[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-bhancockio--agent-development-kit-crash-course":3,"tool-bhancockio--agent-development-kit-crash-course":62},[4,18,26,36,46,54],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",159267,2,"2026-04-17T11:29:14",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":42,"last_commit_at":43,"category_tags":44,"status":17},8272,"opencode","anomalyco\u002Fopencode","OpenCode 是一款开源的 AI 编程助手（Coding Agent），旨在像一位智能搭档一样融入您的开发流程。它不仅仅是一个代码补全插件，而是一个能够理解项目上下文、自主规划任务并执行复杂编码操作的智能体。无论是生成全新功能、重构现有代码，还是排查难以定位的 Bug，OpenCode 都能通过自然语言交互高效完成，显著减少开发者在重复性劳动和上下文切换上的时间消耗。\n\n这款工具专为软件开发者、工程师及技术研究人员设计，特别适合希望利用大模型能力来提升编码效率、加速原型开发或处理遗留代码维护的专业人群。其核心亮点在于完全开源的架构，这意味着用户可以审查代码逻辑、自定义行为策略，甚至私有化部署以保障数据安全，彻底打破了传统闭源 AI 助手的“黑盒”限制。\n\n在技术体验上，OpenCode 提供了灵活的终端界面（Terminal UI）和正在测试中的桌面应用程序，支持 macOS、Windows 及 Linux 全平台。它兼容多种包管理工具，安装便捷，并能无缝集成到现有的开发环境中。无论您是追求极致控制权的资深极客，还是渴望提升产出的独立开发者，OpenCode 都提供了一个透明、可信",144296,1,"2026-04-16T14:50:03",[13,45],"插件",{"id":47,"name":48,"github_repo":49,"description_zh":50,"stars":51,"difficulty_score":32,"last_commit_at":52,"category_tags":53,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":55,"name":56,"github_repo":57,"description_zh":58,"stars":59,"difficulty_score":32,"last_commit_at":60,"category_tags":61,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[45,13,15,14],{"id":63,"github_repo":64,"name":65,"description_en":66,"description_zh":67,"ai_summary_zh":68,"readme_en":69,"readme_zh":70,"quickstart_zh":71,"use_case_zh":72,"hero_image_url":73,"owner_login":74,"owner_name":75,"owner_avatar_url":76,"owner_bio":66,"owner_company":66,"owner_location":66,"owner_email":66,"owner_twitter":77,"owner_website":66,"owner_url":78,"languages":79,"stars":84,"forks":85,"last_commit_at":86,"license":66,"difficulty_score":32,"env_os":87,"env_gpu":88,"env_ram":88,"env_deps":89,"category_tags":97,"github_topics":66,"view_count":32,"oss_zip_url":66,"oss_zip_packed_at":66,"status":17,"created_at":98,"updated_at":99,"faqs":100,"releases":101},8605,"bhancockio\u002Fagent-development-kit-crash-course","agent-development-kit-crash-course",null,"agent-development-kit-crash-course 是一套专为学习谷歌 Agent Development Kit (ADK) 打造的实战教程仓库。它通过一系列由浅入深的代码示例，帮助开发者快速掌握构建大语言模型（LLM）驱动的智能体（Agent）的核心技能。\n\n该项目主要解决了新手在入门 ADK 框架时面临的环境配置繁琐、API 密钥管理困惑以及缺乏系统性实践案例等痛点。用户只需按照指引搭建一次虚拟环境并配置密钥，即可运行涵盖基础对话、工具调用、结构化输出、会话状态记忆、持久化存储等十二个核心场景的示例。其技术亮点在于不仅展示了单智能体的构建，还深入探讨了多智能体协作（包括顺序、并行及带状态的多轮对话）、基于 LiteLLM 的模型抽象切换，以及通过回调机制实时监控智能体行为等高阶用法。