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.
100 天搞定 Agent 开发
| Date | Stars |
|---|---|
| 2026-07-31 | 605 |
| 2026-08-06 | 627 |
| 2026-08-14 | 653 |
| 2026-08-18 | 659 |
| 2026-08-19 | 660 |
| 2026-08-20 | 662 |
| 2026-08-21 | 663 |
| 2026-08-24 | 669 |
| 2026-08-25 | 671 |
| 2026-08-26 | 673 |
| 2026-08-27 | 674 |
| 2026-08-28 | 675 |
| 2026-08-29 | 678 |
| 2026-08-30 | 681 |
| 2026-08-31 | 686 |
| 2026-09-01 | 689 |
| 2026-09-02 | 693 |
| 2026-09-03 | 696 |
| 2026-09-04 | 697 |
| 2026-09-05 | 702 |
| 2026-09-06 | 703 |
| 2026-09-07 | 707 |
| 2026-09-08 | 711 |
| 2026-09-09 | 712 |
| 2026-09-10 | 712 |
| 2026-09-11 | 713 |
| 2026-09-12 | 716 |
| 2026-09-14 | 719 |
| 2026-09-15 | 725 |
| 2026-09-16 | 727 |
| 2026-09-17 | 730 |
| 2026-09-18 | 731 |
| 2026-09-19 | 733 |
| 2026-09-20 | 736 |
| 2026-09-21 | 739 |
| 2026-09-22 | 740 |
| 2026-09-23 | 743 |
| 2026-09-24 | 744 |
| 2026-09-25 | 746 |
| 2026-09-26 | 747 |
| 2026-09-28 | 748 |
| 2026-09-29 | 750 |
| 2026-09-30 | 753 |
| 2026-10-01 | 754 |
| 2026-10-02 | 755 |
| 2026-10-03 | 754 |
| 2026-10-04 | 755 |
| 2026-10-05 | 756 |
| 2026-10-07 | 758 |
| 2026-10-08 | 759 |
| 2026-10-09 | 762 |
| 2026-10-10 | 766 |
| 2026-10-11 | 769 |
| 2026-10-12 | 773 |
| 2026-10-13 | 778 |
| 2026-10-14 | 778 |
| 2026-10-15 | 780 |
| 2026-10-16 | 781 |
| 2026-10-17 | 782 |
| 2026-10-19 | 786 |
| 2026-10-20 | 788 |
| 2026-10-21 | 787 |
| 2026-10-22 | 789 |
| 2026-10-23 | 788 |
| 2026-10-24 | 791 |
| 2026-10-26 | 793 |
| 2026-10-27 | 793 |
| 2026-10-28 | 796 |
| 2026-10-29 | 797 |
| 2026-10-30 | 800 |
| 2026-11-04 | 800 |
Today
— stars today
This week
+4 stars this week
This month
+44 stars this month
Momentum
0.0
growth rate 0.50%/day
# 🚀 100 天搞定 Agent 开发
> **一条从理解 LLM 本质，到构建可控 Agent 系统的工程化学习路径**
2025 年，是 Agent 真正开始爆发的一年。它不再只是 Demo、Prompt 技巧或能力展示，而是被放进真实业务系统中，开始承担明确职责，也开始暴露真实问题。
我从 **2024 年** 开始做 LLM 和 Agent 相关项目，有过几次真正落地的，也有不少因为**方向判断失误、工程复杂度失控**而中途终止的项目。
过程中踩过不少坑，有一些比较简单，比如
- 阿里云百炼接口处理用参数 temperature 控制输出，最好再加上`seed`参数以便于结果复现。
