Annyfee/agent-craft

它解决了什么问题

Agent Craft 弥合了了解 AI 代理概念与能够从零开始构建它们之间的差距。许多学习者理解理论或能调用 API，但难以组装一个完整、可运行的代理。本项目提供了一条结构化的、逐模块的学习路径，带你从基本的 LLM 调用到部署完整的代理系统。

它是如何工作的

项目组织为 15 个顺序模块（目前 01–13 已开放），每个模块都有独立的代码、注释和示例。你将逐步学习：

• 基础：设置环境、调用 LLM 和启用函数调用。
• 框架层：使用 LangChain 处理提示、链和记忆；然后使用向量存储（FAISS、Chroma）和重排序器进行 RAG；接着使用 LangGraph 进行有状态、可调试的工作流，包括人机协同和多代理编排。
• 智能层：使用 FastMCP 和 langchain-mcp-adapters 构建 MCP 服务器和客户端，并探索 Swarm 模式和 Agents SDK。
• 实践项目：使用 Streamlit 构建聊天 UI，未来将有一个结合 LangGraph、RAG、MCP、Streamlit 和 Vercel 的综合项目。

每个模块都配有对应的 CSDN 博客文章，解释设计和关键机制。整个项目强调在本地运行的代码和易于理解的原则。

适合谁

这适合已经掌握基本 Python 并希望从内到外理解 AI 代理（而不仅仅是调用框架）的开发者和学习者。如果你在“了解概念”和“实际构建”代理之间感到卡顿，或者你能调用 API 但想理解底层推理和决策，Agent Craft 就是为你设计的。

亮点

• 渐进式学习路径：从提示基础到部署的 15 个模块，每个都独立且可运行。
• 全栈覆盖：LLM 调用、函数调用、LangChain、RAG、LangGraph、MCP、Swarm/Agents SDK 和 Streamlit。
• 可运行代码：每个模块都包含带注释的、可在本地复现的代码。
• 概念解释：配套的 CSDN 博客阐明了设计原理和机制。
• 真实世界实践：构建一个客户服务多代理集群和一个聊天仪表板。