📖 关于本课程

你是否曾梦想过打造属于自己的 AI 驱动游戏？现在，准备好踏上一段激动人心的旅程吧！我们将把游戏开发的乐趣与前沿的 AI 技术完美结合！

欢迎来到 PhiloAgents（由 Decoding ML 和 The Neural Maze 联合推出）——在这里，古老哲学与现代 AI 相遇。在本实践型课程中，你将构建一个 AI 代理模拟引擎，让历史上的哲学家们在一个互动式游戏环境中栩栩如生。想象一下，你可以与柏拉图深入对话、与亚里士多德探讨伦理问题，甚至与图灵本人讨论人工智能！

通过 6 个全面的模块，你将学会：

• 创建能够真实体现历史哲学家特质的 AI 代理
• 掌握构建智能代理应用的技巧
• 从零开始设计并实现一套生产级的 RAG、LLM 和 LLMOps 系统

🎮 PhiloAgents 体验：你将完成的任务：

将静态 NPC 转化为动态 AI 人格，使其能够：

• 构建一个基于 AI 代理和 LLM 的游戏角色模拟引擎，用于扮演柏拉图、亚里士多德和图灵等历史哲学家。
• 设计生产级的智能代理 RAG 系统。
• 将该代理部署为 RESTful API。
• 应用 LLMOps 和软件工程的最佳实践。
• 使用行业工具：Groq、MongoDB、Opik、LangGraph、LangChain、FastAPI、Websockets、Docker 等。

完成本课程后，你将拥有属于自己的智能代理模拟引擎，正如下方视频所示：

---

📬 保持更新 加入 The Neural Maze，学习如何从原理到生产落地，构建真正可用的 AI 系统。每周三直接发送到你的邮箱，千万不要错过！

📬 保持更新 加入 Decoding ML，获取关于如何运用软件工程和 MLOps 最佳实践来设计、编码及部署生产级 AI 系统的实用内容，助你成功上线 AI 应用。每周一次，直接送达你的收件箱。

🎯 你将学到什么

在构建 PhiloAgents 模拟引擎的过程中，你将掌握以下技能：

• 使用 LangGraph 构建智能代理

  • 代理开发与编排
  • RAG 智能通信模式
  • 通过提示工程实现角色扮演（柏拉图、亚里士多德、图灵）

• 创建生产级 RAG 系统

  • 向量数据库集成
  • 基于维基百科和斯坦福哲学百科全书构建知识库
  • 高级信息检索技术

• 系统架构设计

  • 端到端设计（UI → 后端 → 代理 → 监控）
  • 使用 FastAPI 和 Docker 部署 RESTful API
  • 通过 WebSockets 实现实时通信

• 实现高级代理功能

  • 利用 MongoDB 实现短期与长期记忆
  • 动态对话处理
  • 实时响应生成

• 熟练掌握行业工具与实践

  • 与 Groq、MongoDB、Opik 的集成
  • 现代 Python 工具链（uv、ruff）
  • LangChain 和 LangGraph 生态系统
  • 在 GroqCloud 上利用 LLM 进行高速推理

• 应用 LLMOps 最佳实践

  • 自动化代理评估
  • 提示监控与版本管理
  • 评估数据集生成

🥷 到课程结束时，你将成为生产级 AI 代理开发领域的高手！

👥 谁适合参加？

本课程专为边学边做的人士设计。 完成课程后，你将获得自己的代码模板，并从中汲取灵感，进一步开发属于自己的智能代理应用。

目标受众	参加理由
机器学习/AI 工程师	构建生产级智能代理应用（超越笔记本教程）。
数据/软件工程师	设计端到端智能代理应用。
数据科学家	运用 LLMOps 和 SWE 最佳实践，实现生产级智能代理系统。

🎓 先决条件

类别	要求
技能	- Python（初级） - 机器学习、LLM、RAG（初级）
硬件	现代笔记本电脑/台式机（我们将使用 Groq 和 OpenAI 的 API 来调用我们的 LLM）
水平	初级到中级

