DoneHub
0%

10+ 个开源 Agent 项目学习指南

发表于 更新于 分类于 Valine：

上一篇我们系统梳理了 Agent 编程的核心名词词典。有了概念基础，下一步就是动手看真实项目代码。

这篇文章推荐 10+ 个值得深入学习的开源 Agent 项目，涵盖单 Agent、多 Agent、Code Agent、生产级平台。每个项目都会告诉你：Star 数、学习价值、核心文件、适合什么阶段的人看。读完之后，你会有一条清晰的学习路线，知道从哪里开始、怎么深入、最终能做什么。

为什么必须看开源项目

很多新手的误区是：先背完所有概念、看完所有文档，再开始写代码。这条路径效率很低。更合理的做法是用 1-2 天过一遍核心概念，然后立刻切换到项目代码，边看边写，遇到不懂的概念再回头查。

不同学习方式的效果差异很大。只看文档，概念懂了但不知道怎么组合起来；只看教程，跟着抄代码但不理解设计意图；看真实项目，能看到完整系统架构、真实代码结构和实际问题的解决方案。

一个真实项目能教会你的东西包括：Agent 怎么定义（不是文档里的抽象概念，而是具体的类和函数）、工具怎么注册和调用（完整的 Function Calling 流程）、循环怎么实现（ReAct 循环的真实代码）、状态怎么管理（多轮对话、跨会话记忆）、错误怎么处理（真实场景的异常处理）、怎么部署到生产（架构设计、监控、日志）。

学习路线全景

整体学习路线分为五个阶段，由浅入深。入门阶段看 LangChain 官方示例、LangGraph 示例和 Anthropic Cookbook，目标是能用 LangGraph 写一个简单的 ReAct Agent。进阶阶段看 GPT-Researcher、AutoGPT 和 AgentGPT，目标是理解完整的任务规划、执行、反馈循环。Code Agent 专项看 OpenHands、SWE-agent 和 Continue，目标是理解 Agent 如何操作代码库。多 Agent 协作阶段看 CrewAI、AutoGen 和 MetaGPT，目标是能设计多 Agent 协作系统。生产级参考看 Dify 和 LangGraph Platform，目标是理解生产级架构、部署和监控。

阶段 项目 达标标志
入门 LangChain 示例、LangGraph 示例、Anthropic Cookbook 能用 LangGraph 写 ReAct Agent
进阶 GPT-Researcher、AutoGPT、AgentGPT 理解任务规划、执行、反馈循环
Code Agent OpenHands、SWE-agent、Continue 理解 Agent 如何操作代码库
多 Agent CrewAI、AutoGen、MetaGPT 能设计多 Agent 协作系统
生产级 Dify、LangGraph Platform 理解生产级架构、部署、监控

入门级项目：理解基本原理

LangChain 官方示例

项目信息 内容
仓库 langchain-ai/langchain
Star 100k+
学习路径 /docs/docs/use_cases/ 和 /cookbook/
学习价值 ★★★★★ 官方最佳实践，覆盖所有核心场景

LangChain 虽然有”样板代码多”的缺点，但它的官方示例是最系统、最权威的入门材料。覆盖了 Agent、RAG、Tool Calling 的标准写法，每个示例 100-300 行，适合快速上手。

目录 学习重点
/cookbook/ 完整的小案例，从简单到复杂
/docs/docs/use_cases/agents/ Agent 的各种实现模式
/docs/docs/use_cases/question_answering/ RAG 的各种方案

学习方式：

1
2
3
4
5
6
7
8
9
# 克隆仓库
git clone https://github.com/langchain-ai/langchain.git

# 重点看这些文件
docs/docs/use_cases/agents/
├── agent_iterations.ipynb        # Agent 循环迭代
├── tools.ipynb                   # 工具定义和使用
├── custom_agent.ipynb            # 自定义 Agent
└── agent_reasoning.ipynb         # Agent 推理过程

入门目标：看完后能用 LangChain 写一个能调用工具的简单 Agent。

LangGraph 示例

项目信息 内容
仓库 langchain-ai/langgraph
Star 30k+
学习路径 /examples/ 目录
学习价值 ★★★★★ 学习 Agent 状态机、循环、分支的最佳资源

