[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-huggingface--agents-course":3,"tool-huggingface--agents-course":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},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",140436,2,"2026-04-05T23:32:43",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},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。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":80,"owner_location":80,"owner_email":80,"owner_twitter":76,"owner_website":81,"owner_url":82,"languages":83,"stars":92,"forks":93,"last_commit_at":94,"license":95,"difficulty_score":96,"env_os":97,"env_gpu":97,"env_ram":97,"env_deps":98,"category_tags":104,"github_topics":105,"view_count":111,"oss_zip_url":80,"oss_zip_packed_at":80,"status":16,"created_at":112,"updated_at":113,"faqs":114,"releases":145},2496,"huggingface\u002Fagents-course","agents-course","This repository contains the Hugging Face Agents Course. ","agents-course 是由 Hugging Face 推出的一门系统化开源课程，旨在帮助学习者从零开始掌握 AI Agent（智能体）的开发与应用。这门课程并非单一的软件工具，而是一套结构完整的学习路径，涵盖了从理论基础到实战落地的全过程。\n\n在当前的 AI 浪潮中，许多开发者虽然熟悉大语言模型的基本对话功能，但在构建能够自主规划、调用工具并执行复杂任务的“智能体”时往往感到无从下手。agents-course 正是为了解决这一痛点而生，它清晰地拆解了智能体的核心概念，并提供了主流开发框架的实操指南，帮助用户跨越从理论到工程实现的鸿沟。\n\n课程内容非常适合 AI 开发者、研究人员以及希望深入理解 Agent 技术的学生使用。无论你是初学者还是有一定基础的工程师，都能从中受益。课程分为四个主要单元：首先介绍智能体与大模型的基础知识；接着深入讲解三大主流框架——轻量级的 smolagents、擅长数据索引的 LlamaIndex 以及适合生产级应用的 LangGraph，甚至包含针对函数调用进行模型微调的进阶内容；随后探讨基于智能体的检索增强生成（Agentic RAG）用例；最后通","agents-course 是由 Hugging Face 推出的一门系统化开源课程，旨在帮助学习者从零开始掌握 AI Agent（智能体）的开发与应用。这门课程并非单一的软件工具，而是一套结构完整的学习路径，涵盖了从理论基础到实战落地的全过程。\n\n在当前的 AI 浪潮中，许多开发者虽然熟悉大语言模型的基本对话功能，但在构建能够自主规划、调用工具并执行复杂任务的“智能体”时往往感到无从下手。agents-course 正是为了解决这一痛点而生，它清晰地拆解了智能体的核心概念，并提供了主流开发框架的实操指南，帮助用户跨越从理论到工程实现的鸿沟。\n\n课程内容非常适合 AI 开发者、研究人员以及希望深入理解 Agent 技术的学生使用。无论你是初学者还是有一定基础的工程师，都能从中受益。课程分为四个主要单元：首先介绍智能体与大模型的基础知识；接着深入讲解三大主流框架——轻量级的 smolagents、擅长数据索引的 LlamaIndex 以及适合生产级应用的 LangGraph，甚至包含针对函数调用进行模型微调的进阶内容；随后探讨基于智能体的检索增强生成（Agentic RAG）用例；最后通过一个带有基准测试的最终项目，让学员亲手创建、测试并评估自己的智能体。\n\n其独特的技术亮点在于不仅覆盖了广泛的生态系统，还特别强调了可观测性与评估方法，这是构建可靠 AI 应用的关键。通过结合理论讲解与代码实践，agents-course 为想要进入 Agent 开发领域的专业人士提供了一条清晰、高效且免费的学习通道。","# \u003Ca href=\"https:\u002F\u002Fhf.co\u002Flearn\u002Fagents-course\" target=\"_blank\">The Hugging Face Agents Course\u003C\u002Fa>\n\nIf you like the course, **don't hesitate to ⭐ star this repository**. This helps us to **make the course more visible 🤗**.\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhuggingface_agents-course_readme_fb956eeb458b.gif\" alt=\"Star the repo\" \u002F>\n\n## Content\n\nThe course is divided into 4 units. These will take you from **the basics of agents to a final assignment with a benchmark**.\n\nSign up here (it's free) 👉 \u003Ca href=\"https:\u002F\u002Fbit.ly\u002Fhf-learn-agents\" target=\"_blank\">https:\u002F\u002Fbit.ly\u002Fhf-learn-agents\u003C\u002Fa>\n\nYou can access the course here 👉 \u003Ca href=\"https:\u002F\u002Fhf.co\u002Flearn\u002Fagents-course\" target=\"_blank\">https:\u002F\u002Fhf.co\u002Flearn\u002Fagents-course\u003C\u002Fa>\n\n| Unit    | Topic                                                                                                          | Description                                                                                                                            |\n|---------|----------------------------------------------------------------------------------------------------------------|----------------------------------------------------------------------------------------------------------------------------------------|\n| 0       | [Welcome to the Course](https:\u002F\u002Fhuggingface.co\u002Flearn\u002Fagents-course\u002Fen\u002Funit0\u002Fintroduction)                      | Welcome, guidelines, necessary tools, and course overview.                                                                             |\n| 1       | [Introduction to Agents](https:\u002F\u002Fhuggingface.co\u002Flearn\u002Fagents-course\u002Fen\u002Funit1\u002Fintroduction)                     | Definition of agents, LLMs, model family tree, and special tokens.                                                                     |\n| 1 Bonus | [Fine-tuning an LLM for Function-calling](https:\u002F\u002Fhuggingface.co\u002Flearn\u002Fagents-course\u002Fbonus-unit1\u002Fintroduction) | Learn how to fine-tune an LLM for Function-Calling                                                                                     |\n| 2       | [Frameworks for AI Agents](https:\u002F\u002Fhuggingface.co\u002Flearn\u002Fagents-course\u002Funit2\u002Fintroduction)                      | Overview of `smolagents`, `LangGraph` and `LlamaIndex`.                                                                                |\n| 2.1     | [The Smolagents Framework](https:\u002F\u002Fhuggingface.co\u002Flearn\u002Fagents-course\u002Funit2\u002Fsmolagents\u002Fintroduction)           | Learn how to build effective agents using the `smolagents` library, a lightweight framework for creating capable AI agents.            |\n| 2.2     | [The LlamaIndex Framework](https:\u002F\u002Fhuggingface.co\u002Flearn\u002Fagents-course\u002Funit2\u002Fllama-index\u002Fintroduction)          | Learn how to build LLM-powered agents over your data using indexes and workflows using the `LlamaIndex` toolkit.                       |\n| 2.3     | [The LangGraph Framework](https:\u002F\u002Fhuggingface.co\u002Flearn\u002Fagents-course\u002Funit2\u002Flanggraph\u002Fintroduction)             | Learn how to build production-ready applications using the `LangGraph` framework giving you control tools over the flow of your agent. |\n| 2 Bonus | [Observability and Evaluation](https:\u002F\u002Fhuggingface.co\u002Flearn\u002Fagents-course\u002Fbonus-unit2\u002Fintroduction)            | Learn how to trace and evaluate your agents.                                                                                           |\n| 3       | [Use Case for Agentic RAG](https:\u002F\u002Fhuggingface.co\u002Flearn\u002Fagents-course\u002Funit3\u002Fagentic-rag\u002Fintroduction)          | Learn how to use Agentic RAG to help agents respond to different use cases using various frameworks.                                                                   |\n| 4       | [Final Project - Create, Test and Certify Your Agent](https:\u002F\u002Fhuggingface.co\u002Flearn\u002Fagents-course\u002Funit4\u002Fintroduction)          | Automated evaluation of agents and leaderboard with student results.                                                                   |\n| 3 Bonus | [Agents in Games with Pokemon](https:\u002F\u002Fhuggingface.co\u002Flearn\u002Fagents-course\u002Fbonus-unit3\u002Fintroduction)            | Explore the exciting intersection of AI Agents and games.        |\n                                                                                   \n## Prerequisites\n\n- Basic knowledge of Python\n- Basic knowledge of LLMs\n\n## Contribution Guidelines\n\nIf you want to contribute to this course, you're welcome to do so. Feel free to open an issue or join the discussion in the [Discord](https:\u002F\u002Fdiscord.gg\u002FUrrTSsSyjb). For specific contributions, here are some guidelines:\n\n### Small typo and grammar fixes\n\nIf you find a small typo or grammar mistake, please fix it yourself and submit a pull request. This is very helpful for students.\n\n### New unit\n\nIf you want to add a new unit, **please create an issue in the repository, describe the unit, and why it should be added**. We will discuss it and if it's a good addition, we can collaborate on it.\n\n## Citing the project\n\nTo cite this repository in publications:\n\n```bibtex\n@misc{agents-course,\n  author = {Burtenshaw, Ben and Thomas, Joffrey and Simonini, Thomas and Paniego, Sergio},\n  title = {The Hugging Face Agents Course},\n  year = {2025},\n  howpublished = {\\url{https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fagents-course}},\n  note = {GitHub repository},\n}\n```\n","# \u003Ca href=\"https:\u002F\u002Fhf.co\u002Flearn\u002Fagents-course\" target=\"_blank\">Hugging Face 代理课程\u003C\u002Fa>\n\n如果你喜欢这门课程，**请毫不犹豫地为本仓库 ⭐ 加星**。这将帮助我们 **让课程更加显眼 🤗**。\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhuggingface_agents-course_readme_fb956eeb458b.gif\" alt=\"Star the repo\" \u002F>\n\n## 课程内容\n\n本课程共分为 4 个单元，将带你从 **代理的基础知识逐步深入，直至完成带有基准测试的最终项目**。\n\n立即注册（免费）👉 \u003Ca href=\"https:\u002F\u002Fbit.ly\u002Fhf-learn-agents\" target=\"_blank\">https:\u002F\u002Fbit.ly\u002Fhf-learn-agents\u003C\u002Fa>\n\n你也可以在这里访问课程 👉 \u003Ca href=\"https:\u002F\u002Fhf.co\u002Flearn\u002Fagents-course\" target=\"_blank\">https:\u002F\u002Fhf.co\u002Flearn\u002Fagents-course\u003C\u002Fa>\n\n| 单元    | 主题                                                                                                          | 描述                                                                                                                            |\n|---------|----------------------------------------------------------------------------------------------------------------|----------------------------------------------------------------------------------------------------------------------------------------|\n| 0       | [欢迎来到课程](https:\u002F\u002Fhuggingface.co\u002Flearn\u002Fagents-course\u002Fen\u002Funit0\u002Fintroduction)                      | 欢迎词、学习指南、所需工具及课程概览。                                                                             |\n| 1       | [代理简介](https:\u002F\u002Fhuggingface.co\u002Flearn\u002Fagents-course\u002Fen\u002Funit1\u002Fintroduction)                     | 代理的定义、大语言模型、模型家族树以及特殊标记。                                                                     |\n| 1 补充 | [针对函数调用的 LLM 微调](https:\u002F\u002Fhuggingface.co\u002Flearn\u002Fagents-course\u002Fbonus-unit1\u002Fintroduction) | 学习如何对 LLM 进行微调以支持函数调用                                                                                     |\n| 2       | [AI 代理框架](https:\u002F\u002Fhuggingface.co\u002Flearn\u002Fagents-course\u002Funit2\u002Fintroduction)                      | `smolagents`、`LangGraph` 和 `LlamaIndex` 的概述。                                                                                |\n| 2.1     | [Smolagents 框架](https:\u002F\u002Fhuggingface.co\u002Flearn\u002Fagents-course\u002Funit2\u002Fsmolagents\u002Fintroduction)           | 学习如何使用 `smolagents` 库构建高效的代理，该库是一个轻量级框架，用于创建功能强大的 AI 代理。            |\n| 2.2     | [LlamaIndex 框架](https:\u002F\u002Fhuggingface.co\u002Flearn\u002Fagents-course\u002Funit2\u002Fllama-index\u002Fintroduction)          | 学习如何利用索引和工作流，结合 `LlamaIndex` 工具包，在你的数据基础上构建由 LLM 驱动的代理。                       |\n| 2.3     | [LangGraph 框架](https:\u002F\u002Fhuggingface.co\u002Flearn\u002Fagents-course\u002Funit2\u002Flanggraph\u002Fintroduction)             | 学习如何使用 `LangGraph` 框架构建生产级应用，为你提供对代理流程的精细控制工具。 |\n| 2 补充 | [可观测性与评估](https:\u002F\u002Fhuggingface.co\u002Flearn\u002Fagents-course\u002Fbonus-unit2\u002Fintroduction)            | 学习如何追踪和评估你的代理。                                                                                           |\n| 3       | [代理式 RAG 的应用场景](https:\u002F\u002Fhuggingface.co\u002Flearn\u002Fagents-course\u002Funit3\u002Fagentic-rag\u002Fintroduction)          | 学习如何利用代理式 RAG，借助不同框架帮助代理应对各种应用场景。                                                                   |\n| 4       | [最终项目——创建、测试并认证你的代理](https:\u002F\u002Fhuggingface.co\u002Flearn\u002Fagents-course\u002Funit4\u002Fintroduction)          | 代理的自动化评估以及包含学员成果的排行榜。                                                                   |\n| 3 补充 | [基于宝可梦的游戏中的代理](https:\u002F\u002Fhuggingface.co\u002Flearn\u002Fagents-course\u002Fbonus-unit3\u002Fintroduction)            | 探索 AI 代理与游戏之间令人兴奋的交叉领域。        |\n                                                                                   \n## 先决条件\n\n- 基础的 Python 知识\n- 对大语言模型的基本了解\n\n## 贡献指南\n\n如果你想为本课程贡献力量，欢迎随时参与！你可以随时提交问题或加入 [Discord](https:\u002F\u002Fdiscord.gg\u002FUrrTSsSyjb) 社区进行讨论。对于具体的贡献，以下是一些指导原则：\n\n### 小错误修正与语法校正\n\n如果你发现小的拼写或语法错误，请自行修复并提交拉取请求。这对学员来说非常有帮助。\n\n### 新增单元\n\n如果你想添加一个新的单元，**请先在仓库中创建一个问题，详细描述该单元及其添加理由**。我们会进行讨论，如果认为合适，便可共同协作完成。\n\n## 引用本项目\n\n如需在出版物中引用本仓库，请使用以下 BibTeX 格式：\n\n```bibtex\n@misc{agents-course,\n  author = {Burtenshaw, Ben and Thomas, Joffrey and Simonini, Thomas and Paniego, Sergio},\n  title = {The Hugging Face Agents Course},\n  year = {2025},\n  howpublished = {\\url{https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fagents-course}},\n  note = {GitHub repository},\n}\n```","# Hugging Face Agents Course 快速上手指南\n\n本课程旨在帮助开发者从基础概念到实战应用，全面掌握 AI Agent（智能体）的开发。以下是快速开始学习的步骤。\n\n## 环境准备\n\n在开始课程之前，请确保满足以下前置条件：\n\n*   **基础知识**：具备 Python 编程基础，并对大型语言模型（LLMs）有基本了解。\n*   **系统要求**：能够运行 Python 环境的操作系统（Windows\u002FmacOS\u002FLinux）。\n*   **必要工具**：\n    *   Python 3.8+\n    *   Git（用于克隆仓库或参与贡献）\n    *   浏览器（用于访问在线课程内容）\n\n## 安装与访问步骤\n\n本课程主要为在线交互式学习，无需安装复杂的本地软件包即可开始阅读和学习。\n\n1.  **注册课程（免费）**\n    点击以下链接完成注册，以获取完整的学习体验和进度追踪：\n    [https:\u002F\u002Fbit.ly\u002Fhf-learn-agents](https:\u002F\u002Fbit.ly\u002Fhf-learn-agents)\n\n2.  **访问课程主页**\n    直接进入学习平台开始阅读单元内容：\n    [https:\u002F\u002Fhf.co\u002Flearn\u002Fagents-course](https:\u002F\u002Fhf.co\u002Flearn\u002Fagents-course)\n\n3.  **获取源代码（可选）**\n    如果你希望查看课程相关的代码示例或参与贡献，可以克隆本仓库：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fagents-course.git\n    cd agents-course\n    ```\n\n4.  **安装特定框架依赖（按需）**\n    在学习第 2 单元时，你将接触到不同的 Agent 框架。根据你选择的框架，在本地环境中安装相应的库：\n\n    *   **Smolagents**:\n        ```bash\n        pip install smolagents\n        ```\n    *   **LlamaIndex**:\n        ```bash\n        pip install llama-index\n        ```\n    *   **LangGraph**:\n        ```bash\n        pip install langgraph\n        ```\n\n## 基本使用\n\n课程的核心在于通过四个单元逐步构建知识体系。你可以按照以下路径进行学习：\n\n1.  **入门与基础 (Unit 0 & 1)**\n    *   访问 [Unit 0: Welcome to the Course](https:\u002F\u002Fhuggingface.co\u002Flearn\u002Fagents-course\u002Fen\u002Funit0\u002Fintroduction) 了解课程大纲。\n    *   学习 [Unit 1: Introduction to Agents](https:\u002F\u002Fhuggingface.co\u002Flearn\u002Fagents-course\u002Fen\u002Funit1\u002Fintroduction)，掌握 Agent 定义、LLM 家族及特殊 Token 的概念。\n    *   *(进阶)* 尝试 [Bonus Unit 1](https:\u002F\u002Fhuggingface.co\u002Flearn\u002Fagents-course\u002Fbonus-unit1\u002Fintroduction) 学习如何为 Function-calling 微调 LLM。\n\n2.  **选择框架进行实战 (Unit 2)**\n    根据你的需求选择一个框架进行深入实践：\n    *   **轻量级开发**: 学习 [Smolagents Framework](https:\u002F\u002Fhuggingface.co\u002Flearn\u002Fagents-course\u002Funit2\u002Fsmolagents\u002Fintroduction)。\n    *   **数据驱动开发**: 学习 [LlamaIndex Framework](https:\u002F\u002Fhuggingface.co\u002Flearn\u002Fagents-course\u002Funit2\u002Fllama-index\u002Fintroduction)。\n    *   **生产级流程控制**: 学习 [LangGraph Framework](https:\u002F\u002Fhuggingface.co\u002Flearn\u002Fagents-course\u002Funit2\u002Flanggraph\u002Fintroduction)。\n\n3.  **高级应用与项目 (Unit 3 & 4)**\n    *   探索 [Agentic RAG 用例](https:\u002F\u002Fhuggingface.co\u002Flearn\u002Fagents-course\u002Funit3\u002Fagentic-rag\u002Fintroduction)，学习如何让 Agent 结合检索增强生成技术回答问题。\n    *   完成 [最终项目](https:\u002F\u002Fhuggingface.co\u002Flearn\u002Fagents-course\u002Funit4\u002Fintroduction)，创建、测试你的 Agent 并查看基准测试排名。\n\n> **提示**：在学习过程中，如果遇到拼写错误或语法问题，欢迎直接在 GitHub 仓库中提交 Pull Request 进行修正。如有新单元建议，请先创建 Issue 进行讨论。","某初创公司的后端工程师李明，需要为公司内部知识库构建一个能自动查询文档并执行简单数据操作的智能助手，但他对 AI Agent 的架构设计缺乏系统经验。\n\n### 没有 agents-course 时\n- **技术选型迷茫**：面对 LangChain、LlamaIndex 等众多框架，李明不清楚何时该用轻量级的 `smolagents`，何时该用控制力更强的 `LangGraph`，导致在原型阶段反复重构代码。\n- **概念理解碎片化**：对于“函数调用（Function Calling）”和“代理循环（Agent Loop）”等核心机制仅有一知半解，调试时经常陷入死循环或工具调用失败，却找不到根本原因。\n- **缺乏评估标准**：开发出的 Agent 表现不稳定，有时回答准确，有时胡乱编造。由于不懂如何设置观测点（Observability）和评估指标，李明无法量化改进效果，只能靠肉眼测试。\n- **RAG 实现简陋**：传统的检索增强生成（RAG）流程僵化，无法根据用户意图动态调整检索策略，导致复杂查询的准确率极低。\n\n### 使用 agents-course 后\n- **精准框架匹配**：通过 Unit 2 的学习，李明根据业务复杂度，迅速决定使用 `smolagents` 快速验证想法，并在生产环境中迁移至 `LangGraph` 以精细控制工作流，开发效率提升显著。\n- **系统化知识构建**：Unit 1 和 Bonus 单元让他深入理解了 LLM 模型家族及微调技巧，能够从容处理特殊 Token 和函数调用错误，调试时间大幅缩短。\n- **建立评估体系**：借助 Bonus Unit 2 的内容，他引入了追踪和评估工具，能够清晰看到 Agent 的思考路径，并通过自动化基准测试（Benchmark）持续优化性能。\n- **进阶 Agentic RAG**：Unit 3 教会他构建动态的 Agentic RAG 系统，Agent 能自主判断是否需要检索、检索哪些内容，显著提升了复杂问题的回答质量。\n\nagents-course 不仅提供了从理论到实战的完整路径，更通过标准化的框架对比与评估方法，帮助开发者避坑增效，快速构建出可信赖的生产级 AI 应用。