-4o-mini",  # 可选gpt-3.5-turbo，成本更低
    temperature=0.2  # 推理任务用低温度，更稳定
)

# 2. 定义工具：股票信息搜索（模拟真实搜索逻辑）
def search_stock_info(stock_code: str) -> str:
    """
    工具功能：根据股票代码查询最新价格和涨幅
    :param stock_code: 股票代码（如601318.SH）
    :return: 格式化的股票信息
    """
    # 实际场景中可替换为Tavily、Alpha Vantage等真实API调用
    mock_data = {
        "601318.SH": "中国平安（601318.SH）：最新价42.5元，涨幅+1.2%，成交量58.3万手",
        "000858.SZ": "五 粮 液（000858.SZ）：最新价178.3元，涨幅-0.5%，成交量23.1万手"
    }
    return mock_data.get(stock_code, f"未查询到{stock_code}的实时数据")

# 3. 注册工具（Agent需要知道有哪些工具可用）
tool_registry = ToolRegistry()
tool_registry.register_function(
    name="search_stock",  # 工具名称（Agent会用这个名称调用）
    description="根据股票代码查询最新价格和涨幅，参数为stock_code（如601318.SH）",  # 关键：让LLM理解工具用途
    func=search_stock_info
)

# 4. 创建ReAct Agent
react_agent = ReactAgent(
    name="股票查询助手",
    llm=llm,
    tool_registry=tool_registry,
    max_steps=3,  # 限制最大步骤，避免无限循环
    system_prompt="你是专业的股票查询助手，当用户询问股票信息时，必须先调用search_stock工具获取实时数据，再整理回答。"
)

# 5. 运行Agent
user_query = "查询中国平安（601318.SH）的最新股价"
result = react_agent.run(user_query)
print("Agent回答：", result)

运行结果与逻辑解析

Agent思考：用户需要查询中国平安（601318.SH）的最新股价，我需要调用search_stock工具，参数stock_code=601318.SH。
工具调用结果：中国平安（601318.SH）：最新价42.5元，涨幅+1.2%，成交量58.3万手
Agent回答：中国平安（601318.SH）的最新市场数据如下：
- 最新股价：42.5元
- 当日涨幅：+1.2%
- 成交量：58.3万手
（数据来源：模拟搜索工具，实际场景可对接实时金融API）

这里的关键是ToolRegistry和ReactAgent的交互逻辑：Agent通过LLM判断“是否需要工具”→ 若需要，按工具定义的参数格式生成调用指令→ 执行工具并获取结果→ 整理结果输出。Hello-Agents把这个过程拆解得一清二楚，你甚至可以修改ReactAgent的源码，自定义“思考步骤”的输出格式。

1.3 拓展学习：为什么要“从零造轮子”？

很多人会问：“有LangChain这么成熟的框架，为什么还要手搓？”答案很简单：框架帮你屏蔽了细节，但细节里藏着Agent的核心能力边界。比如：

• 当Agent调用工具失败时（如API超时），如何让它自动重试？
• 如何限制Agent的“思考步数”，避免API费用超支？
• 多工具冲突时（如“查股价”和“查公司财报”），Agent如何选择优先级？

这些问题的答案，只有在你手动实现过一次后才会真正理解。Hello-Agents的章节4和7专门讲解这些工程化问题，建议搭配源码阅读。

二、500-AI-Agents-Projects：Agent落地的“行业案例库”

学会了底层逻辑，下一步就是找场景落地——但很多开发者不知道“Agent在医疗、金融、教育等行业具体能做什么”。「500-AI-Agents-Projects」（18k+ Star）正好填补这个空白：它收录了500+个跨行业Agent实战案例，按领域分类，每个案例都附开源代码和效果演示，堪称“Agent行业应用百科”。

2.1 核心价值：跳出“聊天机器人”思维

很多人对Agent的认知停留在“智能问答”，但这个项目会让你看到：Agent可以是医疗诊断助手、自动交易机器人、工厂流程监控系统……比如：

• 医疗领域：HIA健康洞察代理（分析体检报告，生成健康建议）；
• 金融领域：自动交易Agent（实时监控市场波动，执行止损/止盈）；
• 制造业：生产线监控Agent（识别设备异常，触发维修预警）。