LangGraph 是 LangChain 团队推出的新一代 Agent 框架，用状态图（StateGraph）来定义 Agent 工作流。相比 LangChain 的链式调用，LangGraph 更适合复杂的循环和分支场景。它的核心概念可以用三个词概括：State（状态，在节点间传递的数据）、Node（节点，处理函数如 agent_node 和 tool_node）、Edge（边，流转条件如 should_continue）。工作流程是先定义 State 结构，再定义 Node 处理节点，然后定义 Edge 流转逻辑，最后调用 compile() 得到一个可执行的 Agent。

文件 学习重点
react-agent.ipynb ReAct Agent 的完整实现
planner-agent.ipynb 有规划能力的 Agent
multi-agent.ipynb 多 Agent 协作基础
memory.ipynb 记忆系统实现

核心代码结构：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
# LangGraph 的核心模式
from langgraph.graph import StateGraph, END

# 1. 定义状态
class AgentState(TypedDict):
    messages: list
    tool_calls: list

# 2. 定义节点
def agent_node(state: AgentState):
    # LLM 处理逻辑
    ...

def tool_node(state: AgentState):
    # 工具执行逻辑
    ...

# 3. 构建图
graph = StateGraph(AgentState)
graph.add_node("agent", agent_node)
graph.add_node("tools", tool_node)
graph.add_edge("agent", "tools")
graph.add_edge("tools", "agent")

# 4. 编译并运行
app = graph.compile()
result = app.invoke({"messages": ["帮我查北京天气"]})

入门目标：看完后能用 LangGraph 写一个 ReAct 循环 Agent。

Anthropic Cookbook

项目信息 内容
仓库 anthropics/anthropic-cookbook
Star 10k+
学习价值 ★★★★★ Claude 官方最佳实践，代码质量极高

Anthropic 的 Cookbook 是代码质量最高的学习材料。每个示例都很简洁（100 行以内），注释清晰，直击核心。不像有些项目代码又长又乱，这里每个文件都是精品。

目录/文件 学习重点
tool_use/ Function Calling 的最佳实践
prompt_caching/ Prompt 缓存，降本 90%
context_windows/ 长上下文处理技巧
computer_use/ Computer Use（操作电脑）能力

特色代码示例：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
# Anthropic 的 Tool Use 示例（极简风格）
import anthropic

client = anthropic.Client()

def get_weather(city: str):
    # 实际工具函数
    return f"{city}今天晴，25度"

# 定义工具
tools = [{
    "name": "get_weather",
    "description": "获取指定城市的天气",
    "input_schema": {
        "type": "object",
        "properties": {
            "city": {"type": "string"}
        },
        "required": ["city"]
    }
}]

# 调用 Claude
response = client.messages.create(
    model="claude-sonnet-4-6",
    tools=tools,
    messages=[{"role": "user", "content": "北京今天天气怎么样"}]
)

# Claude 会返回 tool_use，你再执行并返回结果

入门目标：理解 Function Calling 的完整流程，学会 Claude 的最佳实践。

进阶级项目：学习完整 Agent 系统

GPT-Researcher

项目信息 内容
仓库 assafelovic/gpt-researcher
Star 15k+
学习价值 ★★★★★ 学习 Agent 如何完成研究任务

这是一个完整的端到端 Agent 系统。你给它一个研究主题（如”AI Agent 的发展趋势”），它会自动完成搜索信息、分析多个来源、整合内容、生成研究报告的全流程。系统内部有多个专职 Agent 协作：Planner Agent 负责分解研究任务并生成搜索查询，Search Agent 负责并行执行多源搜索（Google、Tavily、新闻等），Scraper Agent 负责抓取网页内容并过滤无关信息，Writer Agent 负责整合所有信息并生成结构化研究报告。

文件路径 学习重点
gpt_researcher/master.py 主 Agent，任务编排
gpt_researcher/actions/ 各个 Agent 的具体实现
gpt_researcher/memory/ 记忆系统
gpt_researcher/tools/ 搜索、抓取等工具

学习收获：理解 Agent 如何分解任务，理解多源信息检索和整合，理解并行执行和结果汇总，理解如何生成结构化输出。

AutoGPT

项目信息 内容
仓库 Significant-Gravitas/AutoGPT
Star 170k+
学习价值 ★★★★☆ Agent 概念的开创者

AutoGPT 是 2023 年 Agent 概念爆发的起点。它首次展示了 LLM 可以自主规划、自主执行、自主反思。其核心创新是一个”思考-推理-计划-行动-观察”的循环：Agent 先产生一个 Thought（比如”我需要先了解一下 Python 爬虫的基础知识”），然后 Reasoning（”应该从基础教程开始”），接着生成 Plan（搜索教程、阅读教程、写代码），执行 Action（调用搜索工具），获取 Observation（搜索结果），然后进入下一轮循环。虽然现在看来架构有些老旧，但理解它能帮助你理解 Agent 的设计初衷。代码量较大（5000+ 行），建议只看核心架构部分，不必深究每个细节。