\n\n这套资源非常适合希望从零开始开发 AI 应用的软件工程师、AI 研究者及技术爱好者。无论你是想快速验证原型，还是希望深入理解复杂智能体架构的设计模式，agent-development-kit-crash-course 都能提供清晰的路径和可复用的代码参考，助你高效跨越从理论到实","agent-development-kit-crash-course 是一套专为学习谷歌 Agent Development Kit (ADK) 打造的实战教程仓库。它通过一系列由浅入深的代码示例，帮助开发者快速掌握构建大语言模型（LLM）驱动的智能体（Agent）的核心技能。\n\n该项目主要解决了新手在入门 ADK 框架时面临的环境配置繁琐、API 密钥管理困惑以及缺乏系统性实践案例等痛点。用户只需按照指引搭建一次虚拟环境并配置密钥，即可运行涵盖基础对话、工具调用、结构化输出、会话状态记忆、持久化存储等十二个核心场景的示例。其技术亮点在于不仅展示了单智能体的构建，还深入探讨了多智能体协作（包括顺序、并行及带状态的多轮对话）、基于 LiteLLM 的模型抽象切换，以及通过回调机制实时监控智能体行为等高阶用法。\n\n这套资源非常适合希望从零开始开发 AI 应用的软件工程师、AI 研究者及技术爱好者。无论你是想快速验证原型，还是希望深入理解复杂智能体架构的设计模式，agent-development-kit-crash-course 都能提供清晰的路径和可复用的代码参考，助你高效跨越从理论到实践的开发门槛。","# Agent Development Kit (ADK) Crash Course\n\nThis repository contains examples for learning Google's Agent Development Kit (ADK), a powerful framework for building LLM-powered agents.\n\n## Getting Started\n\n### Setup Environment\n\nYou only need to create one virtual environment for all examples in this course. Follow these steps to set it up:\n\n```bash\n# Create virtual environment in the root directory\npython -m venv .venv\n\n# Activate (each new terminal)\n# macOS\u002FLinux:\nsource .venv\u002Fbin\u002Factivate\n# Windows CMD:\n.venv\\Scripts\\activate.bat\n# Windows PowerShell:\n.venv\\Scripts\\Activate.ps1\n\n# Install dependencies\npip install -r requirements.txt\n```\n\nOnce set up, this single environment will work for all examples in the repository.\n\n### Setting Up API Keys\n\n1. Create an account in Google Cloud https:\u002F\u002Fcloud.google.com\u002F?hl=en\n2. Create a new project\n3. Go to https:\u002F\u002Faistudio.google.com\u002Fapikey\n4. Create an API key\n5. Assign key to the project\n6. Connect to a billing account\n\nEach example folder contains a `.env.example` file. For each project you want to run:\n\n1. Navigate to the example folder\n2. Rename `.env.example` to `.env` \n3. Open the `.env` file and replace the placeholder with your API key:\n   ```\n   GOOGLE_API_KEY=your_api_key_here\n   ```\n\nYou'll need to repeat this for each example project you want to run.\n\n## Examples Overview\n\nHere's what you can learn from each example folder:\n\n### 1. Basic Agent\nIntroduction to the simplest form of ADK agents. Learn how to create a basic agent that can respond to user queries.\n\n### 2. Tool Agent\nLearn how to enhance agents with tools that allow them to perform actions beyond just generating text.