💰 成本结构

本课程为开源且完全免费！ 您可以不使用任何高级的LLMOps功能，以零成本运行模拟引擎。

如果您选择端到端地运行整个系统（这是可选的），云端工具的最大成本约为1美元：

服务	预计最高成本
Groq的API	$0
OpenAI的API（可选）	~$1

在第5模块（可选模块）中，我们使用OpenAI的API作为“LLM即裁判”来评估我们的智能体。而在课程的其余部分，我们则使用Groq的API，该API提供免费层级。

只是阅读材料？全部都是免费的！

🥂 开源课程：参与开放且免费

作为一门开源课程，您无需注册即可参与。所有内容均为自定进度学习，完全免费，并且相关资源均可自由访问，包括：

• 代码：本GitHub仓库
• 视频：The Neural Maze
• 文章：Decoding ML

视频和文章互为补充，建议两者都浏览以获得完整的学习体验。

📚 课程大纲

本开源课程由6个全面的模块组成，涵盖理论、系统设计和动手实践。

阅读此文以快速了解每个模块将学习的内容。

我们建议您按照以下步骤充分利用本课程：

1. 克隆仓库。
2. 阅读相关资料（视频和文章相辅相成，建议两者都看以获得完整理解）。
3. 搭建代码环境并运行，复现我们的结果。
4. 深入研究代码，理解实现细节。

模块	文字教程	视频教程	描述	运行代码
0		无视频	快速概述各模块的学习内容。	无代码
1			构架您的游戏模拟AI PhiloAgent。	无代码
2			使用代理式RAG在LangGraph中构建PhiloAgent。	philoagents-api
3			通过实现短期和长期记忆组件，完善我们的代理式RAG层。	philoagents-api
4			将智能体暴露为RESTful API（FastAPI + Websockets）。	philoagents-api
5			RAG智能体的可观性（LLMOps的一部分）：评估智能体、提示监控、提示版本控制等。	philoagents-api
6		无视频	像专业人士一样组织Python项目。现代Python工具链。Docker配置。	philoagents-api

如果您足够勇敢，还有一门时长2小时30分钟的视频课程，我们将所有视频教程整合成一堂课。

---

📬 保持更新 加入The Neural Maze，从原理到生产，学习如何构建真正可用的AI系统。每周三直接发送到您的邮箱。不要错过！

📬 保持更新 加入Decoding ML，获取关于使用软件工程和MLOps最佳实践设计、编码和部署生产级AI系统的可靠内容，助您成功交付AI应用。每周直接发送到您的邮箱。

🏗️ 项目结构

在构建PhiloAgents模拟引擎的过程中，我们将依赖两个独立的应用程序：

.
├── philoagents-api/     # 包含PhiloAgents模拟引擎的后端API（Python）
└── philoagents-ui/      # 游戏前端UI（Node）

本课程将仅关注包含所有智能体模拟逻辑的philoagents-api应用。philoagents-ui应用则用于进行游戏体验。

👔 数据集

为了使我们的哲学家智能体具备现实世界的知识，我们将用以下数据填充其长期记忆：

• 维基百科
• 斯坦福哲学百科全书

您无需显式下载任何内容。在填充长期记忆时，philoagents-api应用会自动从互联网上下载所需数据。

🚀 入门

详细的设置和使用说明请参阅 INSTALL_AND_USAGE.md 文件。

实用小贴士： 建议先阅读配套文章，以便更好地理解您将构建的系统。

💡 问题与故障排除

遇到问题或疑问？我们随时为您提供帮助！

请在 GitHub 问题 中提交：

• 关于课程内容的问题
• 技术故障排除
• 概念澄清

🥂 贡献

作为一门开源课程，我们可能无法修复所有出现的 bug。

如果您发现了 bug 并且知道如何解决，请通过贡献您的修复来支持未来的读者。

您可以随时通过以下方式做出贡献：

• 分支仓库
• 修复 bug
• 创建拉取请求

📍 更多详情，请参阅贡献指南。

我们衷心感谢您对 AI 社区和未来读者的支持 🤗

赞助商

核心贡献者

Paul Iusztin AI/ML 工程师

Miguel Otero Pedrido AI/ML 工程师

许可证

本项目采用 MIT 许可证授权——详细信息请参阅 LICENSE 文件。

---

📬 保持更新 加入 The Neural Maze，从原理到生产环境，学习如何构建真正可用的 AI 系统。每周三直接发送到您的邮箱，千万不要错过！

ǭ 保持更新 加入 Decoding ML，获取经过验证的内容，学习如何运用软件工程和 MLOps 最佳实践来设计、编码并部署生产级 AI 系统，助力您成功交付 AI 应用。每周一次，直接发送到您的邮箱。