AgentGPT

项目信息 内容
仓库 reworkd/AgentGPT
Star 32k+
学习价值 ★★★★☆ 带前端界面的 Agent 部署平台

如果你想做一个完整的 Agent Web 应用，AgentGPT 是很好的参考。它包含 Next.js 前端（任务提交界面、执行进度展示、结果展示）和 FastAPI 后端（API 接口、Agent 执行引擎、数据库任务存储、SSE 实时推送）。这种前后端完整的架构对于理解 Agent 如何落地为产品很有帮助。

路径 学习重点
frontend/ Next.js + React，Agent UI 设计
backend/ FastAPI，Agent API 设计
backend/agent/ Agent 核心逻辑

Code Agent 专项：后端工程师重点

这部分是后端工程师的重点学习内容。Code Agent 是目前最有价值的 Agent 方向之一，它让 Agent 直接操作代码库、执行命令、修复 Bug。

OpenHands（原名 OpenDevin）

项目信息 内容
仓库 All-Hands-AI/OpenHands
Star 40k+
学习价值 ★★★★★ 最活跃的 Devin 开源实现

OpenHands 是目前最成熟的 Code Agent 开源项目。它能理解代码库结构、修改代码文件、执行命令行操作、运行测试、调试问题。架构上分为四层：Controller 负责任务编排和状态管理，Agent 负责 LLM 决策、规划和执行，Runtime 提供 Docker 容器执行环境（文件操作、命令执行、代码运行），Tools 层定义了文件读写、搜索、执行命令、运行测试等工具集。

路径 学习重点
agenthub/ Agent 定义，各种 Agent 类型
controller/ 任务编排，状态管理
runtime/ Docker 执行环境设计
tools/ 工具集定义

关键技术点包括：用 Docker 容器执行代码实现环境隔离，让 Agent 安全地读写文件，让 Agent 执行 bash 命令并获取结果，暂停和恢复 Agent 任务。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
# 克隆仓库
git clone https://github.com/All-Hands-AI/OpenHands.git

# 核心文件结构
openhands/
├── agenthub/
│   ├── codeact_agent/        # 核心 Agent 实现
│   │   └── codeact_agent.py  # 重点看这个
│   └── browsing_agent/       # 浏览器操作 Agent
│
├── controller/
│   └── state.py              # 状态管理
│   └── action_parser.py      # 动作解析
│
├── runtime/
│   ├── docker/               # Docker 执行环境
│   └── plugins/              # 运行时插件
│
└── tools/
    ├── execute_bash.py       # Bash 执行工具
    ├── file_ops.py           # 文件操作工具
    └── search.py             # 代码搜索工具

SWE-agent

项目信息 内容
仓库 princeton-nlp/SWE-agent
Star 15k+
学习价值 ★★★★☆ 普林斯顿出品，专注代码修复

SWE-agent 是学术界的 Code Agent 实现，在 SWE-bench（代码修复基准测试）上表现优秀。它的核心能力是定位问题代码、理解 Bug 原因、生成修复补丁、验证修复效果。通过这个项目可以学到 Agent 如何理解代码库、问题定位的策略（搜索、分析、追踪），以及代码修复的完整流程。

Continue

项目信息 内容
仓库 continuedev/continue
Star 20k+
学习价值 ★★★★★ IDE 集成 Agent 的最佳参考

Continue 是一个开源的 IDE AI 插件，支持 VS Code 和 JetBrains。如果你想了解如何把 Agent 集成到开发工具中，这是最好的参考。架构上分为三层：IDE Extension 层提供用户界面（聊天、代码补全），Core Engine 层负责 Context 收集（当前文件、相关文件）、LLM 调用和 Code 处理，Features 层提供 Chat（对话）、Edit（代码编辑）、Autocomplete（补全）和 Commands（自定义命令）四个核心功能。