每个案例都标注了“使用框架”“核心功能”“部署方式”，你可以直接克隆代码，修改参数就能适配自己的场景。

2.2 实战：参考案例快速搭建“教育错题分析Agent”

我们以“教育领域-错题分析Agent”为例，参考项目中的“AI家教助手”案例，快速实现一个能分析数学错题、生成讲解步骤的Agent：

步骤1：参考案例确定核心模块

项目中“AI家教助手”的核心模块是：错题识别→知识点匹配→讲解生成→相似题推荐。我们基于LangChain实现简化版：

from langchain.chat_models import ChatOpenAI
from langchain.prompts import PromptTemplate
from langchain.chains import LLMChain
import json

# 1. 初始化LLM
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.3)

# 2. 定义错题分析模板（参考案例中的prompt设计）
error_analysis_template = """
你是中小学数学错题分析老师，请完成以下任务：
1. 分析题目考查的知识点；
2. 指出错误原因（用户提供错误答案）；
3. 给出正确解题步骤；
4. 推荐1道相似题（附答案）。

题目：{question}
用户错误答案：{wrong_answer}

请以JSON格式输出，键分别为：knowledge_point、error_reason、correct_steps、similar_question。
"""
prompt = PromptTemplate(
    input_variables=["question", "wrong_answer"],
    template=error_analysis_template
)

# 3. 创建错题分析链
error_analysis_chain = LLMChain(llm=llm, prompt=prompt)

# 4. 运行Agent
user_input = {
    "question": "解方程：2x + 5 = 15",
    "wrong_answer": "2x = 15 + 5 → 2x = 20 → x = 10"
}
result = error_analysis_chain.run(user_input)
# 解析JSON结果
result_json = json.loads(result)

# 格式化输出
print("【知识点】", result_json["knowledge_point"])
print("【错误原因】", result_json["error_reason"])
print("【正确步骤】")
for step in result_json["correct_steps"].split("\n"):
    if step:
        print(f"- {step}")
print("【相似题】", result_json["similar_question"])

运行结果

【知识点】 一元一次方程的求解（移项法则）
【错误原因】 移项时符号处理错误：将“+5”从等号左边移到右边，应变为“-5”，而非“+5”。
【正确步骤】
- 步骤1：根据移项法则，将等号左边的“+5”移到右边，变为“-5”，方程变为：2x = 15 - 5
- 步骤2：计算右边结果：15 - 5 = 10，方程变为：2x = 10
- 步骤3：两边同时除以2，得：x = 5
【相似题】 解方程：3x - 7 = 8（答案：x = 5，解题步骤：3x = 8 + 7 → 3x = 15 → x = 5）

2.3 拓展学习：如何高效利用案例库？

这个项目的案例太多，直接浏览容易混乱，推荐按“3步筛选法”找案例：

1. 按“行业标签”筛选：比如你是医疗从业者，直接看“HEALTHCARE”目录；
2. 按“框架匹配”筛选：比如你熟悉AutoGen，就找标注“AutoGen”的案例；
3. 按“复杂度筛选”：新手从“单Agent任务”（如错题分析）入手，进阶再看“多Agent协作”（如工厂监控系统）。

三、GenAI_Agents：Agent开发的“实战练习册”

如果你喜欢“边练边学”，国外博主Nir Diamant的「GenAI_Agents」（4k+ Star）会很适合你。这个项目收录了40+个分难度的Agent实战案例，每个案例都用Jupyter Notebook写成，包含“需求分析→代码实现→效果验证”的完整流程，像一本“Agent实战练习册”。

3.1 核心价值：从“入门”到“精通”的阶梯式学习

项目按难度分为“入门→进阶→高级”：

• 入门：简单对话Agent、数据分析Agent（用LangChain实现）；
• 进阶：LangGraph工作流Agent、多智能体协作（如学术论文代理）；
• 高级：自我修复代码库Agent、MCP协议集成（模型上下文协议）。

每个Notebook都有详细注释，你可以直接在Colab或本地运行，修改参数就能看到效果变化（比如调整LLM模型，观察Agent推理能力的差异）。

3.2 实战：用LangGraph构建“多步骤学术论文代理”

