Agent In Action

Agentic AI 智能体开发实战

企业级AI智能体实战课程 · 6个完整项目 · 从底层原理到生产部署

[课程定位](#-课程定位) • [实战项目](#-六大实战项目) • [技术栈](#-技术栈) • [快速开始](#-快速开始) • [环境搭建](#-环境搭建)

---

📚 课程定位

🎯 课程目标

面向大模型智能体中高级学习者的系统化实战课程，通过6个完整的企业级项目，掌握从底层原理到生产部署的全链路技能。本课程不是入门教程，而是帮助你构建可落地、可扩展、可维护的智能体系统。

👥 适合人群

| 学习者类型 | 技术背景 | 学习目标 | 预期收获 | |---------|----------|----------|----------| | AI工程师 | 有Python基础，了解大模型API调用 | 掌握智能体系统架构设计与实现 | 独立构建企业级智能体应用 | | 后端开发者 | 熟悉FastAPI/Django等Web框架 | 转型AI应用开发 | 掌握AI工具链集成与部署 | | 算法工程师 | 有深度学习基础，想做应用落地 | 学习模型微调与推理优化 | 将研究成果工程化落地 | | 技术Leader | 负责AI项目架构设计 | 了解完整技术栈和优秀做法 | 制定团队技术路线和规范 |

💡 课程特色

• 🔬 深度实战：6个完整项目，涵盖从原理到部署的全流程
• 🏗️ 底层理解：不只用框架，更要理解Agent底层工作原理（GAME框架）
• 📊 企业级：包含监控、评估、优化、部署等生产环境必备能力
• 🎯 垂直场景：医疗、旅游等真实行业应用案例
• ⚡ 性能优化：涵盖模型微调、推理加速、成本优化等高级主题

---

🎯 六大实战项目

项目概览

每个项目都是完整可运行的企业级应用，包含从需求分析到生产部署的全流程。

| # | 项目名称 | 技术栈 | 难度 | |---|---------|--------|------| | 1️⃣ | [MCP工具集成](#项目2mcp工具集成--和风天气) | MCP + DeepSeek + FastMCP | ⭐⭐⭐ | | 2️⃣ | [从零构建智能体框架](#项目1从零构建智能体框架) | OpenAI API + GAME架构 | ⭐⭐⭐⭐ | | 3️⃣ | [深度研究助手](#项目3深度研究助手) | LangGraph + Tavily Search | ⭐⭐⭐⭐ | | 4️⃣ | [多角色旅行规划系统](#项目4多角色旅行规划智能体) | LangGraph + Docker + Streamlit | ⭐⭐⭐⭐⭐ | | 5️⃣ | [智能体监控评估](#项目5智能体监控与评估) | Langfuse + LangSmith | ⭐⭐⭐⭐ | | 6️⃣ | [医疗领域模型微调](#项目6医疗领域模型微调) | LlamaFactory + vLLM + LoRA | ⭐⭐⭐⭐⭐ |

---

项目1：MCP工具集成 · 和风天气

🎯 项目目标：基于Model Context Protocol实现智能体与外部工具的标准化集成。

📂 代码位置：01-agent-tool-mcp/mcp-demo/

🔑 核心知识点：

• MCP协议原理与规范（Resources/Tools/Prompts）
• 客户端-服务器架构设计
• 异步工具调用与并发处理
• 工具Schema定义与验证
• 多轮对话与工具链路管理

💡 实战产出：

# 完整的MCP天气服务
weather_server.py       # MCP服务端（FastMCP）
mcp_client_deepseek.py  # 集成DeepSeek的客户端
- get_weather_warning   # 获取天气预警
- get_daily_forecast    # 获取天气预报