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhuggingface_agents-course_99a8613e.png","huggingface","Hugging Face","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fhuggingface_90da21a4.png","The AI community building the future.",null,"https:\u002F\u002Fhuggingface.co\u002F","https:\u002F\u002Fgithub.com\u002Fhuggingface",[84,88],{"name":85,"color":86,"percentage":87},"MDX","#fcb32c",99.7,{"name":89,"color":90,"percentage":91},"Python","#3572A5",0.3,27501,1973,"2026-04-03T02:01:27","Apache-2.0",1,"未说明",{"notes":99,"python":97,"dependencies":100},"该仓库为 Hugging Face Agents 课程的教学资料，主要包含文档和教程链接。前置要求具备 Python 基础和 LLM 基础知识。具体的代码运行环境需求需参考课程中各个单元（如 smolagents, LangGraph, LlamaIndex）的具体 notebook 或子项目说明。",[101,102,103],"smolagents","LangGraph","LlamaIndex",[15,13,14,26],[106,107,108,76,109,110,101],"agentic-ai","agents","course","langchain","llamaindex",7,"2026-03-27T02:49:30.150509","2026-04-06T09:44:34.114207",[115,120,125,130,135,140],{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},11513,"获取第一模块证书时出现“检查认证状态出错”怎么办？","该问题通常是由于服务端临时故障引起的，目前已被修复。如果仍然遇到问题，可以尝试使用以下专用链接重新参加测验（注意题目可能有所变化）：https:\u002F\u002Fagents-course-unit-1-quiz.hf.space","https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fagents-course\u002Fissues\u002F197",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},11514,"运行 Unit 1 代码时遇到“Endpoint is paused”或 BadRequestError 错误如何解决？","这通常是因为 Hugging Face 的推理端点暂时不可用或过载。维护者已更新相关课程内容以修复此问题。请确保你使用的是最新版本的课程内容和 Notebook：\n1. 课程内容页：https:\u002F\u002Fhuggingface.co\u002Flearn\u002Fagents-course\u002Funit1\u002Fdummy-agent-library\n2. Notebook 地址：https:\u002F\u002Fhuggingface.co\u002Fagents-course\u002Fnotebooks\u002Fblob\u002Fmain\u002Funit1\u002Fdummy_agent_library.ipynb","https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fagents-course\u002Fissues\u002F568",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},11515,"在 Unit 2.2 LlamaIndex 组件实验中遇到 ModuleNotFoundError 导入错误怎么办？","这是因为库的导入路径发生了变化。旧的导入路径 `llama_index.embeddings.huggingface_api` 已不再适用。\n请改用新的导入路径：\n`from llama_index.embeddings.huggingface import HuggingFaceInferenceAPIEmbedding`\n或者使用：\n`from llama_index.embeddings.huggingface import HuggingFaceEmbedding`\n维护者已更新了相关的 Google Colab Notebook，建议重新加载最新的 Notebook 版本。","https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fagents-course\u002Fissues\u002F294",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},11516,"文档中的参考链接点击后无法正常工作怎么办？","这可能是 Hugging Face 网站处理链接跳转时的临时问题。你可以尝试以下方法：\n1. 不要直接左键点击，而是右键点击链接选择“在新标签页中打开”。\n2. 如果仍然无效，可能是链接已更新，请刷新页面或检查是否有最新的课程更新，维护者通常会修复失效链接。","https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fagents-course\u002Fissues\u002F258",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},11517,"如何参与课程的翻译工作（例如翻译成韩语、意大利语等）？","欢迎社区贡献翻译。如果你想开始翻译工作，可以参考以下步骤：\n1. 在 `units\u002F` 目录下创建对应语言代码的文件夹（例如 `units\u002Fko` 代表韩语）。\n2. 添加 `_toctree.yml` 文件以配置目录结构。\n3. 建议在 GitHub Issues 中先搜索或创建一个新 Issue（如 #157），告知维护者你的计划，以便协调工作并获取具体的翻译指南。","https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fagents-course\u002Fissues\u002F148",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},11518,"发现课程文档中有拼写错误或语法错误，该如何反馈？","你可以直接在 GitHub 上提交 Issue 报告错误。对于图片资源的修改，需要注意图片存储在单独的数据集仓库中（https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fagents-course\u002Fcourse-images\u002F），而不是主代码库。如果可能，维护者更欢迎用户直接提交 Pull Request (PR) 来修复这些简单的文本错误。","https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fagents-course\u002Fissues\u002F112",[]]