进阶案例中“学术论文代理”的需求是：查询Arxiv论文→提取核心观点→生成综述→导出Markdown文件。我们用LangGraph实现这个多步骤工作流：

步骤1：安装依赖

pip install langgraph langchain openai arxiv python-dotenv

步骤2：LangGraph工作流实现

LangGraph的核心是“节点”（任务步骤）和“边”（流程控制），我们定义4个节点：

from langgraph.graph import Graph, END
from langchain.chat_models import ChatOpenAI
from langchain.tools import ArxivQueryRun
from langchain.utilities import ArxivAPIWrapper
from dotenv import load_dotenv
import os

load_dotenv()

# 1. 初始化工具和LLM
arxiv_api = ArxivAPIWrapper()
arxiv_tool = ArxivQueryRun(api_wrapper=arxiv_api)
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.4)

# 2. 定义节点函数（每个节点对应一个任务步骤）
def search_paper(node_input: dict) -> dict:
    """节点1：搜索Arxiv论文（根据关键词）"""
    keyword = node_input["keyword"]
    print(f"正在搜索关键词：{keyword}")
    # 调用Arxiv工具，获取前2篇论文
    paper_results = arxiv_tool.run(f"{keyword} sort:relevance")
    return {"paper_info": paper_results, "keyword": keyword}

def extract_core(node_input: dict) -> dict:
    """节点2：提取论文核心观点"""
    paper_info = node_input["paper_info"]
    prompt = f"请提取以下论文的核心观点（每篇不超过3点）：\n{paper_info}"
    core_points = llm.predict(prompt)
    return {"core_points": core_points, **node_input}

def generate_review(node_input: dict) -> dict:
    """节点3：生成综述"""
    core_points = node_input["core_points"]
    keyword = node_input["keyword"]
    prompt = f"请基于以下核心观点，生成关于「{keyword}」的学术综述（300字左右）：\n{core_points}"
    review = llm.predict(prompt)
    return {"review": review, **node_input}

def export_markdown(node_input: dict) -> dict:
    """节点4：导出Markdown文件"""
    review = node_input["review"]
    keyword = node_input["keyword"]
    filename = f"{keyword}_review.md"
    with open(filename, "w", encoding="utf-8") as f:
        f.write(f"# {keyword} 学术综述\n\n{review}")
    return {"exported_file": filename, **node_input}

# 3. 构建LangGraph工作流
workflow = Graph()

# 添加节点
workflow.add_node("search_paper", search_paper)
workflow.add_node("extract_core", extract_core)
workflow.add_node("generate_review", generate_review)
workflow.add_node("export_markdown", export_markdown)

# 定义流程：search → extract → generate → export → END
workflow.add_edge("search_paper", "extract_core")
workflow.add_edge("extract_core", "generate_review")
workflow.add_edge("generate_review", "export_markdown")
workflow.add_edge("export_markdown", END)

# 设置入口节点
workflow.set_entry_point("search_paper")

# 4. 编译并运行工作流
app = workflow.compile()
result = app.invoke({"keyword": "LLM Agent 2025"})

# 输出结果
print(f"综述已生成：{result['exported_file']}")
print("综述内容：\n", result["review"])

运行结果

正在搜索关键词：LLM Agent 2025
综述已生成：LLM Agent 2025_review.md
综述内容：
 # LLM Agent 2025 学术综述
2025年LLM Agent领域的研究主要聚焦于三个方向：1. 多智能体协作效率提升，通过MCP协议实现Agent间的高效上下文共享，减少重复推理；2. 工具调用可靠性优化，引入“自我验证”机制，降低工具调用错误率（如代码执行后的语法检查）；3. 轻量化部署，基于smolagents等框架，在边缘设备实现Agent的低延迟运行。此外，研究还关注Agent的“伦理可控性”，通过动态权限管理，限制Agent对敏感工具的访问。整体来看，2025年LLM Agent从“功能实现”向“工业级可靠性”迈进，更多落地于金融、医疗等对稳定性要求高的领域。

3.3 拓展学习：Jupyter Notebook的优势

这个项目全部用Notebook编写，最大的好处是“交互式学习”：

• 你可以逐 cell 运行，观察每个步骤的输出；
• 可以在代码中插入注释，记录自己的思考（比如“这里为什么用LangGraph而不是Chain？”）；
• 方便调试，比如在extract_core节点后添加“结果检查”代码，确保核心观点提取正确。

四、Hugging Face Agents Course：轻量级Agent的“极简开发课”