- 部分推理模型调用时要加 extra_body 传参{"enable_thinking": true}才能真正让它进行推理。
- `langchain_openai` 默认会吞掉 `reasoning_content`，导致收不到推理过程的内容，可以通过猴子补丁的方式修复。
还有一些比较复杂，是架构设计和能力边界的问题，比如
- **把 Prompt 当成逻辑层使用**
一开始为了省事，把判断条件、分支选择、状态切换全写进 Prompt。
Prompt 越写越长，也越来越“聪明”，但问题也随之出现：
很难调试、很难复现，任何一句话的微调，都可能引发完全不同的行为。
到后面你会发现，系统不是坏在模型能力上，而是坏在**逻辑藏在自然语言里，没人能真正控制它**。
- **工具列表失控，模型不知道该用什么**
工具越加越多，却缺少清晰的边界和分工。
对模型来说，这不是“能力增强”，而是决策负担：
相似功能的工具混在一起，调用条件模糊，
有时选错工具，有时干脆不用工具，行为看起来像“随机发挥”。
问题不在模型，而在于**你并没有真正告诉它：什么时候该用、什么时候不该用**。
- **没有给 Agent 设定清晰的能力上限**
一些本就不适合模型判断的问题，被强行交给模型处理；
一些本该由人介入兜底的灰色区间，被乐观地当成“可以自动化”。
在小规模测试时，这类问题很难暴露，
但一旦进入真实场景，失败会成批出现，而且往往是**系统性失败**，不是修几个 Prompt 就能解决的。
在不断失败、复盘、修正的过程中，我开始系统性地整理这些经验，并借助 AI 一起校对认知与表达，逐步沉淀出了这份 **《100 天搞定 Agent 开发》**。
它一方面是我自己的**工程笔记和认知复盘**，另一方面，也希望能为正在或准备进入 Agent 开发的工程师，**少走一些我已经走过的弯路**。
整个路径中，大量内容基于真实工程实践，配合主流开源框架的实战，包括但不限于：**LangChain、LangGraph、Gradio、Agno、Mem0、Vanna、Langfuse** 等。
整个学习路径结构大致如下：
- **Week 1–2**：先从 LLM 的底层原理出发， 随后通过一个完整的实战项目，开发一个**带 UI、支持多模态和深度思考的英语学习 Agent**，建立对 Agent 的整体认知。
- **Week 3–7**：深入学习 Agent 的各个关键组成， Prompt 工程、工具调用、RAG、上下文工程、记忆系统。
- **Week 8–11**： 关注 Agent 开发与传统软件开发**真正不同的地方**，以及常见的 Agent 模式。
- **Week 12–15**：通过多个综合项目，把前面的模块与模式串起来，从“能写 Demo”，走向“能支撑复杂系统”。
## 👥 适合谁
- 有编程基础，想系统性进入 **Agent / AI 工程** 的开发者
- 用过 LLM / LangChain，但感觉「越写越乱」的人
- 关心 **可维护、可演进 Agent 架构** 的工程师 / 架构师
## 🤝 开源共建
这是一个持续演进的项目，结论来自真实实践，也欢迎被修正。
👉 欢迎 **Issue / Fork / PR / Contribute**
**如果你也准备在 2026 年做 Agent，希望这个 repo 能对你有帮助。**
## 🛠️ 环境配置
> 本教程文档，默认运行在 **Python + Jupyter Notebook** 环境中
### 1. 安装依赖并配置环境变量
a.安装 uv
```bash
pip install uv
```
b.在项目根目录执行按照依赖：
```bash
uv sync
```
c.环境变量配置
```env
cp .env.example .env
```
在 .env 文件中配置自己的 API Key
### 2.启动 Jupyter Notebook
```bash
uv run jupyter notebook
```
成功启动后打开浏览器进行访问即可，默认地址为 `http://localhost:8888`
## 🧭 教程目录
## Week 1 ｜ LLM 基础入门
#### 本周目标
> **建立对大语言模型的“第一性理解”：**
>
> - 模型在“算什么”，而不是“看起来会什么”
> - 为什么它能表现出类智能行为
> - 为什么它天然不稳定、不可控、但又非常有用
### **Day 1 ｜[大语言模型到底在干什么](./week1/01.大语言模型到底在干什么.ipynb)**
#### 学习内容
- 什么是 LLM（大语言模型）
