AI 极客实战教程日报

原始资料

• 作者原文GitCode 博客：Datawhale All-in-RAG 实战 —— Agentic RAG 架构解析与基于 LangGraph 的最小实现
• 项目 Repogithub.com/datawhalechina/all-in-rag（配套代码在 code/C7/agentic_rag/）

作者是谁

Datawhale（国内最大的开源学习社区之一）All-in-RAG 教程项目组，由社区贡献者以 AtomGit 账号发布在 GitCode 博客。属于教程作者本人发布的一手内容。

教程讲了什么

文章先指出传统 RAG"一次检索、一次生成"的四大局限：无检索质量感知、无法动态调整策略、无工具选择能力、信息融合浅层。随后给出 Agentic RAG 的四大核心能力——查询规划、检索决策、质量自评、迭代改写，并基于仓库 code/C7/agentic_rag/ 中的 LangGraph 完整实现，逐节点拆解状态图、提示词设计与条件路由逻辑，最终跑通一个具备"规划—检索—评估—改写—生成"闭环的自主检索 Agent。

为什么值得收藏

市面上的 RAG 教程大多停在"接个向量库就完事"，这篇是目前中文世界里少见的、把"检索质量自评 + 失败自动改写重查"工程化讲透的教程，且代码就在官方仓库里可以直接跑。学会它等于掌握了把任何 FAQ 问答机器人升级成"会自己判断答案靠不靠谱"的检索系统的方法。

技术栈

完整 Workflow

手把手复现

1. 克隆仓库：git clone https://github.com/datawhalechina/all-in-rag.git
2. 进入 code/C7/agentic_rag/ 目录，按章节 README 安装依赖
3. 在环境变量中配置 OpenAI 兼容的 API Key 与 base_url（国内可直接填 DeepSeek 或通义千问的兼容端点）
4. 先跑通最小示例，观察状态图中"评估→改写"循环何时被触发
5. 把示例知识库换成自己的文档集合，调低评估阈值观察重写次数变化

关键设计点

教程的核心不在代码量，而在两个提示词：评估提示词（让 LLM 给检索结果打相关性分数并说明理由）和改写提示词（基于"为什么不合格"生成下一轮查询）。条件路由边的阈值决定了系统在"答得不准"和"无限重查"之间的平衡点——这是最值得动手调的部分。

踩坑与注意事项

普通人能不能复现

⭐⭐ 有基础用户可复现

需要：Python 基础、一个国产大模型 API Key（DeepSeek/通义均可，按量计费成本极低）、无需 GPU、无需付费软件。

国内替代方案

原文模型层走 OpenAI 兼容协议，国内用户把 base_url 换成 DeepSeek（api.deepseek.com）、通义千问（dashscope 兼容模式）或智谱 GLM 的兼容端点即可，代码无需改动——这正是该教程对国内读者最友好的一点。

如何迁移到其他场景

原始资料

• 官方博客Z.ai 博客《Toward Recursive Self-Improvement: How GLM Built Its Own Inference Infrastructure》（经技术媒体转述核实存在）
• 媒体转述bpdata：Zhipu AI used GLM-5.3 to automate parts of its own infrastructure development
• 相关官方页GLM-5.3 技术报告（z.ai/blog/glm-5.3）

作者是谁

智谱 AI（Zhipu AI / Z.ai）官方工程团队，属于基础设施优化的当事方自述，一手程度最高。注意：文中性能数据均为官方自述，第三方无法独立复现验证。

教程讲了什么

智谱搭建了一个由"工程师 + Infra Agent + 实验环境"组成的优化闭环：工程师定义目标和系统边界，GLM-5.3 驱动的 Infra Agent 负责分析、提出假设、给出代码修改，实验环境提供分层、及时、可验证的反馈。官方自述：闭环运转后 GLM-5.3-Flash 从初始适配到生产可用不到两周，最终端到端吞吐达到初始基线的 3 倍（该数据来自官方自述）。

技术栈

完整 Workflow

关键方法：反馈设计三原则（可直接照搬）

1. 反馈必须足够局部：把反馈绑定到具体的引擎启动参数、代码改动、Kernel 状况、输入配置、线程、执行间隔或代码路径上，Agent 才能缩小问题范围。
2. 反馈必须廉价且及时：验证周期越短，Agent 越快修正方向，在无效假设上浪费的工作量越少。
3. 反馈必须客观可验证：改动是否正确、性能是否提升，必须由参考实现、测试结果和可对比的实验指标判定，而不是由人或模型"感觉"。

踩坑与注意事项

如何迁移到其他场景

原始资料

• 上手指南Hermes Agent: The Complete Beginner's Guide (Sep 2026)
• 项目 Repogithub.com/NousResearch/hermes-agent
• 官方文档hermes-agent.nousresearch.com/docs