如果你觉得“Agent开发太复杂，框架代码太多”，Hugging Face官方的「Agents Course」（3k+ Star）会颠覆你的认知。这门课主推“Code Agents”理念：让LLM直接写Python代码解决问题，而不是输出复杂的JSON工具调用指令，代码量仅为传统框架的1/10。

4.1 核心价值：小而美的“Code Agents”

传统Agent调用工具需要定义“工具描述→参数格式→调用逻辑”，而Code Agents让LLM直接生成Python代码：比如要分析Excel文件，LLM会自动生成pandas.read_excel()代码，框架直接执行代码并返回结果。这种方式更直观，也更灵活。

课程还提供官方结业证书，完成Final Project后可在HF个人主页展示，对求职很有帮助。

4.2 实战：用smolagents实现“Excel数据分析师Agent”

smolagents是HF主推的轻量级框架，我们用它实现一个“读取Excel→分析数据→生成图表”的Agent：

步骤1：在HF Spaces中快速运行（无需本地配环境）

Hugging Face Spaces提供免费的在线运行环境，直接打开课程的Notebook：

1. 访问Agents Course Spaces；
2. 点击“Open in Spaces”，自动创建一个临时环境。

步骤2：Code Agents实现数据分析师

from smolai import CodeAgent
import matplotlib.pyplot as plt
import pandas as pd
from dotenv import load_dotenv

load_dotenv()

# 1. 初始化Code Agent（允许执行pandas和matplotlib代码）
agent = CodeAgent(
    llm="gpt-4o-mini",
    allowed_imports=["pandas", "matplotlib.pyplot"],  # 允许导入的库
    working_dir="./data"  # 工作目录（存放Excel文件）
)

# 2. 定义任务（让Agent生成代码解决）
task = """
请完成以下任务：
1. 读取./data/sales_data.xlsx文件（包含date、product、revenue三列）；
2. 分析2025年每个月的总营收；
3. 生成折线图（x轴为月份，y轴为营收），保存为sales_trend.png。
"""

# 3. 运行Agent（会自动生成并执行Python代码）
result = agent.run(task)

# 4. 查看结果
print("Agent执行日志：", result["logs"])
print("生成的图表路径：", result["outputs"][0])  # outputs包含生成的文件路径

运行逻辑解析

Agent会生成如下Python代码并自动执行：

# Agent自动生成的代码
import pandas as pd
import matplotlib.pyplot as plt

# 读取Excel文件
df = pd.read_excel("./data/sales_data.xlsx")

# 转换日期格式，提取月份
df["date"] = pd.to_datetime(df["date"])
df["month"] = df["date"].dt.to_period("M")

# 计算每月总营收
monthly_revenue = df.groupby("month")["revenue"].sum().reset_index()
monthly_revenue["month"] = monthly_revenue["month"].astype(str)  # 转换为字符串便于绘图

# 生成折线图
plt.figure(figsize=(10, 6))
plt.plot(monthly_revenue["month"], monthly_revenue["revenue"], marker="o")
plt.title("2025年每月营收趋势")
plt.xlabel("月份")
plt.ylabel("营收（元）")
plt.xticks(rotation=45)
plt.tight_layout()
plt.savefig("sales_trend.png")

这种方式的优势在于：无需手动定义“Excel读取工具”，Agent会根据任务自动选择合适的库和代码。

4.3 拓展学习：HF生态的便捷性

这门课的最大亮点是“无缝对接HF生态”：

• 可以直接使用HF的免费Inference API，无需自己部署LLM；
• 生成的Agent可以直接发布到HF Spaces，分享给他人使用；
• 支持多模态，比如让Agent生成图像、音频（调用HF的Stable Diffusion、Whisper模型）。

五、AI Agents for Beginners：企业级Agent的“标准化教程”

如果你想学习“企业里怎么开发Agent”，微软的「AI Agents for Beginners」（46k+ Star）是权威选择。这门课把微软在企业级Agent开发中的经验，整理成12节循序渐进的课程，涵盖“设计模式→框架实战→部署监控”，堪称“企业级Agent开发手册”。

5.1 核心价值：学习企业级“最佳实践”

