基于 HelloAgents SimpleAgent 构建软件开发学习助手SoftwareDevHelper 的记忆、出题与自动化测试打分全链路设计【免费下载链接】hello-agents 《从零开始构建智能体》——从零开始的智能体原理与实践教程项目地址: https://gitcode.com/datawhalechina/hello-agents导读本文以 Agent_Design.md 设计文档为核心系统拆解 Datawhale《从零开始构建智能体》共创项目 SoftwareDevHelper 的实现。你将看到如何用SimpleAgent 两个自定义工具UserMemoryTool、CodeTestTool完成水平记忆 → 智能出题 → 开发指导 → 自动测试打分 → 反馈更新的学习闭环以及后端 FastAPI、前端多会话界面如何与 HelloAgents 框架无缝衔接。读完即可复刻一套可运行的教-学-练-评智能体系统并理解框架扩展点的底层原理。1. 项目定位与总体设计SoftwareDevHelper 是一个专为软件开发初学者设计的智能学习助手其核心设计目标包括水平评估与记忆识别并持久化用户的编程水平beginner / intermediate / advanced与做题历史实现跨会话的个性化学习智能出题根据记忆中的用户水平动态生成难度适宜的编程题目或从网上搜索真实开发案例开发指导在用户本地开发过程中通过聊天界面提供针对性的代码建议与审查自动化测试与打分接收用户上传的.zip项目压缩包由 LLM 动态编写pytest测试用例自动执行并给出评分与代码审查反馈反馈闭环每次测试完成后更新用户的水平评估与做题记录。整个系统基于HelloAgents框架的SimpleAgent范式构建详见 helper_agent.py架构上采用前后端分离后端为 Python FastAPI 服务前端为原生 HTML JavaScript 的三栏式 Web 界面左侧会话列表、中间聊天区、右侧用户档案技术栈与依赖见 requirements.txt。2. 系统提示词用 Prompt 定义智能体的全部职责智能体的行为和职责由系统提示词严格定义。完整提示词如下与 Agent_Design.md 及源码 helper_agent.py 一致你是一个专业的软件开发学习助手。你的职责是 1. 使用 user_memory 工具了解用户的当前编程水平和历史做题记录。 2. 根据用户水平为他们出适合的编程题目或者从网上搜索真实的开发案例。 3. 在用户开发过程中提供有针对性的建议和指导。 4. 当用户完成开发并上传项目压缩包后你需要 - 仔细分析题目要求。 - 编写严谨的 pytest 测试用例代码。注意用户的代码通常在解压目录的某个子文件夹中如 test-projects/main.py你的测试代码需要能够递归查找 .py 文件并动态导入模块而不是简单地假设代码在当前目录下。可以参考使用 sys.path.insert(0, str(project_root)) 来辅助导入。 - 使用 code_test 工具传入压缩包路径和你的测试代码对用户的项目进行自动化测试。 - 根据测试结果给出最终打分和详细的代码审查反馈。 5. 任务完成后使用 user_memory 工具更新用户的水平评估和做题记录。 请始终保持鼓励和专业的态度。这段提示词的设计要点值得剖析工具先行的记忆获取第 1 条明确要求先调用user_memory工具再作答确保智能体不会在缺乏用户画像的情况下盲目出题测试用例的动态导入要求源码在编写 pytest 测试用例处补充了关键工程细节——用户代码通常位于解压目录的子文件夹如test-projects/main.py因此要求 LLM 生成的测试代码具备递归查找.py文件并动态导入模块的能力并通过sys.path.insert(0, str(project_root))修正模块搜索路径而非假设代码平铺在当前目录鼓励性语气约束末句始终保持鼓励和专业的态度界定了助教的交互风格配合反馈机制中指出优点和改进空间的设计共同营造适合初学者的学习体验。3. 核心工具设计记忆与代码测试该智能体挂载了两个核心自定义工具用于与文件系统、测试环境和记忆库交互。两个工具都在 helper_agent.py 中实现均继承框架的Tool基类框架中Tool基类定义了name、description、run(parameters)、get_parameters()等抽象接口参考实现见 tools/base.py。3.1 UserMemoryTool跨会话的个性化记忆功能管理用户的编程水平和做题历史记录实现跨会话的个性化记忆。参数定义如下参数类型必填说明actionstring✅操作类型可选get读取记忆或update更新记忆levelstring❌用户的新水平评估例如beginner、intermediate、advancedrecordstring❌新完成的题目记录底层实现helper_agent.py将数据持久化到data/user_memory.json文件构造时通过_ensure_memory_file()自动初始化默认记忆{level: beginner, history: []}action get时将整个记忆 JSON 序列化为字符串返回给 LLMaction update时若传入level则覆盖水平字段若传入record则追加到history列表随后写回文件未知的action返回ToolResponse.error为 LLM 提供明确的错误信号。