Hello-Agents — это не очередной ной-код конструктор чат-ботов, а полноценная системная инструкция по тому, как перестать «просить нейросеть помочь с текстом» и начать строить автономные системы, которые думают, планируют и используют инструменты. Открытый курс от китайского сообщества Datawhale, набравший 44 тысячи звёзд на GitHub, обещает провести вас от базовых понятий LLM до построения собственного фреймворка для мульти-агентных приложений. Репозиторий: https://github.com/datawhalechina/hello-agents, официальная читалка: https://hello-agents.datawhale.cc.

Если просто

Представьте, что вы год пользовались ChatGPT, а потом решили: «Хочу, чтобы ИИ сам искал билеты, сравнивал цены и бронировал отели». Вы идёте в Dify или Coze, собираете какой-то воркфлоу, но в какой-то момент упираетесь в стену: агент делает не то, глючит, или вы просто не понимаете, почему он принимает такие решения.

Hello-Agents — это именно то, что помогает понять механику изнутри. Это 16 глав, оформленных как книга с кодом, где вы сначала изучаете паттерны мышления агентов (ReAct, Plan-and-Solve, Reflection — я проверила, это способы заставить модель рассуждать вслух или исправлять свои ошибки), потом пробуете готовые фреймворки вроде LangGraph или AutoGen, а затем — внимание — сами пишете мини-фреймворк с нуля на чистом Python и OpenAI API. Без магии, без чёрных ящиков. Есть PDF для офлайн-чтения, живой сайт для онлайна и папка code/ с возможностью запускать всё локально.

Что это решает

Главная боль сейчас — фрагментация знаний. Вокруг агентов много хайпа, но информация разбита на два полюса: либо «кликни три кнопки в No-Code» (вы не понимаете ограничений), либо научные статьи с математикой обучения с подкреплением (вы не понимаете, как это запустить).

Этот репозиторий закрывает пробел между «пользователем» и «разработчиком». Он объясняет, почему ваш агент «забывает» контекст (тут разбирают Memory и RAG — я погуглила, это когда агент обращается к внешней базе знаний, как к блокноту), как заставить разных агентов договариваться между собой (протоколы MCP и A2A, популярные сейчас в экосистеме Anthropic и Google), и даже как дообучить модель специально для агентных задач (темы SFT и GRPO — это методы тонкой настройки поведения модели).

Как попробовать

Самый быстрый путь — открыть браузерную версию на hello-agents.datawhale.cc (есть зеркало для быстрого доступа из разных регионов). Не нужно ничего устанавливать, чтобы понять структуру.

Если хотите запускать код:

  1. Клонируете репозиторий git clone https://github.com/datawhalechina/hello-agents.git
  2. Смотрите в папку code/ — там примеры к каждой главе
  3. Для глав с 7 по 16 понадобится свой API-ключ OpenAI или совместимый провайдер (они используют именно стандарт OpenAI API для обучающих примеров)
  4. Для продвинутых тем (глава про Agentic-RL) потребуется GPU или доступ к Colab — это уже не «поиграть вечером», а серьёзное машинное обучение

PDF-версию можно скачать из релизов на GitHub — файл с водяным знаком Datawhale, чтобы перекупщики не продавали чужой труд.

3 сценария с примерами

Сценарий 1: Вы разработчик, устали от магии LangChain Задача: понять, почему ваш агент в продакшене принимает странные решения. Применение: проходите главу 4, где руками кодите паттерн ReAct без фреймворков. Пишете цикл «мысль → действие → наблюдение» на чистом Python. Понимаете, что «рассуждение» — это просто особый промпт к API. Результат: можете отлаживать поведение агента без 20 слоёв абстракций сторонней библиотеки.

Сценарий 2: Вы продуктовый менеджер выбираете между Dify и кастомной разработкой Задача: оценить, хватит ли No-Code инструментов для сложного workflow. Применение: читаете главу 5 (низко-кодовые платформы) и главу 7 (создание своего фреймворка). Сравниваете архитектуру. Понимаете, что Dify — это software engineering с LLM как бэкендом, а «настоящий» AI-агент требует контроля над памятью и протоколами. Результат: принимаете взвешенное решение, не переплачивая за ненужную гибкость или, наоборот, не упираясь в ограничения конструктора.

Сценарий 3: Вы студент делаете диплом про мульти-агентные системы Задача: создать симуляцию общества или сложный исследовательский агент. Применение: главы 13–15. Повторяете проект «Cyber Town» (агенты как персонажи игры с собственными целями) или «Deep Research Agent» (автономный исследователь, который ищет, анализирует и пишет отчёты). Используете MCP (Model Context Protocol) для подключения агентов к реальным инструментам — поиску, картам, календарям. Результат: рабочий прототип для демонстрации с понятной архитектурой, а не костыль на коленке.

Где можно застрять

Лицензия стоит как NOASSERTION — это значит, что авторы явно не указали, под какой лицензией MIT/Apache это лежит. Для коммерческого использования кода в своих проектах придётся уточнять у мейнтейнеров или рисковать. 103 открытых issue на момент написания — не критично, но говорят о том, что сообщество активное, и не всё гладко с поддержкой.

Курс китайский по происхождению. Хотя есть английская версия README и главы, некоторые комьюнити-материалы, обсуждения и комментарии в коде — на китайском. Если вы не владеете языком, придётся полагаться на Google Translate в issue и комментариях.

С глава 7 резко повышается порог входа. «Напишите свой фреймворк» — это круто, но требует уверенного знания Python, async/await и понимания HTTP-запросов. Если вы только начали кодить, будет больно. Также раздел про Agentic-RL (глава 11) требует понимания машинного обучения — тут уже не «агенты для чайников», а полноценная работа с моделями.

Кому это нужно

Python-разработчикам, которые чувствуют, что пропускают поезд «агентной эры», но не хотят поверхностных туториалов. Студентам и исследователям, нуждающимся в систематическом понимании архитектур. Техлидам и архитекторам, которые должны выбирать между готовыми решениями (Coze/Dify) и кастомной разработкой — тут дают язык для обоснования решений. И всем, кто хочет перестать бояться терминов вроде «граф состояний» или «протокол MCP» — здесь это разжёвывают на примерах.

Кому это не нужно

Тем, кто ищет «кнопку — получить готового агента». Если вам нужно быстро собрать прототип для демо инвестору и плевать на то, что под капотом — берите n8n илиVoiceflow. Тем, у кого нет базового Python — вы застрянете уже на этапе установки зависимостей. И тем, кто ждёт готового production-ready фреймворка — HelloAgents (их собственный фреймворк для обучения) помечен как учебный, версия 1.0.0, не для продакшена.

Вердикт Веры

Это редкий случай, когда образовательный контент действительно заполняет пустоту. Мне нравится позиция авторов: они честно делят агентов на «software engineering» (где LLM — просто функция в коде) и «AI-native» (где ИИ действительно управляет логикой). Мне нравится, что они заставляют читателя написать свой фреймворк, а не только пользоваться чужим — это как научиться водить, разобрав двигатель.

Но я сомневаюсь в лицензионной чистоте для коммерческого применения — NOASSERTION для проекта с 44к звёзд это странно. И я предупреждаю: это не «прочитал за вечер» материал. Это серьёзный курс, который потребует недель практики. Если вы готовы потратить время, чтобы перестать бояться агентов и начать их проектировать — начните с онлайн-читалки. Если код покажется понятным, качайте PDF и проходите главы по порядку. Не прыгайте сразу к «Cyber Town» — Foundation важен.

Материалы

Похожие материалы