\n\n### 3. LiteLLM Agent\nExample of using LiteLLM to abstract away LLM provider details and easily switch between different models.\n\n### 4. Structured Outputs\nLearn how to use Pydantic models with `output_schema` to ensure consistent, structured responses from your agents.\n\n### 5. Sessions and State\nUnderstand how to maintain state and memory across multiple interactions using sessions.\n\n### 6. Persistent Storage\nLearn techniques for storing agent data persistently across sessions and application restarts.\n\n### 7. Multi-Agent\nSee how to orchestrate multiple specialized agents working together to solve complex tasks.\n\n### 8. Stateful Multi-Agent\nBuild agents that maintain and update state throughout complex multi-turn conversations.\n\n### 9. Callbacks\nImplement event callbacks to monitor and respond to agent behaviors in real-time.\n\n### 10. Sequential Agent\nCreate pipeline workflows where agents operate in a defined sequence to process information.\n\n### 11. Parallel Agent\nLeverage concurrent operations with parallel agents for improved efficiency and performance.\n\n### 12. Loop Agent\nBuild sophisticated agents that can iteratively refine their outputs through feedback loops.\n\n## Official Documentation\n\nFor more detailed information, check out the official ADK documentation:\n- https:\u002F\u002Fgoogle.github.io\u002Fadk-docs\u002Fget-started\u002Fquickstart\n\n## Support\n\nNeed help or run into issues? Join our free AI Developer Accelerator community on Skool:\n- [AI Developer Accelerator Community](https:\u002F\u002Fwww.skool.com\u002Fai-developer-accelerator\u002Fabout)\n\nIn the community you'll find:\n- Weekly coaching and support calls\n- Early access to code from YouTube projects\n- A network of AI developers of all skill levels ready to help\n- Behind-the-scenes looks at how these apps are built\n","# Agent 开发工具包 (ADK) 快速入门\n\n本仓库包含用于学习 Google 的 Agent 开发工具包 (ADK) 的示例，ADK 是一个功能强大的框架，可用于构建由大语言模型驱动的智能体。\n\n## 快速开始\n\n### 环境设置\n\n您只需为本课程中的所有示例创建一个虚拟环境。请按照以下步骤进行设置：\n\n```bash\n# 在根目录下创建虚拟环境\npython -m venv .venv\n\n# 激活虚拟环境（每次打开新终端时）\n# macOS\u002FLinux:\nsource .venv\u002Fbin\u002Factivate\n# Windows CMD:\n.venv\\Scripts\\activate.bat\n# Windows PowerShell:\n.venv\\Scripts\\Activate.ps1\n\n# 安装依赖\npip install -r requirements.txt\n```\n\n设置完成后，这个单一的虚拟环境即可用于运行仓库中的所有示例。\n\n### 设置 API 密钥\n\n1. 在 Google Cloud 上创建账号：https:\u002F\u002Fcloud.google.com\u002F?hl=en\n2. 创建一个新项目\n3. 访问 https:\u002F\u002Faistudio.google.com\u002Fapikey\n4. 创建一个 API 密钥\n5. 将密钥分配给该项目\n6. 