值得说明的是虽然工具的description是获取或更新用户的编程水平和做题记录但系统的另一条记忆入口在 Web 层用户可以在右侧边栏手动修改水平等级对应后端POST /api/user_memory/level也可以一键清空记忆并重置为 beginner对应DELETE /api/user_memory这与工具层形成互补详见 main.py。3.2 CodeTestTool压缩包解压、测试执行与自动打分功能接收用户上传的项目压缩包自动解压运行由 LLM 动态生成的测试代码最后给出评分。参数定义如下参数类型必填说明zip_pathstring✅用户上传的项目压缩包绝对路径test_codestring✅由智能体根据题目要求动态生成的pytest测试代码底层实现helper_agent.py分五步执行清理并创建解压目录先shutil.rmtree删除旧的outputs/extracted再重新创建避免历史残留文件干扰本次测试解压用户代码使用标准库zipfile.ZipFile的extractall解压到目标目录解压失败如损坏的压缩包会返回错误信息写入测试文件将 LLM 生成的test_code写入test_generated.py运行测试使用subprocess.run调用[pytest, test_file_path, -v]指定cwd为解压目录capture_outputTrue捕获标准输出与错误并设置timeout30秒防止测试卡死评分与日志返回根据退出码returncode给出评分——全过为 100 分有失败为 0 分并将完整测试输出日志一并返回给智能体分析。超时subprocess.TimeoutExpired与执行异常也分别返回明确的错误信息。result subprocess.run( [pytest, test_file_path, -v], cwdself.extract_dir, capture_outputTrue, textTrue, timeout30 ) output result.stdout \n result.stderr score 100 if result.returncode 0 else 0 # 简单评分逻辑可根据 pytest 输出优化返回的 JSON 结构为{score: 100/0, test_output: 日志, status: success/failed}其中test_output是 LLM 编写审查反馈的核心依据——它能区分逻辑错误与项目结构错误从而给出更有针对性的修改建议。4. 交互流程从对话到打分的完整工作流设计文档将系统工作流划分为五个阶段源码层面每个阶段都有对应的 API 与数据落点支撑阶段动作关键实现1. 初始化/对话智能体通过UserMemoryTool获取用户水平与历史记录GET /api/user_memory预热前端档案智能体run()时经 ToolRegistry 调度工具2. 出题阶段依据记忆信息生成难度适宜的题目依赖系统提示词第 1、2 条约束无需额外代码3. 开发与指导用户在本地开发聊天界面实时答疑POST /api/chat普通消息通道4. 提交与测试上传.zip→ 后端保存 → 智能体写pytest→ 调用code_testPOST /api/upload_project5. 反馈与更新输出打分与审查报告 → 更新记忆与水平UserMemoryTool.update 前端loadUserMemory()刷新关键衔接点在于上传接口的提示词注入main.pyprompt f用户上传了项目压缩包路径为{file_path}。请根据当前题目要求编写 pytest 测试用例并使用 code_test 工具进行测试打分最后给出反馈并更新用户水平记录。 response agent.run(prompt)后端仅校验扩展名只接受.zip、以uuid重命名保存到outputs/uploads然后把文件绝对路径以用户消息形式交给智能体由 LLM 自主决定如何编写测试、调用工具、汇总打分——这正是 Agent 范式的核心业务编排交由模型决策工具只负责执行确定性操作。5. 前后端集成与多会话管理设计文档要求支持多会话管理、聊天气泡内嵌工具调用可视化控件这两点在 main.py 与 app.js 中均有完整落地。5.1 会话持久化与上下文恢复由于SimpleAgent默认在内存中保存历史后端通过agent_sessions字典为每个session_id缓存独立的 Agent 实例main.py。同时实现稳健的上下文恢复机制每个会话的聊天记录持久化为data/sessions/{session_id}.json包含title、messages、updated_at字段服务重启或刷新页面后get_or_create_agent()会读取会话文件将历史消息逐条恢复为hello_agents.core.message.Message注入agent._history恢复时只恢复纯文本而跳过不完整的tool_calls避免损坏的工具调用记录导致后续大模型请求报错——这是工程实践中一个很实用的细节。5.2 工具调用可视化/api/chat与/api/upload_project在处理请求前后分别记录agent.get_history()的长度从而只遍历本轮新增消息从中提取assistant消息中的tool_calls含工具名、参数 JSON以及对应tool角色的执行结果组装后随响应返回前端main.py。前端 app.js 的addMessage()会为每条工具调用渲染独立的工具调用块展示调用工具名、输入参数JSON 格式化与执行结果让用户在聊天界面中实时看到智能体后台做了什么提升交互透明度。这与设计文档在执行工具操作前智能体会先向用户解释即将进行的操作的反馈机制相呼应。