🎓 学习价值：

• ✅ 掌握MCP协议，接入任意第三方工具
• ✅ 学习异步编程与错误重试机制
• ✅ 理解工具调用的完整生命周期

---

项目2：从零构建智能体框架

🎯 项目目标：不使用任何框架，从零实现一个完整的智能体系统，深入理解Agent工作原理。

📂 代码位置：01-agent-tool-mcp/ASimpleAgentFramework.ipynb

🔑 核心知识点：

• GAME架构设计（Goals/Actions/Memory/Environment）
• OpenAI Function Calling原理与实现
• Agent主循环（Prompt构造 → LLM决策 → 工具执行 → 记忆更新）
• 工具注册与动态调用机制
• 错误处理与异常捕获

💡 实战产出：

# 你将实现的核心组件
- Goal: 目标定义系统
- Action: 工具注册与执行
- Memory: 对话历史管理
- Environment: 工具执行环境
- AgentLanguage: Prompt格式化与解析
- Agent: 主循环协调器

🎓 学习价值：

• ✅ 理解智能体的本质：LLM + 工具调用 + 记忆系统
• ✅ 掌握如何设计可扩展的Agent架构
• ✅ 为学习LangChain/LangGraph等框架打下基础

---

项目3：深度研究助手

🎯 项目目标：构建一个能够自主进行深度研究的智能体，集成搜索引擎并生成结构化报告。

📂 代码位置：02-agent-multi-role/deepresearch/

🔑 核心知识点：

• LangGraph图状态机设计
• 多步骤工作流编排
• 搜索引擎集成（Tavily API）
• 信息提取与结构化
• LangGraph Studio可视化调试

💡 实战产出：

# 研究助手工作流
用户查询 → 分析意图 → 搜索信息 → 深度分析 → 生成报告
- 自动拆解复杂问题
- 多轮搜索与信息整合
- Markdown格式报告生成

🎓 学习价值：

• ✅ 掌握LangGraph状态机编排
• ✅ 学习如何设计复杂工作流
• ✅ 理解ReAct模式在研究场景的应用

---

项目4：多角色旅行规划智能体

🎯 项目目标：构建企业级的多智能体协作系统，包含完整的前后端和容器化部署。

📂 代码位置：03-agent-build-docker-deploy/

🔑 核心知识点：

• 多智能体协作架构（需求分析/行程规划/预算管理/偏好学习/协调调度）
• LangGraph多角色State管理
• FastAPI后端服务开发
• Streamlit前端界面构建
• Docker多容器编排
• 生产环境配置管理

💡 实战产出：

前端：Streamlit Web界面
后端：FastAPI服务 + LangGraph智能体
部署：Docker Compose一键启动
功能：
  - 自然语言旅行规划
  - 多智能体协作决策
  - 实时天气查询
  - 个性化推荐
  - 预算优化

🎓 学习价值：

• ✅ 掌握企业级智能体系统架构
• ✅ 学习前后端分离与API设计
• ✅ 理解多智能体协作模式
• ✅ 掌握Docker容器化部署

---

项目5：智能体监控与评估

🎯 项目目标：建立完整的智能体质量评估和性能监控体系。

📂 代码位置：04-agent-evaluation/langfuse/03_example_langgraph_agents.ipynb

🔑 核心知识点：

• Langfuse追踪与监控集成
• 调试工具使用
• 智能体评估指标设计（准确性/完整性/安全性）
• 自动化评估流程
• 成本分析与优化

💡 实战产出：

# 评估体系
- 实时追踪：每次调用的完整链路
- 性能监控：延迟、Token消耗、成本
- 质量评估：自动化测试用例
- 安全检测：敏感信息过滤、越狱检测
- 可视化：Dashboard展示

🎓 学习价值：

• ✅ 掌握生产环境监控优秀做法
• ✅ 学习如何评估智能体质量
• ✅ 理解成本优化策略

---

项目6：医疗领域模型微调

🎯 项目目标：针对医疗垂直领域进行模型微调，包含数据集构建、LoRA微调、推理部署全流程。

📂 代码位置：05-agent-model-finetuning/llamafactory/

🔑 核心知识点：

• 领域数据集构建（Alpaca/ShareGPT格式）
• LlamaFactory微调框架使用
• LoRA/QLoRA参数高效微调
• vLLM推理部署
• 模型评估与对比
• 显存优化技巧