不同于个人项目，企业级Agent更关注“可靠性、可扩展性、安全性”，这门课会教你：

• 用Semantic Kernel（微软开源的Agent SDK）集成现有业务系统；
• 用AutoGen实现多Agent协作，比如“客服Agent→技术支持Agent→工单Agent”的流转；
• 构建“可信赖Agent”，比如添加权限控制、操作日志、异常回滚。

5.2 实战：用Semantic Kernel开发“企业天气插件”

Semantic Kernel的核心是“插件化开发”，我们实现一个“天气查询插件”，可集成到企业OA系统中：

步骤1：安装Semantic Kernel

pip install semantic-kernel python-dotenv

步骤2：开发天气插件

from semantic_kernel import Kernel
from semantic_kernel.functions import kernel_function
from semantic_kernel.providers.openai import ChatCompletion
from typing import Annotated
import os
from dotenv import load_dotenv

load_dotenv()

# 1. 定义天气插件类
class WeatherPlugin:
    """企业OA系统天气查询插件"""
    def __init__(self):
        # 模拟企业天气API数据（实际场景对接高德/百度天气API）
        self.weather_data = {
            "北京": "晴，25~32℃，南风2级",
            "上海": "阴，23~28℃，东风3级",
            "广州": "雷阵雨，26~30℃，西南风1级"
        }

    @kernel_function(
        description="根据城市名称查询天气",
        name="GetWeather",
        parameters=[
            {"name": "city", "description": "城市名称（如北京）", "type": "string", "required": True}
        ]
    )
    def get_weather(self, city: Annotated[str, "城市名称"]) -> str:
        """查询指定城市的天气"""
        if city not in self.weather_data:
            return f"暂未获取到{city}的天气数据"
        return f"{city}今日天气：{self.weather_data[city]}"

# 2. 初始化Kernel（Semantic Kernel的核心）
kernel = Kernel()
# 添加OpenAI LLM
kernel.add_service(ChatCompletion("gpt-4o-mini", api_key=os.getenv("OPENAI_API_KEY")))
# 导入天气插件
weather_plugin = WeatherPlugin()
kernel.import_functions(weather_plugin, "WeatherPlugin")

# 3. 定义用户需求（可集成到OA系统的对话界面）
user_query = "查询北京和上海的今日天气，整理成OA通知格式"

# 4. 运行Kernel（让LLM调用插件并整理结果）
result = kernel.run(
    kernel.create_semantic_function(
        prompt=user_query,
        description="调用WeatherPlugin.GetWeather查询多个城市天气，生成OA通知"
    )
).result

# 输出结果
print("OA天气通知：")
print(result)

运行结果

OA天气通知：
【今日天气通知】
各位同事：
现将北京、上海两地今日天气情况通知如下：
1. 北京：晴，25~32℃，南风2级（建议做好防晒措施）；
2. 上海：阴，23~28℃，东风3级（适合外出办公）。

请大家根据天气情况安排出行，注意安全。
行政部
2025年X月X日

5.3 拓展学习：企业级开发的关键注意点

这门课特别强调“企业级细节”，比如：

• 插件权限控制：给不同部门分配不同插件的调用权限（如“财务部门可调用财务数据插件”）；
• 操作日志：记录Agent的每一步操作，便于问题排查；
• 异常处理：当天气API超时，Agent自动返回“缓存数据”并提示“数据更新中”。

六、6周学会AI智能体：全框架对比的“进阶特训营”

如果你想“横向对比主流框架，找到最适合自己的工具”，Ed Donner的「6周学会AI智能体」（1.8k+ Star）是最佳选择。这个项目用6周时间，实战OpenAI Agents SDK、CrewAI、LangGraph、AutoGen四大框架，还涵盖最新的MCP协议，帮你建立“框架选型思维”。

6.1 核心价值：框架对比+前沿技术

很多开发者纠结“该用LangGraph还是AutoGen”，这个项目会带你实战对比：

• 第1周：OpenAI Agents SDK（官方工具，稳定性强）；
• 第2周：CrewAI（多智能体协作，角色分工清晰）；
• 第3周：LangGraph（复杂工作流，可视化编排）；
• 第4周：AutoGen（企业级多Agent对话，支持人机协作）；
• 第5-6周：MCP协议集成+生产部署。

每个框架都用同一个“电商客服Agent”案例实现，便于对比差异。

6.2 实战：用CrewAI实现“电商客服多Agent团队”