关联一个结算帐号\n\n每个示例文件夹中都包含一个 `.env.example` 文件。对于您想要运行的每个项目，请按以下步骤操作：\n\n1. 进入相应的示例文件夹\n2. 将 `.env.example` 重命名为 `.env`\n3. 打开 `.env` 文件，将占位符替换为您自己的 API 密钥：\n   ```\n   GOOGLE_API_KEY=your_api_key_here\n   ```\n\n您需要为每个要运行的示例项目重复此操作。\n\n## 示例概览\n\n以下是各个示例文件夹所涵盖的内容：\n\n### 1. 基础智能体\n介绍 ADK 中最简单的智能体形式。学习如何创建一个能够响应用户查询的基础智能体。\n\n### 2. 工具智能体\n了解如何通过工具增强智能体的功能，使其不仅能生成文本，还能执行其他操作。\n\n### 3. LiteLLM 智能体\n展示如何使用 LiteLLM 抽象化 LLM 提供商的细节，并轻松在不同模型之间切换。\n\n### 4. 结构化输出\n学习如何结合 Pydantic 模型与 `output_schema`，以确保您的智能体生成一致且结构化的响应。\n\n### 5. 会话与状态\n理解如何利用会话机制，在多次交互中保持状态和记忆。\n\n### 6. 持久化存储\n学习在会话和应用重启之间持久化存储智能体数据的技术。\n\n### 7. 多智能体系统\n查看如何协调多个专业化的智能体协同工作，以解决复杂任务。\n\n### 8. 带状态的多智能体系统\n构建能够在复杂的多轮对话中维护并更新状态的智能体。\n\n### 9. 回调函数\n实现事件回调，以便实时监控和响应智能体的行为。\n\n### 10. 顺序智能体\n创建流水线式工作流，让智能体按照预定义的顺序处理信息。\n\n### 11. 并行智能体\n利用并行智能体实现并发操作，从而提高效率和性能。\n\n### 12. 循环智能体\n构建能够通过反馈循环迭代优化输出的复杂智能体。\n\n## 官方文档\n\n如需更详细的信息，请参阅 ADK 官方文档：\n- https:\u002F\u002Fgoogle.github.io\u002Fadk-docs\u002Fget-started\u002Fquickstart\n\n## 支持\n\n如果您需要帮助或遇到问题，欢迎加入 Skool 上的免费 AI 开发者加速器社区：\n- [AI 开发者加速器社区](https:\u002F\u002Fwww.skool.com\u002Fai-developer-accelerator\u002Fabout)\n\n在社区中，您将获得：\n- 每周的辅导和支持电话会议\n- YouTube 项目代码的抢先体验\n- 一个由各技能水平的 AI 开发者组成的互助网络\n- 了解这些应用程序背后构建过程的幕后花絮","# Agent Development Kit (ADK) 快速上手指南\n\n本指南旨在帮助开发者快速搭建 Google Agent Development Kit (ADK) 环境并运行基础示例。ADK 是一个用于构建大语言模型（LLM）驱动的智能体（Agent）的强大框架。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：macOS, Linux 或 Windows\n*   **Python 版本**：建议 Python 3.10 或更高版本\n*   **前置依赖**：\n    *   `pip` (Python 包管理工具)\n    *   `venv` (Python 虚拟环境模块，通常随 Python 安装)\n*   **Google Cloud 账号**：需拥有 Google Cloud 账号并获取 API Key（详见安装步骤中的配置部分）。\n\n> **提示**：国内开发者若遇到 `pip install` 下载缓慢的问题，建议使用国内镜像源（如清华源或阿里源）加速安装。\n\n## 安装步骤\n\n### 1. 创建并激活虚拟环境\n\n建议在项目根目录下创建一个统一的虚拟环境，以便管理所有示例的依赖。\n\n```bash\n# 创建虚拟环境\npython -m venv .venv\n\n# 激活虚拟环境\n# macOS\u002FLinux:\nsource .venv\u002Fbin\u002Factivate\n# Windows CMD:\n.venv\\Scripts\\activate.bat\n# Windows PowerShell:\n.venv\\Scripts\\Activate.ps1\n```\n\n### 2. 安装依赖\n\n激活环境后，安装项目所需的依赖包。**推荐使用国内镜像源加速：**\n\n```bash\n# 使用默认源\npip install -r requirements.txt\n\n# 或使用清华镜像源（推荐国内用户）\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 3. 配置 API Key\n\nADK 需要调用 Google AI 服务，因此必须配置 API Key。\n\n1.  访问 [Google Cloud Console](https:\u002F\u002Fcloud.google.com\u002F) 创建新项目。\n2.  前往 [AI Studio API Key 页面](https:\u002F\u002Faistudio.google.com\u002Fapikey) 生成 API Key。\n3.  确保该项目已关联计费账户。\n4.  进入任意一个示例文件夹（例如 `1-basic-agent`），执行以下操作：\n    *   将 `.env.example` 重命名为 `.env`。