Agent 落地实战全家桶
教程简介:基于FastAPI + LangChain + LangGraph,通过13种 Agent 实现方式、29节,课程从手写工具调用循环开始,接着使用 create_agent 托管模型与工具的往返,再逐步实现计划执行、自适应检索、反思修订、教训记忆、主管调度、直接移交、动态任务、辩论和树搜索,最后加入跨请求的用户偏好记忆。每种实现方式先讲原理,再完成一个可以运行的基本实现。通过具体输入和返回结果,看清模型决定什么、程序怎样执行、结果如何反馈,以及任务何时结束。
资料包含
教程详情
FastAPI + LangChain + LangGraph,13种实现方式,29节教程
大家好,我是武哥。今天给大家介绍一套 Agent 落地实战全家桶教程。
工具调用、ReAct、Plan-and-Execute、Reflection、Supervisor、Handoff……学习 Agent 时,经常会遇到这些名字。它们怎样执行任务,模型什么时候参与,工具结果交给谁,多个角色又怎样配合?
这套课程会从一个能够运行的 FastAPI 工程开始,通过原理讲解和完整代码,带大家逐步实现这些执行过程。
课程免费学习,共14章、29节,使用 FastAPI + LangChain + LangGraph。 第0章完成环境与公共代码准备,第1~13章各用两节讲解一种实现方式,先理解原理,再动手完成基本实现。

先把一次工具调用看明白
用户提出问题后,模型可以返回一个工具名称和参数。程序找到对应函数、执行查询,再把实际结果交回模型,模型据此继续选择动作或生成回答。
课程先带你手写这段循环,逐条查看用户消息、模型工具请求和工具结果,再使用 create_agent 让框架管理模型与工具的往返。
通过相同的查询工具,你能看清框架接管了哪些工作,也能找到一次回答背后实际执行的函数与查询结果。
逐步加入规划、改进、协作与记忆
有些任务需要先拆成步骤,有些需要判断资料是否充分,还有些需要审查结果、保留失败教训,或者交给其他角色继续处理。
课程按学习顺序展开,每章围绕一个明确的执行过程编写代码。
| 内容 | 动手实现的过程 |
|---|---|
| 手写 Function Calling 循环 | 模型选择工具,程序执行查询,工具结果回传后再次请求模型 |
| 框架托管工具调用 | 使用 create_agent 运行工具循环,整理实际工具记录与最终回答 |
| 数据库驱动 ReAct | 从 SQLite 读取工具目录和启用状态,组装本轮可用工具 |
| Plan-and-Execute 计划执行 | 模型生成指标计划,程序计算数量、合计和最大值,再汇总结果 |
| Agentic RAG 自适应检索 | 检索资料、评估证据,必要时改写查询,再检查回答依据 |
| Reflection 反思修订 | 对照原文审查稿件,根据问题修订,再审查当前版本 |
| Reflexion 教训记忆 | 程序检查数字约束,模型归纳失败教训,保存后交给后续尝试 |
| Supervisor 主管调度 | 主管选择分析员或审核员,读取产物后继续分派或结束 |
| Handoff 直接移交 | 当前角色转交任务和摘要,接手角色继续处理并保存活动身份 |
| Orchestrator-Workers 动态任务 | 模型拆出一至三项任务,同一 Worker 执行器限并发处理后汇总 |
| Multi-Agent Debate 多 Agent 辩论 | 两个角色独立发言,再回应对方,由裁判结合事实给出结论 |
| Tree of Thoughts 树搜索 | 逐层提出候选,检查约束、剪枝与回溯,在预算内寻找解 |
| Memory-Augmented 记忆增强 | 保存用户明确表达的偏好,按用户和主题检索,并处理偏好纠正 |
这些机制可以组合使用。学习时会分别观察它们的任务输入、模型决策、程序执行、结果反馈和结束条件,逐步理解各种结构适合怎样的处理过程。
学完可以掌握什么
- 编写模型决策、工具执行与结果回传的完整循环。
- 使用 LangChain 声明工具,通过 create_agent 执行工具型 Agent。
- 使用 LangGraph 的状态、节点和条件边组织有次数上限的任务流程。
- 为检索加入证据评估、查询改写和回答依据检查。
- 区分反思修订、失败教训回注和长期偏好记忆的执行方式。
- 实现主管调度、角色直接移交、动态任务拆解和多角色辩论。
- 用具体数字任务观察候选展开、剪枝和回溯。
- 结合实际结果判断任务是否完成,处理达到上限、资料不足和执行失败。
适合哪些同学
- 有 Python 基础,准备开始学习 Agent 开发的同学。
- 已经能够调用大模型,希望进一步理解工具与执行循环的同学。
- 看过多个 Agent 示例,希望把规划、协作、搜索和记忆系统梳理一遍的同学。
- 学过 AI 大模型应用开发全家桶或 LangGraph 基础课程,希望继续动手练习 Agent 结构的同学。
建议能够阅读 Python 函数、字典、列表和类,并完成依赖安装与工程启动。类型标注、async/await、消息对象、工具注册和图状态会结合实际代码讲解。
配套资料与学习方式
课程提供包含共用运行页面的 FastAPI 初始脚手架、课程大纲与思维导图、逐节喂饭级文档,以及与文档对应的完整代码。
从第0章开始配置阿里百炼,在每节实现完成后亲自提交一次输入、查看返回结果,再改变问题或参数,观察执行路径如何变化。涉及持久化的章节使用 SQLite,数据库文件由代码按需创建。
从手写一次工具调用开始,逐步完成规划、改进、协作、搜索和记忆,把 Agent 的执行过程真正写进自己的程序。
直接学习,不需要购买
跟着视频学习项目,有配套笔记和资料时可在本站查看。