路径 学习重点
extension/ IDE 插件开发（VS Code）
core/ Agent 核心逻辑
core/context/ 上下文收集策略

多 Agent 协作项目

CrewAI

项目信息 内容
仓库 crewAIInc/crewAI
Star 25k+
学习价值 ★★★★★ 多 Agent 角色扮演的最佳学习案例

CrewAI 是目前最简洁的多 Agent 框架。它的核心理念是把多个 Agent 定义为不同角色，让它们像团队一样协作。每个 Agent 通过 role、goal、backstory 三个属性定义身份，任务分配给具体 Agent 执行，协作模式支持 sequential（顺序执行）和 hierarchical（层级执行）。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
from crewai import Agent, Task, Crew

# 定义角色
researcher = Agent(
    role="研究员",
    goal="收集最新信息",
    backstory="你擅长搜索和整理资料",
)

writer = Agent(
    role="撰稿人",
    goal="撰写高质量文章",
    backstory="你擅长文字表达",
)

# 定义任务
research_task = Task(
    description="研究 AI Agent 的最新进展",
    agent=researcher,
)

write_task = Task(
    description="撰写一篇关于 AI Agent 的文章",
    agent=writer,
)

# 组建团队
crew = Crew(
    agents=[researcher, writer],
    tasks=[research_task, write_task],
    process=Process.sequential,  # 顺序执行
)

# 执行
crew.kickoff()
路径 学习重点
crewai/agent.py Agent 类定义
crewai/task.py Task 类定义
crewai/crew.py Crew 类定义，协作编排
crewai/process/ 协作流程实现

AutoGen

项目信息 内容
仓库 microsoft/autogen
Star 35k+
学习价值 ★★★★★ 微软出品，多 Agent 对话框架

AutoGen 是微软的多 Agent 研究成果，特点是 Agent 间通过对话协作。不同于 CrewAI 的角色扮演，AutoGen 更侧重于 Agent 间的信息交换和讨论。它的核心模式是：User Proxy Agent 代表用户转发消息并执行代码，Assistant Agent 作为 LLM Agent 生成方案和代码建议。典型流程是用户提出需求，Assistant 给出方案，User Proxy 执行代码，遇到错误后 Assistant 修复并再次提交，循环直到成功。

路径 学习重点
autogen/agent/contrib/ 各种 Agent 类型
autogen/oai/ LLM 调用封装
samples/ 使用示例

MetaGPT

项目信息 内容
仓库 geekan/MetaGPT
Star 45k+
学习价值 ★★★★★ 多 Agent 模拟软件开发团队

MetaGPT 是最有创意的多 Agent 项目之一。它把多个 Agent 定义为软件团队的各个角色：产品经理 Agent 分析需求并输出 PRD，架构师 Agent 设计系统架构并输出设计文档，项目经理 Agent 分配任务管理进度，工程师 Agent（多个）实现代码，QA Engineer Agent 编写测试验证代码。整个流程模拟了一个真实的软件开发团队从需求到交付的完整过程。

通过这个项目可以学到：如何让 Agent 输出结构化文档（PRD、设计文档），Agent 间如何传递文档和代码，如何让 Agent 执行完整的软件流程。

生产级平台参考

Dify

项目信息 内容
仓库 langgenius/dify
Star 50k+
学习价值 ★★★★★ 企业级 LLM 应用开发平台

Dify 是目前最完整的开源 LLM 应用平台，包含可视化工作流编辑器、Agent 编排、RAG 知识库管理、多租户多模型支持、完整的部署方案。前端用 React + Next.js 构建（工作流可视化编辑器和知识库管理界面），后端用 Python + Flask 驱动（工作流引擎、Agent 执行器、RAG 引擎、模型路由），基础设施层依赖 PostgreSQL（元数据）、Vector Store（向量存储）、Redis（缓存）和 Celery（异步任务）。

路径 学习重点
api/core/workflow/ 工作流引擎核心
api/core/agent/ Agent 执行逻辑
api/core/rag/ RAG 引擎
web/ 前端工作流编辑器

学习收获：理解企业级架构设计、工作流引擎设计、多租户多模型支持、生产级部署方案。

LangGraph Platform

项目信息 内容
仓库 langchain-ai/langgraph
学习路径 /platform/ 目录
学习价值 ★★★★★ Agent 生产部署最佳实践

LangGraph Platform 是 LangChain 团队推出的生产级 Agent 部署方案。它解决了 Agent 从 Demo 到生产的关键问题：持久化（任务状态保存）、恢复（暂停后继续）、监控（执行链路追踪）、API 设计（Agent 作为服务）。

能力 说明
Persistence Agent 状态持久化，支持暂停恢复
Memory 跨会话记忆管理
Streaming 实时推送执行进度
API REST API + WebSocket