- 「预测下一个 token」的真实含义
- 为什么一个“预测器”能产生看起来像智能的行为
### **Day 2 ｜ [Token、Embedding 与向量空间](./week1/02.Token、Embedding与向量空间.ipynb)**
#### 学习内容
- 什么是 Token，为什么 LLM 的基本单位是 Token
- Embedding 是什么，它解决了什么问题
- 相似性、类比、联想在向量空间中如何体现
### **Day 3 ｜ [Transformer：模型的计算引擎](./week1/03.Transformer.ipynb)**
#### 学习内容
- 为什么 RNN 不够用，Transformer 出现的背景
- Self-Attention 在“算什么”
- Layer 在模型中承担的角色
### **Day 4 ｜[从训练到推理：模型是怎么“学会语言”的](./week1/04.从训练到推理.ipynb)**
#### 学习内容
- 预训练阶段模型在做什么
- 训练过程是怎样的
- 训练阶段 vs 推理阶段
### **Day 5 ｜[概率、随机性与不稳定性](./week1/05.概率、随机性与不稳定性.ipynb)**
#### 学习内容
- 为什么同一个问题多次询问会得到不同答案
- temperature 等参数
- LLM 擅长什么，不擅长什么
### **Day 6 ｜[一次 LLM API 调用，到底发生了什么？](./week1/06.一次%20LLM%20API%20调用，到底发生了什么.ipynb)**
#### 学习内容
- 核心要素
- 一次完整调用过程说明
- 一次调用中的“可控点”与“不可控点”
### **Day 7 ｜[思考 & 补充学习资料](./week1/07.思考%20&%20补充学习资料.md)**
#### 反思问题
- LLM 在回答问题时，它真的“理解”了吗？
- 模型输出的一句话，本质上是什么？
- 为什么模型“会在常识问题上犯低级错误”？
## Week 2 ｜基于 LangChain + Gradio 的对话 Agent 实战
#### 本周目标
> 基于 Langchain 和 Gradio 动手实现一个**英语学习 Agent**
### **Day 8 ｜[用 LLM 生成英文学习内容](./week2/08.用LLM生成英文学习内容.md)**
#### 学习内容
- 了解 LangChain
- 调用 LLM 生成英语文本，如简单句子、段落、词汇解释
### **Day 9 ｜ [前端交互](./week2/09.前端交互.md)**
#### 学习内容
- 了解 Gradio
- 基于 Gradio 实现英语学习界面
- 通过界面与 Agent 进行交互
### **Day 10 ｜[多轮对话](./week2/10.多轮对话.md)**
#### 学习内容
- 构建对话型 Agent，可连续辅导用户写作
- 保存上下文，逐轮提供修改建议
### **Day 11 ｜[流式生成](./week2/11.流式生成.md)**
#### 学习内容
- 支持流式生成英语内容
- 提升交互体验
### **Day 12 ｜[多模态](./week2/12.多模态.md)**
#### 学习内容
- 支持语音输入和图片输入
- 实现英语听力、阅读辅助
### **Day 13 ｜[深度思考](./week2/13.深度思考.md)**
#### 学习内容
- 实现作文评分、复杂阅读理解分析
- 引导模型进行 chain-of-thought 生成
### **Day 14 ｜[思考 & 补充学习资料](./week2/14.思考%20&%20补充学习资料.md)*Excerpt of 22,590 characters
Read on GitHub
70
Imgbot · Imgbot · United States
4
2
Would you bet a product on this? Bounded 0–100 and slow moving.
matched fp:c640f451512b389f, llm:Repository title/description: 'Agent-100-Days' and '100 天搞定 Agent 开发' (Chinese for '100 days to master Agent development') — implies tutorials/projects about building agents.