💡 实战产出：

# 完整微调流程
dataset/              # 医疗领域数据集
  - MedicalData-2025/
  - alpaca.json       # 微调数据
  - dataset_info.json # 数据集配置

configs/              # 微调配置
  - llamafactory-*.yaml    # LlamaFactory配置

lora/                 # LoRA适配器
  - 微调后的模型权重

inference/            # 推理服务
  - vLLM部署脚本

🎓 学习价值：

• ✅ 掌握领域模型微调完整流程
• ✅ 学习数据工程与质量控制
• ✅ 理解LoRA原理与参数选择
• ✅ 掌握推理服务部署与优化

---

🏆 学习收获

| 维度 | 具体能力 | |------|---------| | 🧠 架构能力 | 从零设计智能体系统架构，理解GAME/ReAct等核心范式 | | 🔧 工程能力 | 掌握MCP协议、Docker部署、前后端集成等工程技能 | | 📊 优化能力 | 监控评估、成本优化、推理加速、模型微调 | | 🎯 落地能力 | 6个完整项目经验，可直接应用于实际业务 | | 💼 求职优势 | 企业级项目经验，覆盖智能体开发全栈技能 |

---

📖 课程大纲

模块一：智能体基础与工具集成

🎯 学习目标：理解智能体底层原理，掌握工具集成方法

| 课程 | 内容 | 代码位置 | |------|------|----------| | 智能体的工具调用 | 工具链路、并发调用、错误处理 | 01-agent-tool-mcp/tool-use/ | | MCP协议集成 | MCP服务端/客户端开发 + 和风天气案例 | 01-agent-tool-mcp/mcp-demo/ | | 从零构建智能体 | GAME架构 + OpenAI Function Calling | 01-agent-tool-mcp/ASimpleAgentFramework.ipynb |

---

模块二：多角色智能体系统

🎯 学习目标：掌握LangGraph框架，构建复杂工作流

| 课程 | 内容 | 代码位置 | |------|------|----------| | LangGraph基础 | 状态机、路由、记忆管理 | 02-agent-multi-role/langgraph/1-Base/ | | LangGraph进阶 | 断点调试、时光旅行、子图编排 | 02-agent-multi-role/langgraph/2-Advance/ | | 深度研究助手 | 完整项目：搜索集成 + 报告生成 | 02-agent-multi-role/deepresearch/ |

---

模块三：企业级系统搭建与部署

🎯 学习目标：构建生产级智能体应用

| 课程 | 内容 | 代码位置 | |------|------|----------| | 多角色协作 | 旅行规划智能体（5个专业角色） | 03-agent-build-docker-deploy/backend/agents/ | | 前后端开发 | FastAPI + Streamlit | 03-agent-build-docker-deploy/ | | 容器化部署 | Docker Compose一键部署 | 03-agent-build-docker-deploy/docker-compose.yml |

---

模块四：监控、评估与优化

🎯 学习目标：建立质量保障体系

| 课程 | 内容 | 代码位置 | |------|------|----------| | Langfuse集成 | 追踪、监控、成本分析 | 04-agent-evaluation/langfuse/01_*.ipynb | | 自动化评估 | LLM评估、安全检测 | 04-agent-evaluation/langfuse/02_*.ipynb | | 完整案例 | 旅行智能体评估体系 | 04-agent-evaluation/langfuse/03_*.ipynb |

---

模块五：模型微调与推理优化

🎯 学习目标：掌握垂直领域模型定制

| 课程 | 内容 | 代码位置 | |------|------|----------| | 数据集构建 | 医疗领域数据工程 | 05-agent-model-finetuning/llamafactory/01-llm-fine-tuning/dataset/ | | LoRA微调 | LlamaFactory微调实战 | 05-agent-model-finetuning/llamafactory/01-llm-fine-tuning/ | | 推理部署 | vLLM高性能推理 | 05-agent-model-finetuning/llamafactory/02-llm-inference/ |

