Agent纯工程速通教程
大家好！👋 本人是个纯新手，正从源代码出发，努力学习编程与人工智能的奥秘。为了更好地理解，因此决定写下我的学习路线，希望对同样是小白的你们有所启发。😍
免责声明
在这里要声明的是，作为初学者，我对套壳 autogen 和 langchain 并不特别了解，因此我选择直接研究源码，这样也能写得更具个性。👩💻 这只是我个人的见解，并非对框架的否定。
学习路线
1. 从0编写Mcp
推荐大家观看小白技术爬爬虾 的视频，获取关于如何将mcp tool融入agent的后续内容。
2. Rag 技术
推荐 Nir diamant 的 Rag 技术，入门友好，资料丰富。Rag被认为是agent的长期记忆，这里一起学吧！💡
3. 单一代理 – Openmanus源码
深入探索 main.py 文件，逐步阅读 base.py ➜ react.py ➜ toolcall.py ➜ manus.py。
- react.py 定义了manus agent如何运行：它的基本思路是思考然后行动。
- 在此过程中，选择工具（内置或添加的mcp工具）进行对话，并不断循环，直到达到结束条件为止。
别畏惧看源码，借助 AI 的帮助，一切都变得通俗易懂，大约3小时内就可搞定！⏱️
4. 多代理 – Evoagentx
虽然可能不是最经典的多代理 GitHub 项目，但我觉得这部分很有趣！🤓
源码复杂度相比于 Openmanus 更高，我只大致理解了概念。大致的想法是，自动化工作流中，任务规划代理会将高层目标分解成子任务（以有向节点图表示），每个节点有一个代理生成器，用于自动化生成工作流。
代理之间的通信方式与之前的节点很相似，代理的结果会保存在环境中，并传递给下一个代理。也可以加入自定义节点，比如在工作流中添加“人反馈”的节点，实时实现反馈。这种理解会让你在使用其他框架时不会感到“看不懂”。✨
总结
至于agent-rl范式，Evoagentx中涉及到的代理演化等内容，现在时间有限，还需进一步探索。💼 我会在后续进行速通，也希望大家在评论区多多交流与补充！如果你觉得我的内容有不足之处，欢迎提建议！🔍
#agent #openmanus #evoagentx #工程 #rl #机器学习 #rag #mem
美国博客网USA 