教程讲了什么

指南系统讲解了这个项目的核心主张——Harness Engineering：2026 年的关键不是更聪明的模型，而是模型外面更聪明的"套壳"（指令、约束、反馈、记忆、编排五层）。Hermes 常驻在你的电脑或 VPS 上，跨会话记忆，每完成复杂任务就自动把经验写成一个可复用的 Skill（markdown 文件），并通过 CLI / Telegram / Discord / 邮件等 14+ 渠道触达你。

技术栈

手把手复现

# 1. 安装（Linux / macOS / WSL2 / Termux）
curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash
source ~/.bashrc   # 或 source ~/.zshrc

# 2. 选择模型（国内用户可选 GLM / Kimi / MiniMax / Ollama 本地模型）
hermes model

# 3. 常用命令
hermes tools      # 配置启用的工具
hermes setup      # 完整交互式配置向导
hermes gateway    # 启动消息平台网关（Telegram / Discord 等）
hermes doctor     # 诊断配置问题
hermes update     # 升级到最新版

踩坑与注意事项

国内替代方案

模型层：直接用 GLM / Kimi / MiniMax / DeepSeek（OpenAI 兼容），这是官方支持的姿势。框架层：国内同形态的"本地优先 + IM 接入"开源框架可参考 OpenClaw（支持飞书/钉钉/企业微信生态，中文社区更活跃）。

原始资料

• 官方教程Hyperstack：Step-by-Step Guide to Deploying Qwen3.6 on a GPU Cloud for Agentic Coding
• 相关项目github.com/QwenLM/Qwen-Agent（教程所用官方 Agent 框架）

教程讲了什么

教程先指导在 GPU 云上用 vLLM 部署 Qwen3.6-35B-A3B 并提供 OpenAI 兼容端点，然后用 Qwen-Agent 的 Assistant 类连接该端点（含 enable_thinking 思考模式配置），再把官方 MCP filesystem server 注册为工具。随后演示两个真实任务：让 Agent 自主整理一个杂乱的工作目录，以及让 Agent 生成一个猫咪主题网站并把 index.html 写入磁盘。

技术栈

手把手复现（核心代码，来自原教程）

from qwen_agent.agents import Assistant

# 1. 指向本地 vLLM 部署的 Qwen3.6（OpenAI 兼容端点）
llm_cfg = {
    'model': 'Qwen/Qwen3.6-35B-A3B',
    'model_type': 'qwenvl_oai',
    'model_server': 'http://localhost:8000/v1',
    'api_key': 'EMPTY',
    'generate_cfg': {
        'use_raw_api': True,
        'extra_body': {
            'chat_template_kwargs': {'enable_thinking': True}
        },
    },
}

# 2. 通过 MCP 挂载官方文件系统 server（只暴露专用工作目录！）
tools = [{
    'mcpServers': {
        "filesystem": {
            "command": "npx",
            "args": [
                "-y",
                "@modelcontextprotocol/server-filesystem",
                "/ephemeral/agent_workspace"
            ]
        }
    }
}]

# 3. 初始化并运行
bot = Assistant(llm=llm_cfg, function_list=tools)
messages = [{'role': 'user', 'content':
    'Develop a cat website and save it on the /ephemeral/agent_workspace desktop.'}]
for responses in bot.run(messages=messages):
    pass
print(responses)

踩坑与注意事项

普通人能不能复现

🔴 开发者项目（按原教程需 GPU 云）

降级路线：没有 GPU 的开发者可以把 model_server 指向阿里云百炼的 Qwen 兼容端点或本地 Ollama 跑的小尺寸 Qwen3，MCP 部分代码不变，零 GPU 也能体验完整流程。

原始资料

• 项目 Repogithub.com/nerdai/llm-agents-from-scratch
• 云端环境Lightning AI 免费 GPU 模板（预装 Ollama 与模型）

教程讲了什么

全书三部分十章：Part 1 从零构建 LLM Agent（工具、LLM 封装、Agent 类）；Part 2 增强你的 Agent（MCP 工具、Skills、记忆、Human-in-the-loop）；Part 3 组装多智能体系统（Subagents、A2A 协议互通）。外加 Capstone 项目（蒙特卡洛并行工具调用估算 π）。所有章节是 Jupyter Notebook，默认模型为 Ollama 本地 Qwen3:14B。

为什么值得收藏

绝大多数 Agent 教程教你"调 LangChain/CrewAI 的 API"，这本教材反过来：让你亲手写出框架背后的机制——工具调用循环、记忆结构、MCP 客户端、HITL 中断恢复。尤为难得的是默认底座是国产开源模型 Qwen3，国内读者本地即可复现全部章节，没有 API 墙。

