Top AI Repos — open-source AI, indexed and scored
Top AI Repos tracks AI repositories on GitHub and answers two different questions about each one: is it moving right now, and would you bet a product on it.
Top AI Repos tracks AI repositories on GitHub and answers two different questions about each one: is it moving right now, and would you bet a product on it.
AI agent tutorials for backend developers without AI background. 适合后端工程师的零基础 AI Agent 教程
| Date | Stars |
|---|---|
| 2026-07-31 | 453 |
| 2026-08-05 | 457 |
| 2026-08-06 | 457 |
Today
— stars today
This week
— stars this week
This month
— stars this month
Momentum
0.0
growth rate 0.00%/day
# BabyAgent - 后端工程师的 AI Agent 教学项目 (Go 语言版) 🏠 **项目地址：** https://github.com/baby-llm/baby-agent 🚀 **从后端视角出发，用 Go 语言手写一遍 Agent 框架的关键原理。** 本项目专为没有 LLM 背景但具备基础 Golang 经验的后端工程师设计。我们将跳过复杂的数学推导，优先从工程实现理解核心概念：你会看到每一步为什么这么设计、替代方案是什么、以及它们在真实系统里会遇到哪些坑。 > **重要说明（请先读）** > > - 本项目是**教学仓库**：目标是用可运行的代码把 Agent、Tool Calling、Agent Loop、MCP、Memory、RAG 等机制讲清楚。 > - 本项目**不是**“开箱即用的生产框架”，也**不建议直接用于生产环境的二次开发**。 > - 如果你希望落地到真实业务：这里更适合作为**原理参考 + 原型验证**的起点，你需要根据自己的场景补齐工程化能力与安全边界。 --- ## 🏗 核心技术栈 * **Language:** Go 1.24+ * **LLM Concepts:** Chat Completions API, SSE 流式传输, Function Calling, ReAct Agent Loop * **Advanced AI:** 上下文工程, Memory 系统, Agentic RAG, 技能系统（Skills） * **System Design:** MCP 协议, Guardrails 安全防护, Web 服务化 * **Engineering:** LLM 评测, 可观测性（Trace/Metrics/Log） --- ## 🗺 学习路径图 (按知识循序渐进) 我们将按照"从基础调用到复杂 Agent"的顺序逐步深入，带你完成从零到复杂 Agent 的蜕变。每一阶段都包含可运行的代码示例。 ### 第一章：初识 LLM（Raw HTTP 与 OpenAI SDK） **目标**：拨开 SDK 的迷雾，直视大模型调用的本质。 * **协议本质**：掌握 `chat/completions` 接口的最小化请求和响应结构 * **流式输出解析**：深入了解 SSE（Server-Sent Events）协议，实现"打字机"效果 * **工程实践**：对比 Raw HTTP 和 OpenAI Go SDK 的使用方式 * **LLM 原理**（可选）：Transformer、训练过程、Token 机制、生成原理 ### 第二章：赋予 AI "手脚"（Tool Calling 和 Agent） **目标**：让 LLM 从"只会聊天"升级为"能动手做事"的 Agent。 * **Function Calling 协议**：如何向模型声明工具、如何解析工具调用 * **Agent Loop**：工具调用 → 反馈 → 再推理的闭环流程 * **ReAct/Tool-Loop 原理**：Reason + Act 的思维-行动交替模式 * **本地工具封装**：读取文件、写入文件、编辑文件、执行 shell 命令 * **Chat Template**（可选）：从 API 到模型输入的转换机制 ### 第三章：让 Agent "更能看见"（Reasoning 展示、TUI） **目标**：可视化展示推理与工具调用过程，兼容推理模型。 * **推理字段兼容**：解析流式响应中的 `reasoning_content` 字段 * **TUI 可视化**：使用 Bubble Tea 实现轻量的可视化输出 * **流式输出与 UI 协程**：通过 channel 将增量消息传递给 UI * **推理模型 vs 非推理模型**（可选）：Chat Template 差异、Token 消耗特点 ### 第四章：让 Agent 接入 MCP 生态 **目标**：接入 MCP（Model Context Protocol）工具生态，扩展 Agent 能力。 * **MCP 原理**：Client/Server/Tool 三类角色，解决"模型 × 工具"爆炸组合问题 * **协议交互流程**（可选）：JSON-RPC 2.0、初始化、工具发现、工具调用 * **工具管理**：本地工具与 MCP 工具的无缝共存 * **命名空间化**：避免工具冲突的命名策略 ### 第五章：上下文工程（Context Engineering） **目标**：实现完整的上下文管理策略，在有限窗口内高效运行。 * **上下文窗口问题**：理解多轮对话后的窗口限制、成本增加、性能下降 * **截断策略（Truncation）**：安全删除旧消息，保留最近关键对话 * **卸载策略（Offloading）**：将长消息存储到外部，保留恢复提示 * **摘要策略（Summarization）**：使用 LLM 对历史对话进行压缩 * **策略模式设计**：可扩展、可组合的策略接口 * **策略事件系统**：在 TUI 中实时展示策略执行状态 * **Token 计数**：使用 tiktoken-go 实时计算上下文 token 数量 ### 第六章：记忆机制（Memory System） **目标**：让 Agent 具备长期记忆能力，跨越会话保持上下文连贯性。 * **两层记忆架构**：Global Memory（跨会话）、Workspace Memory（项目级） * **Memory 接口设计**：可插拔的记忆抽象接口 * **LLM 驱动的记忆更新**：使用 LLM 自动提取和更新记忆内容 * **持久化存储机制**：将 Global 和 Workspace 记忆持久化到文件系统 * **记忆事件系统**：在 TUI 中实时展示记忆更新状态 * **System Prompt 集成**：将记忆注入到 System Prompt 中供 LLM 使用 ### 第七章：Agentic RAG（检索增强生成） **目标**：让 Agent 能够自主决策检索时机、查询内容和数量，实现真正的 Agentic RAG。 * **Agentic RAG 概念**：理解 Agent 如何自主决定何时检索、检索什么、检索多少 * **代码索引（Embedding）**：使用 Embedding 模型将代码片段向量化 * **向量存储**：使用 pgvector 存储和检索向量，支持增量更新和去重 * **文档切片策略**：LineChunker 和 ParagraphChunker 两种切分方式 * **召回（Recall）**：基于向量相似度的语义检索 * **重排序（Rerank）**：使用 Rerank 模型对召回结果重新排序 * **搜索工具实现**：Semantic Search Tool 的完整实现 ### 第八章：沙盒与安全防御（Guardrails） **目标**：为 Agent 设计安全防护，防止 AI 执行危险操作。 * **Docker 沙盒隔离**：在容器中运行 bash 命令，自动检测 Docker 并优雅降级 * **人工确认（Human-in-the-loop）**：在执行危险命令前请求用户确认 * **确认状态管理**：Allow/Reject/Always Allow 三种确认选项 * **Context 取消机制**：用户按 ESC 提前终止 Agent Loop ### 第九章：Agent 技能插件（Skills） **目标**：让 Agent 学会在不同场景下使用工具的最佳实践。 * **技能即提示**：技能是描述性文字，指导模型如何使用工具 * **渐进式加载**：元数据注入 system prompt，完整内容按需加载 * **Markdown 技能文件**：使用 YAML front matter + Markdown 正文定义技能 * **技能管理器**：自动发现和加载技能元数据 * **load_skill 工具**：LLM 按需加载完整技能内容 ### 第十章：Web 服务化与 SSE 流式传输 **目标**：将 CLI Agent 剥离 TUI，封装成 HTTP 服务，让浏览器也能像 ChatGPT 一样与 Agent 流式对话。 * **Agent 与传输层解耦**：Agent 内部用 `StreamEvent` channel 输出事件，不感知任何 HTTP 概念；HTTP 层负责把事件转成 SSE 格式推给客户端 * **SSE 流式传输**：Server-Sent Events 服务端实现，Goroutine + Channel 的并发架构 * **会话与消息持久化**：SQLite 存储 Conversation / ChatMessage，`Rounds` 字段序列化完整 LLM 消息 * **树形对话历史**：每条消息记录 `parent_message_id`，`buildHistory` 沿祖先链追溯重建 LLM context ### 第十一章：Agent 可观测性（Obser
Excerpt of 6,494 characters
Read on GitHubWould you bet a product on this? Bounded 0–100 and slow moving.
matched fp:0f25f5dced17d5e4, topic:llm