---

🛠️ 技术栈

> 📋 版本信息参考: > - 🚀 [版本快速参考](./docs/版本快速参考.md) - 核心版本一览表和快速安装命令 > - 📖 [完整版本依赖清单](./docs/版本依赖清单.md) - 所有组件的详细版本信息、说明和安装指南

🏗️ 系统架构图

graph TB
    A[用户界面层] --> B[智能体协调层]
    B --> C[LangGraph多角色系统]
    B --> D[MCP工具集成层]
    
    C --> E[旅行规划智能体]
    C --> F[预算管理智能体]
    C --> G[行程优化智能体]
    
    D --> H[天气查询工具]
    D --> I[地图导航工具]
    D --> J[酒店预订工具]
    
    E --> K[大模型推理层]
    F --> K
    G --> K
    
    K --> L[vLLM推理引擎]
    L --> M[DeepSeek-R1模型]
    L --> N[微调适配器]
    
    O[工作流自动化] --> P[LangGraph平台]
    P --> Q[数据处理节点]
    P --> R[AI服务节点]
    
    S[评估监控] --> T[Langfuse平台]
    T --> U[性能监控]
    T --> V[质量评估]
    
    W[压测框架] --> X[vLLM基准测试]
    X --> Y[性能指标收集]
    X --> Z[可视化报告]

🔧 核心技术组件

| 技术领域 | 核心技术 | 版本 | 应用场景 | |---------|----------|------|----------| | 🧠 大语言模型 | OpenAI/DeepSeek/Anthropic | GPT-4/DeepSeek-R1/Claude | 核心推理引擎 | | 🐍 Python环境 | Python | 3.10.18 | 开发运行环境 | | 🐍 包管理器 | Conda/Miniconda | 24.4.0 | Python环境管理 | | 🔗 LangChain生态 | langchain | 1.1.3 / 0.3.27 | 大语言模型应用框架 | | 🔗 LangChain核心 | langchain-core | 1.1.3 / 0.3.75 | LangChain基础抽象层 | | 🔗 LangChain社区 | langchain-community | 0.4.1 / 0.3.27 | 第三方集成工具集 | | 🔗 LangChain OpenAI | langchain-openai | 1.1.1 / 0.3.31 | OpenAI接口适配器 | | 🔄 LangGraph | langgraph | 1.0.4 / 0.6.7 | 多智能体工作流编排 | | 🔄 LangGraph预构建 | langgraph-prebuilt | 1.0.5 | 预构建智能体组件 | | 🔄 LangGraph检查点 | langgraph-checkpoint-sqlite | 3.0.1 | SQLite状态持久化 | | 🔄 LangGraph CLI | langgraph-cli | 0.4.9 | 命令行工具集 | | 🔄 LangGraph SDK | langgraph-sdk | 0.2.15 | SDK开发工具包 | | 🌐 MCP协议 | mcp | 1.17.0 | 模型上下文工具集成 | | 🌐 MCP适配器 | langchain-mcp-adapters | 0.1.11 | LangChain MCP集成 | | 📡 OpenAI SDK | openai | 1.107.0 | OpenAI官方SDK | | 🤖 Transformers | transformers | 4.45.0 | HuggingFace模型库 | | 🚀 Web框架 | fastapi | 0.116.1 | 高性能API服务 | | 🚀 Web服务器 | uvicorn | 0.35.0 | 异步ASGI服务器 | | 📊 数据处理 | pandas | 2.2.2 | 数据分析处理 | | 📊 数值计算 | numpy | 1.25.0 | 科学计算库 | | ✅ 数据验证 | pydantic | 2.11.9 | 数据模型验证 | | 🌐 HTTP客户端 | httpx | 0.28.1 | 异步HTTP请求 | | 🌐 HTTP库 | requests | 2.32.5 | 同步HTTP请求 | | 🔍 网页解析 | beautifulsoup4 | 4.14.3 | HTML/XML解析 | | 🔍 网络搜索 | duckduckgo-search | 8.1.1 | 隐私搜索引擎 | | 🔍 AI搜索 | tavily-python | 0.7.14 | AI驱动的实时搜索 | | 📚 知识库 | wikipedia | 1.4.0 | Wikipedia数据访问 | | 📦 环境管理 | python-dotenv | 1.1.1 | 环境变量管理 | | 🧪 测试框架 | pytest | 8.4.1 | 单元测试工具 | | 📊 监控平台 | Langfuse | 3.3.0 | 性能监控与评估 | | 🎯 数据集工具 | Easy Dataset | 1.6.1 | 数据集处理工具 | | 🎯 微调框架 | LLaMA Factory | v0.9.3 | 模型个性化微调 | | ⚡ 推理引擎 | vLLM | 0.8.5 | 高性能模型推理 | | 🐳 容器化 | Docker | 28.4.0 | 容器化部署 | | 🐳 容器编排 | Docker Compose | v2.39.4 | 多容器管理 |