技术栈

手把手复现

# 1. 克隆与安装
git clone https://github.com/nerdai/llm-agents-from-scratch.git
cd llm-agents-from-scratch
uv sync --all-extras --dev

# 2. 拉取默认模型（本地）
ollama pull qwen3:14b

# 3. 启动章节 Notebook
uv run --with jupyter jupyter lab

# 无 GPU？用 Lightning AI 模板，Ollama 与模型已预装

原始资料

• 社区推荐帖TRAE 官方中文社区：【Learn Agent】Happy-LLM —— 从零开始构建大模型
• 项目 Repogithub.com/datawhalechina/happy-llm（Releases 含免费 PDF v1.0.2）
• 配套 PPTgithub.com/HZAI-ZJNU/happy-llm-ppt

教程讲了什么

教程分基础篇（NLP 基础、Transformer、预训练语言模型、大语言模型）与实战篇（动手搭建大模型、训练流程实践、大模型应用、Agentic-RL）。目标读者能亲手复现一个 LLaMA2 级别模型：从 Tokenizer 到预训练到 SFT 全流程。

为什么值得收藏

"会用大模型"和"懂大模型"之间隔着一次亲手训练。这是目前中文世界最完整的"从零训 LLM"开源教程之一，且明确覆盖到当下最前沿的 Agentic-RL。配套 PPT 让它可以直接变成培训课件。

技术栈

手把手上手

git clone https://github.com/datawhalechina/happy-llm.git
cd happy-llm
# 按《学习与环境准备》为对应章节创建独立环境后，
# 再运行该章节代码（官方强烈建议，避免版本冲突）

普通人能不能复现

🔴 开发者项目（前 4 章阅读 ⭐⭐ 可跟）

需要：Python + 深度学习基础；动手训练需 GPU（可租 AutoDL 等按小时计费）。阅读与概念学习完全免费。

原始资料

• 实战笔记博客园：Agent 速成笔记 · 第 15 章 构建赛博小镇
• 原始教程Datawhale《Hello-Agents》（GitHub；GitCode 有镜像）

教程讲了什么

赛博小镇是一个 2D 像素风虚拟办公室：玩家用 WASD 走动，靠近 NPC 按 E 即可自然语言聊天。架构三层分离——Godot 管感知与表现，FastAPI 后端管决策（记忆检索 + LLM 生成 + 好感度结算），每个 NPC 是一个独立的 SimpleAgent 实例。核心机制：人设提示词定义性格；双层记忆（WorkingMemory 容量 10 条/TTL 120 分钟 + EpisodicMemory 用 SQLite + Qdrant 语义检索 top_k=3）；好感度 0–100 连续值，由 LLM 情感分析打分并回写系统提示词。

为什么值得收藏

最精彩的是成本优化手法：N 个 NPC 的背景闲话合并成 1 次 LLM 调用（要求 JSON 输出），只有玩家真正对话时才走专属 Agent——作者自述此举把 LLM 调用成本压到原来的约 1/3。这种"混合模式"对所有多 Agent 系统都有直接借鉴价值。

技术栈

关键设计点

• 一个 NPC 一个 Agent 实例：人格由系统提示词定义，位置/忙闲由后端状态管理器定义，两者解耦。
• 记忆分层：WorkingMemory 管对话连贯，EpisodicMemory 管长期"回忆"，语义检索 top_k=3 是实测折中。
• 成本核心手法：背景 NPC 的闲话合并为 1 次 LLM 调用（JSON 数组输出），玩家对话才走专属 Agent。
• 前后端边界切干净：Godot 只管感知与表现，所有"智能"都在后端。

踩坑与注意事项

原始资料

• 拆解文章CSDN：easy-vibe 实战项目 —— 智能旅游规划 Agent 平台（2026-09-24 发布）
• 原始教程Datawhale easy-vibe（GitHub 开源教程）

教程讲了什么

项目要求围绕一份真实 PRD 构建智能旅游规划 Agent 平台：用户输入出发地、目的地、日期、预算和偏好，系统生成每日行程，支持预算拆分、历史保存、再次生成与导出，并含管理后台。文章的核心命题是：如何让 AI 生成结构化、可执行的行程规划，而不是一大段不可操作的长文本。

为什么值得收藏

大量 Vibe Coding 教程停在"让 AI 写个页面"，这篇讲的是产品化：PRD 驱动、结构化输出约束、任务管理、失败任务监控——正是"演示玩具"与"可用工具"的分水岭。

完整 Workflow

踩坑与注意事项