CrewAI的核心是“角色化多Agent协作”，我们实现一个“售前咨询→订单查询→售后处理”的客服团队：

步骤1：安装CrewAI

pip install crewai openai python-dotenv

步骤2：多Agent协作实现

from crewai import Agent, Task, Crew
from langchain.chat_models import ChatOpenAI
from dotenv import load_dotenv
import os

load_dotenv()

# 1. 初始化LLM
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.2)

# 2. 定义Agent角色（每个Agent有明确的职责）
pre_sales_agent = Agent(
    role="电商售前顾问",
    goal="解答用户关于商品的咨询（如功能、价格、库存），引导用户下单",
    backstory="你有3年电商售前经验，熟悉家电类商品，擅长用通俗的语言解释技术参数",
    llm=llm
)

order_agent = Agent(
    role="电商订单专员",
    goal="查询用户的订单状态（如发货进度、物流信息），处理订单修改需求",
    backstory="你负责电商订单管理，能快速查询订单系统数据，准确告知用户订单进度",
    llm=llm
)

after_sales_agent = Agent(
    role="电商售后专员",
    goal="处理用户的退换货申请，解决商品质量问题",
    backstory="你有2年售后经验，熟悉退换货流程，能耐心解决用户问题，提升用户满意度",
    llm=llm
)

# 3. 定义任务（根据用户需求分配给对应Agent）
def create_customer_task(user_query: str) -> Task:
    # 判断用户需求类型，分配给对应Agent
    if any(keyword in user_query for keyword in ["商品", "价格", "库存", "功能"]):
        agent = pre_sales_agent
    elif any(keyword in user_query for keyword in ["订单", "物流", "发货"]):
        agent = order_agent
    elif any(keyword in user_query for keyword in ["退货", "换货", "质量", "故障"]):
        agent = after_sales_agent
    else:
        agent = pre_sales_agent  # 默认分配给售前Agent
    
    return Task(
        description=f"处理用户需求：{user_query}\n要求：回答简洁，信息准确，语气友好",
        agent=agent,
        expected_output="符合用户需求的客服回复，包含必要的信息（如库存数量、订单状态）"
    )

# 4. 创建Crew（Agent团队）并运行
user_query = "我买的冰箱还没发货，订单号是12345，帮我查一下进度"
task = create_customer_task(user_query)
crew = Crew(agents=[pre_sales_agent, order_agent, after_sales_agent], tasks=[task])

# 执行任务
result = crew.kickoff()
print("客服回复：", result)

运行结果

客服回复：
尊敬的用户，您好！
您的订单号12345（冰箱）目前处于“已出库，待配送”状态，物流单号为SF1234567890，由顺丰快递配送。
预计明日（X月X日）送达您的收货地址，请您保持手机畅通，以便快递员联系。
若后续需要修改收货地址或查询物流更新，可随时联系我。
感谢您的耐心等待！

6.3 拓展学习：6周学习计划的高效执行

这个项目的学习计划很密集，建议按“2:1”比例执行：

• 2天学习一个框架的理论（如LangGraph的节点与边）；
• 1天实战一个案例（如用LangGraph实现客服Agent）；
• 周末对比本周学的框架，总结优缺点（如“CrewAI适合角色明确的场景，LangGraph适合流程复杂的场景”）。

总结：如何用这6个项目打破Agent信息差？

这6个项目覆盖了Agent学习的全链路，你可以根据自己的需求选择入口：

• 零基础入门：从微软「AI Agents for Beginners」或HF「Agents Course」开始，先掌握基础概念和工具；
• 深入底层：学完基础后，用「Hello-Agents」手搓框架，理解核心范式；
• 找场景落地：参考「500-AI-Agents-Projects」的行业案例，修改代码适配自己的需求；
• 进阶提升：用「GenAI_Agents」的Notebook练手，用「6周学会AI智能体」对比框架，建立选型思维。

2025年的Agent技术还在快速演进，但核心能力（推理、工具调用、多智能体协作）的底层逻辑不会变。这6个项目不仅能帮你掌握当前的技术，更能培养你“拆解Agent问题”的思维——这才是打破信息差的关键。

最后，建议每个项目都克隆到本地，跑通至少3个案例，亲手修改代码、观察结果变化。只有“动手做”，才能真正把别人的知识变成自己的能力。