PhiloAgents Course 快速上手指南

本指南将帮助你快速搭建一个由 AI 驱动的哲学家游戏模拟引擎。通过本课程，你将学习如何使用 LangGraph、RAG 和 LLMOps 技术构建生产级的智能体应用。

环境准备

在开始之前，请确保你的开发环境满足以下要求：

系统要求

• 操作系统：Windows, macOS 或 Linux
• 硬件：现代笔记本电脑或台式机（无需本地 GPU，推理将调用云端 API）
• Python 版本：建议 Python 3.10+

前置技能

• 基础 Python 编程能力
• 对机器学习、LLM 和 RAG 有初步了解

账号与依赖

你需要准备以下服务的访问凭证（大部分有免费额度）：

1. Groq API Key：用于高速 LLM 推理（主要使用，免费）。
2. OpenAI API Key（可选）：仅在第 5 模块用于评估代理（"LLM-as-a-judge"），预计成本约 $1。
3. MongoDB Atlas：用于存储短期和长期记忆（免费层可用）。
4. Opik（可选）：用于 LLMOps 监控和评估。

提示：本项目推荐使用现代 Python 工具链 uv 进行依赖管理，它比传统 pip 更快。

安装步骤

1. 克隆项目代码

首先，将开源仓库克隆到本地：

git clone https://github.com/decodingml/philoagents-course.git
cd philoagents-course

2. 安装依赖

项目推荐使用 uv 进行环境管理和依赖安装。如果你尚未安装 uv，可以先安装它，然后运行：

# 使用 uv 同步环境并安装依赖
uv sync

如果没有安装 uv，也可以使用标准的 pip 方式（需确保已激活虚拟环境）：

python -m venv .venv
source .venv/bin/activate  # Windows: .venv\Scripts\activate
pip install -r requirements.txt

3. 配置环境变量

在项目根目录下创建 .env 文件，并填入你的 API 密钥和数据库连接信息：

cp .env.example .env

编辑 .env 文件，填入以下内容：

GROQ_API_KEY=your_groq_api_key
OPENAI_API_KEY=your_openai_api_key # 可选，用于评估模块
MONGODB_URI=your_mongodb_connection_string
OPIK_API_KEY=your_opik_api_key # 可选，用于监控

4. 初始化数据（RAG 知识库）

根据课程模块（Module 2 & 3），你需要构建包含哲学家知识（如维基百科、斯坦福哲学百科）的向量数据库。具体脚本通常位于 philoagents-api 目录中，请参照各模块的详细文档运行数据摄入脚本。

基本使用

完成安装和配置后，你可以启动后端服务来体验哲学家模拟引擎。

启动 API 服务

进入 API 目录并启动 FastAPI 服务：

cd philoagents-api
uvicorn main:app --reload --host 0.0.0.0 --port 8000

测试交互

服务启动后，你可以通过 WebSocket 或 REST API 与哲学家智能体进行对话。

简单的 curl 测试示例（REST API）：

curl -X POST "http://localhost:8000/chat" \
     -H "Content-Type: application/json" \
     -d '{
           "message": "你好，苏格拉底。什么是智慧？",
           "philosopher": "Socrates"
         }'

WebSocket 连接： 由于项目强调实时通信，推荐使用支持 WebSocket 的客户端（如 Postman 或前端界面）连接到 ws://localhost:8000/ws 以获得流式回复体验。

下一步

现在你已经成功运行了基础引擎。建议按照课程大纲（Module 1 至 Module 6）逐步深入：

1. 阅读 Decoding ML 上的配套文章。
2. 观看 The Neural Maze 的视频教程。
3. 深入代码实现记忆模块、部署优化及 LLMOps 监控功能。