🚀 快速开始

⚡ 5分钟快速体验

🌤️ 体验项目1：MCP工具集成

# 1. 进入MCP演示目录
cd 01-agent-tool-mcp/mcp-demo

# 2. 安装依赖
pip install -r requirements.txt

# 3. 配置环境变量
cp env.example .env
# 编辑.env文件，填入API密钥

# 4. 启动MCP服务器（新终端）
python server/weather_server.py

# 5. 运行客户端
python client/mcp_client_deepseek.py

🎉 预期效果：

请输入你的问题: 北京今天天气怎么样？
助手: 今天北京天气晴朗，最低10°C，最高25°C...

---

🎯 体验项目2：从零构建智能体

# 1. 打开Jupyter Notebook
jupyter notebook 01-agent-tool-mcp/ASimpleAgentFramework.ipynb

# 2. 配置OpenAI API密钥（在notebook中）
OPENAI_API_KEY=sk-your-openai-api-key
OPENAI_BASE_URL=https://api.openai.com/v1

# 3. 运行所有单元格
# 观察GAME框架如何工作：Goals → Actions → Memory → Environment

🎉 预期效果：智能体会自动列出项目文件、读取内容并生成README

---

🔍 体验项目3：深度研究助手

# 1. 进入LangGraph目录
cd 02-agent-multi-role/deepresearch

# 2. 启动LangGraph Studio
langgraph dev

# 3. 在浏览器打开
# https://smith.langchain.com/studio

# 4. 可视化调试智能体工作流

🎉 预期效果：看到智能体的完整思考过程和工具调用链路

---

🏨 体验项目4：旅行规划系统

# 1. 进入部署目录
cd 03-agent-build-docker-deploy

# 2. 配置环境
cp backend/env.example backend/.env
# 编辑.env文件

# 3. 一键启动（Docker方式）
docker-compose up -d

# 4. 访问Web界面
# http://localhost:8501

🎉 预期效果：完整的多角色智能体协作系统，生成旅行规划报告

---

📚 学习路径建议

| 学习阶段 | 推荐顺序 | 学习重点 | 时间投入 | |---------|---------|---------|---------| | 🟢 入门阶段 | 项目1 → 项目2 | 理解Agent原理、掌握工具集成 | 1-2周 | | 🟡 进阶阶段 | 项目3 → 项目4 | LangGraph框架、多角色协作 | 2-3周 | | 🔴 高级阶段 | 项目5 → 项目6 | 监控评估、模型微调 | 2-3周 |

---

🎯 学习目标检查清单

✅ 基础能力（完成项目1-2）

• [ ] 理解智能体的GAME架构
• [ ] 掌握OpenAI Function Calling
• [ ] 熟悉MCP协议和工具集成
• [ ] 能够处理异步调用和错误重试