项目学习方法

看项目的正确姿势决定了学习效率。很多人从头到尾逐行看代码，效率很低。更好的方式是先看架构再看核心模块最后看细节。只看不跑也是常见问题，应该先跑起来再改代码看效果。看完就忘的话，需要记笔记、画架构图、写总结。只看一个项目就停止也不理想，多个项目对比才能找出共同模式。

推荐的学习步骤：第一步理解项目目标，读 README 和官方文档，明确项目解决什么问题；第二步跑起来，安装依赖运行最小示例，理解基本输入输出；第三步看架构，读项目目录结构，找核心入口文件，自己画架构图；第四步看核心模块，重点关注 Agent 定义文件、工具注册文件、循环实现文件、状态管理文件；第五步改代码，尝试添加新工具、修改 Agent 行为，观察变化。

不管什么项目，这几个核心模块一定要找到：

核心模块 关键文件特征 学习重点
Agent 定义 通常有 agent.py 或 agents/ 目录 Agent 如何初始化、有什么属性、如何执行
工具注册 tools/ 或 functions/ 目录 工具如何定义、如何注册给 Agent
循环实现 main.py 或 run.py 或 execute() ReAct 循环怎么写、状态怎么传递
状态管理 state.py 或 memory/ 目录 状态如何保存、如何恢复
LLM 调用 llm.py 或 model/ 目录 如何调用 LLM、如何处理响应

Java 工程师的特别建议

作为 Java 后端工程师，你有独特的优势可以转化到 Agent 开发中。系统设计能力让你能关注架构设计而不只是代码细节，工程化经验让你能理解生产级项目（Dify、LangGraph Platform）的设计意图，调试能力让你能主动改代码、加日志、追踪执行过程。

推荐的 Java 工程师学习路径分四个阶段。第一阶段（1-2 周）进入 Python 生态入门，看 LangGraph 示例理解状态图模式，看 GPT-Researcher 理解完整流程，用 Python 写一个简单的 ReAct Agent。第二阶段（2-3 周）进入 Code Agent 专项，看 OpenHands 核心代码，理解文件操作和命令执行工具，思考如何用 Java 实现类似系统。第三阶段（2-3 周）进入 Java 生态融合，学习 LangChain4j 和 Spring AI，用 Java 重构你的 Python Agent Demo，集成到现有项目中。第四阶段（持续）进入生产级设计，研究 Dify 的架构，设计自己的 Agent 平台，考虑多租户、监控、部署、成本控制。

Java 生态框架选择：

框架 说明 学习优先级
LangChain4j LangChain 的 Java 版，成熟度高 ★★★★★
Spring AI Spring 官方 AI 框架，生态整合好 ★★★★★
Semantic Kernel 微软出品，支持 Java ★★★★☆

学习路线时间规划

阶段 时间 目标
入门 1-2 周 理解 Agent 基本原理，能用 LangGraph 写简单 Agent
进阶 2-3 周 理解完整 Agent 系统，能写出类似 GPT-Researcher 的项目
Code Agent 2-3 周 理解 Code Agent，能用 Java 实现文件操作、命令执行
多 Agent 1-2 周 理解多 Agent 协作，能设计 Agent 团队
生产级 持续 理解生产架构，能部署和维护 Agent 服务

附录：项目速查表

项目 Star 学习价值 适合阶段 核心学习点
LangChain 示例 100k+ ★★★★★ 入门 基础 Agent 写法
LangGraph 示例 30k+ ★★★★★ 入门 状态图、循环、分支
Anthropic Cookbook 10k+ ★★★★★ 入门 Function Calling 最佳实践
GPT-Researcher 15k+ ★★★★★ 进阶 完整 Agent 流程
AutoGPT 170k+ ★★★★☆ 进阶 Agent 自主性
AgentGPT 32k+ ★★★★☆ 进阶 Web 应用架构
OpenHands 40k+ ★★★★★ Code Agent 代码库操作
SWE-agent 15k+ ★★★★☆ Code Agent 代码修复
Continue 20k+ ★★★★★ Code Agent IDE 集成
CrewAI 25k+ ★★★★★ 多 Agent 角色扮演协作
AutoGen 35k+ ★★★★★ 多 Agent 对话协作
MetaGPT 45k+ ★★★★★ 多 Agent 模拟软件团队
Dify 50k+ ★★★★★ 生产级 企业级架构

上一篇：Agent 编程名词词典：产品视角与技术视角的双面解读

扫描二维码分享