\n    *   编辑 `.env` 文件，填入您的 API Key：\n\n```env\nGOOGLE_API_KEY=your_api_key_here\n```\n\n> **注意**：每个需要运行的示例文件夹都需要单独进行此配置步骤。\n\n## 基本使用\n\n完成上述配置后，您可以直接运行示例代码来体验 ADK 的功能。以下以\"Basic Agent\"（基础智能体）为例：\n\n1.  **进入示例目录**：\n    ```bash\n    cd 1-basic-agent\n    ```\n    *(注：具体文件夹名称请参考仓库中的 `Examples Overview` 列表)*\n\n2.  **确认配置**：\n    确保当前目录下已存在配置好 `GOOGLE_API_KEY` 的 `.env` 文件。\n\n3.  **运行智能体**：\n    根据该示例目录下的具体脚本名称运行（通常为 `main.py` 或 `app.py`，请以实际文件为准）：\n    ```bash\n    python main.py\n    ```\n\n4.  **交互测试**：\n    程序启动后，您可以在终端输入问题，观察基于 ADK 构建的智能体如何响应。\n\n---\n\n**进阶学习**：\n本项目包含从基础对话、工具调用、多智能体协作到持久化存储等 12 个渐进式示例。您可以依次探索 `2-tool-agent` 至 `12-loop-agent` 目录，深入掌握 ADK 的高级特性。\n\n更多详细文档请访问：[Google ADK Official Docs](https:\u002F\u002Fgoogle.github.io\u002Fadk-docs\u002Fget-started\u002Fquickstart)","某电商初创团队急需构建一个能自动处理退货、查询库存并协调物流的智能客服系统，以应对日益增长的售后咨询量。\n\n### 没有 agent-development-kit-crash-course 时\n- 开发多步骤任务（如“先查库存再发起退货”）时，需手动编写复杂的状态管理代码，难以维持对话上下文，导致用户重复描述问题。\n- 不同大模型供应商的接口差异巨大，切换模型时需重构大量底层代码，缺乏类似 LiteLLM 的统一抽象层。\n- 多个专用代理（如订单代理、物流代理）之间无法高效协同，只能串行硬编码调用，无法实现灵活的并行处理或动态编排。\n- 代理输出的数据格式杂乱无章，缺乏结构化约束，后续对接数据库时常因格式错误导致程序崩溃。\n- 缺乏实时监控机制，当代理陷入死循环或产生异常行为时，开发者无法通过回调及时干预和调试。\n\n### 使用 agent-development-kit-crash-course 后\n- 利用 Sessions 和 Stateful Multi-Agent 示例，轻松实现跨轮次记忆保持，代理能准确理解“刚才那个订单”等上下文指代。\n- 参考 LiteLLM Agent 案例，一键切换底层大模型而不改动业务逻辑，大幅降低试错成本和技术绑定风险。\n- 基于 Multi-Agent 和 Parallel Agent 教程，快速搭建协作网络，让订单与物流代理并行工作，复杂任务处理效率提升数倍。\n- 应用 Structured Outputs 模式，强制代理输出符合 Pydantic 模型的标准化 JSON，确保下游系统数据接入零误差。\n- 集成 Callbacks 机制，实时捕获代理执行轨迹，一旦检测到逻辑闭环或异常立即触发警报，显著提升系统稳定性。\n\nagent-development-kit-crash-course 将原本需要数周摸索的分布式代理架构搭建过程，缩短为几天即可落地的标准化工程实践。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbhancockio_agent-development-kit-crash-course_dd036a99.png","bhancockio","Brandon Hancock (aiwithbrandon)","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fbhancockio_24b6de2c.png","bhancock_ai","https:\u002F\u002Fgithub.com\u002Fbhancockio",[80],{"name":81,"color":82,"percentage":83},"Python","#3572A5",100,858,715,"2026-04-14T03:57:41","Linux, macOS, Windows","未说明",{"notes":90,"python":91,"dependencies":92},"本项目基于 Google Agent Development Kit (ADK)，主要依赖云端 API 而非本地大模型推理，因此无明确 GPU 或显存要求。使用前必须配置 Google Cloud 账号并获取 GOOGLE_API_KEY。每个示例项目需单独将 .env.example 重命名为 .env 并填入 API 密钥。","未说明 (需支持 python -m venv)",[93,94,95,96],"google-adk (隐含)","LiteLLM","Pydantic","python-dotenv",[35,14,13],"2026-03-27T02:49:30.150509","2026-04-18T02:20:45.747542",[],[]]