✅ 进阶能力（完成项目3-4）

• [ ] 掌握LangGraph状态机设计
• [ ] 实现多智能体协作系统
• [ ] 能够开发前后端分离应用
• [ ] 掌握Docker容器化部署

✅ 高级能力（完成项目5-6）

• [ ] 建立完整的监控评估体系
• [ ] 掌握模型微调与优化
• [ ] 理解推理服务部署
• [ ] 具备成本优化能力

---

📁 项目结构

Agent_In_Action/
├── 01-agent-tool-mcp/                      # 【项目1-2】智能体基础与MCP集成
│   ├── ASimpleAgentFramework.ipynb        # 从零构建智能体（GAME框架）
│   ├── mcp-demo/                          # MCP工具集成 - 和风天气
│   │   ├── server/weather_server.py       # MCP服务端
│   │   └── client/mcp_client_deepseek.py  # MCP客户端
│   └── tool-use/                          # 工具调用进阶示例
│
├── 02-agent-multi-role/                   # 【项目3】多角色智能体
│   ├── deepresearch/                      # 深度研究助手（完整项目）
│   │   ├── deployment/                    # 部署配置
│   │   └── *.ipynb                        # 实战案例
│   └── langgraph/                         # LangGraph学习路径
│       ├── 1-Base/                        # 基础：状态机、路由、记忆
│       └── 2-Advance/                     # 进阶：断点、时光旅行、子图
│
├── 03-agent-build-docker-deploy/         # 【项目4】旅行规划系统
│   ├── backend/                           # FastAPI后端
│   │   ├── agents/                        # 多角色智能体实现
│   │   ├── tools/                         # 工具集成（天气、搜索等）
│   │   └── api_server.py                  # API服务
│   ├── frontend/                          # Streamlit前端
│   │   └── streamlit_app.py
│   ├── docker-compose.yml                 # 一键部署配置
│   └── docs/                              # 架构文档与教程
│
├── 04-agent-evaluation/                   # 【项目5】监控与评估
│   └── langfuse/                          # Langfuse完整教程
│       ├── 01_*_integration_*.ipynb       # SDK集成（OpenAI/LangChain/LangGraph）
│       ├── 02_evaluation_*.ipynb          # 自动化评估
│       ├── 03_example_*.ipynb             # 完整项目案例
│       └── 04_example_*.ipynb             # 安全监控案例
│
├── 05-agent-model-finetuning/            # 【项目6】医疗模型微调
│   └── llamafactory/                      # LlamaFactory完整流程
│       ├── 00-docs/                       # 技术文档
│       ├── 01-llm-fine-tuning/            # 微调实战
│       │   ├── dataset/                   # 医疗数据集
│       │   ├── configs/                   # 微调配置
│       │   └── lora/                      # LoRA适配器
│       └── 02-llm-inference/              # vLLM推理部署
│
└── README.md                              # 本文档

💡 学习建议：

• 🟢 新手：按项目1→2→3顺序学习
• 🟡 进阶：重点学习项目3→4→5
• 🔴 高级：深入研究项目5→6

---

🛠️ 环境搭建

> 📖 完整环境搭建指南：[AI Agent 101 环境搭建完整指南](./docs/AIAgent101_环境搭建完整指南.md)

🎯 两种方式快速开始

方式一：使用预配置虚拟机（⚡最快，推荐新手）

直接导入已配置好所有环境的虚拟机镜像（OVF 格式），开箱即用！

# 1. 下载虚拟机镜像
链接: https://pan.baidu.com/s/1sAtxJABh2fM_c8_D9mIdow 
提取码: 1234

# 2. 导入到 VMware 或 VirtualBox
# 3. 启动即可使用（用户名: root, 密码: fly123）

方式二：手动安装（推荐进阶用户）

按照[完整指南](./docs/AIAgent101_环境搭建完整指南.md)从零开始搭建环境

💻 系统要求

基础配置（项目1-5）

| 组件 | 推荐配置 | |------|----------| | 操作系统 | Ubuntu 22.04 LTS | | Python | 3.10.x | | CPU | 4C | | 内存 | 8 GB+ | | 存储 | 100 GB+ | | GPU | 非必需（API调用） |

高级配置（项目6：模型微调）

| 组件 | 要求 | 说明 | |------|------|------| | GPU | NVIDIA GPU | 支持CUDA 12.8+ | | 显存 | 80GB+ | LoRA微调最低要求 | | 内存 | 32GB+ | 推荐配置 |

☁️ 云端环境

• Google Colab：免费GPU，适合项目1-5

🚀 快速安装

快速开始

在Ubuntu 22.04系统上安装和配置Conda环境：

1. 准备工作

# 更新系统包
sudo apt update && sudo apt upgrade -y

# 安装必要的系统依赖
sudo apt install -y wget curl git build-essential

2. 安装Miniconda (如果未安装)

# 下载Miniconda安装包
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh

# 安装Miniconda
bash Miniconda3-latest-Linux-x86_64.sh -b -p $HOME/miniconda3

# 初始化conda
$HOME/miniconda3/bin/conda init bash

# 重新加载shell配置
source ~/.bashrc

# 验证conda安装
conda --version

3. 创建conda环境

# 1. 创建conda环境
conda create -n agent101 python=3.10.18 -y

# 2. 激活环境
conda activate agent101

4. 按项目安装（推荐）

# 1. 克隆项目
git clone https://github.com/FlyAIBox/Agent_In_Action.git
cd Agent_In_Action

# 2. 根据你要学习的项目安装依赖

# 项目1-2：智能体基础与MCP
cd 01-agent-tool-mcp/mcp-demo
pip install -r requirements.txt

# 项目3：深度研究助手
cd ../../02-agent-multi-role/deepresearch/deployment
pip install -r requirements.txt

# 项目4：旅行规划系统
cd ../../../03-agent-build-docker-deploy
pip install -r backend/requirements.txt
pip install -r frontend/requirements.txt

# 项目5：评估监控
pip install langfuse langchain langgraph

# 项目6：模型微调
cd ../05-agent-model-finetuning/llamafactory
pip install -r requirements.txt

🔐 环境变量配置

🔑 按项目配置API密钥

项目1-2：智能体基础与MCP

# 01-agent-tool-mcp/mcp-demo/.env
OPENAI_API_KEY=sk-xxx              # 项目1需要
OPENAI_BASE_URL=https://api.openai.com/v1

DEEPSEEK_API_KEY=sk-xxx            # 项目2需要
QWEATHER_API_KEY=xxx               # 项目2需要（和风天气）

项目3-4：多角色智能体与旅行系统

# 03-agent-build-docker-deploy/backend/.env
OPENAI_API_KEY=sk-xxx
TAVILY_API_KEY=tvly-xxx            # 搜索功能
QWEATHER_API_KEY=xxx               # 天气查询

项目5：监控评估

# Langfuse配置（在notebook中）
LANGFUSE_PUBLIC_KEY=pk-xxx
LANGFUSE_SECRET_KEY=sk-xxx
LANGFUSE_HOST=https://cloud.langfuse.com

# LangSmith配置（可选）
LANGSMITH_API_KEY=xxx
LANGSMITH_TRACING_V2=true

项目6：模型微调

# 无需API密钥，使用本地模型
# 需要下载开源模型（如Qwen、LLaMA等）

📝 API密钥获取指南

| API服务 | 获取地址 | 用途 | 费用 | |---------|---------|------|------| | OpenAI | platform.openai.com | 基础模型调用 | 按量付费 | | DeepSeek | [platfor

…

Source & license

This open-source MCP server is cataloged on AgentStack and links to its original source — we do not rehost the code.

• Author: FlyAIBox
• Source: FlyAIBox/AgentIn_Action
• License: MIT
• Homepage: https://u.geekbang.org/subject/intro/1010961&utmsource=jksj-AgenticAI-jksjznty-1124&utmcontent=jksj-AgenticAI-jksjznty-1124&utmterm=jksj-AgenticAI-jksjznty-1124?utmterm=pcinterstitial2063

Install and usage instructions live in the source repository linked above.