5.3 用户档案侧边栏frontend/templates/index.html 的右侧边栏提供水平选择器beginner / intermediate / advanced、做题记录列表与清空按钮所有改动实时写回后端user_memory.json左侧边栏则展示按更新时间倒序排列的会话列表支持切换、新建与悬停删除。6. 模型与框架配置6.1 模型配置默认使用配置在.env中的大语言模型项目在 README.md 中给出了兼容多种 LLM 的配置示例LLM_API_KEYyour_api_key_here LLM_BASE_URLhttps://api-inference.modelscope.cn/v1/ LLM_MODEL_IDQwen/Qwen2.5-72B-Instruct源码中通过os.environ.get(LLM_MODEL_ID, Qwen/Qwen2.5-72B-Instruct)读取模型 ID 并构造HelloAgentsLLMhelper_agent.py因此同样支持替换为 Gemini 或 Azure OpenAI 等端点。需注意修改.env后uvicorn --reload不会自动监听环境变量变化需手动重启服务详见 README 的常见启动问题。6.2 框架特殊配置禁用 TodoWrite为兼容部分严格校验 JSON Schema 的模型如 Azure/Gemini初始化SimpleAgent时通过Config(todowrite_enabledFalse)禁用了框架内置的 TodoWrite 工具from hello_agents.core.config import Config config Config(todowrite_enabledFalse) return SimpleAgent( nameSoftwareDevHelper, llmllm, system_promptsystem_prompt, tool_registrytool_registry, configconfig )这是典型的**框架默认行为与目标模型约束冲突**的适配案例TodoWrite 工具在大部分模型上提供任务规划能力但其 JSON Schema 声明可能超出部分严格校验模型的能力范围导致请求被拒关闭后由自定义的两个工具承担全部职责保证系统在多种模型后端上开箱即用。从框架的参考实现看Config是统一配置类基于 pydantic支持默认值与类型校验见 core/config.pySimpleAgent在启用工具时会将工具描述拼入系统提示词并循环解析工具调用见 agents/simple_agent.py这也解释了为何本项目的系统提示词如此强调工具使用顺序。7. 快速开始本地运行与体验依据 README.md完整启动流程如下环境要求Python 3.10推荐 Conda 环境安装依赖pip install -r requirements.txt配置 API 密钥复制README.md中的.env示例为.env并填入LLM_API_KEY/LLM_BASE_URL/LLM_MODEL_ID进入项目目录并配置路径确保模块可被导入cd Co-creation-projects/angelen-SoftwareDevHelper export PYTHONPATH$PYTHONPATH:$(pwd)启动 FastAPI 后端uvicorn src.main:app --reload体验项目浏览器访问http://127.0.0.1:8000即可与助手对话、上传.zip项目并接收打分反馈。常见问题排查端口被占用时报[Errno 48] Address already in use可改用--port 8001启动或杀掉占用 8000 端口的进程如lsof -ti :8000 | xargs kill -9。8. 从源码结构看框架扩展点本项目是理解 HelloAgents 框架扩展机制的最佳样本之一。对比 helper_agent.py 与仓库中的框架参考实现可以提炼出三条可复用的扩展规律自定义工具 继承Tool 声明参数 实现run()框架只要求你提供name、description、run(parameters)与get_parameters()见 tools/base.py其余的消息循环、工具调用解析与结果回填全部由SimpleAgent完成工具装配 ToolRegistry注册在get_helper_agent()中tool_registry.register_tool(...)注册两个工具后传给SimpleAgent工具即可被 LLM 感知并调用行为定制 系统提示词 Config提示词定义何时用什么工具Config(todowrite_enabledFalse)定义禁用哪些框架内建能力二者叠加即可快速裁剪出领域专属的 Agent 行为。9. 小结SoftwareDevHelper 用最小化的框架改动两个自定义工具 一段系统提示词 一套 Web 壳实现了完整、可运行的软件开发学习闭环。其设计文档、后端 API、工具实现与前端交互在仓库中一一对应可作为三类读者的学习素材想搭建个性化教学 Agent 的产品开发者参考其记忆机制与交互设计、想扩展 HelloAgents 框架能力的开发者参考其工具与配置扩展写法、想理解 Agent 全链路编排的初学者从系统提示词到工具执行再到反馈更新一步不缺。相关文档与源码索引设计文档 | README含完整运行指南 | 工具与智能体实现 | FastAPI 后端 | 前端页面 | 前端交互逻辑【免费下载链接】hello-agents 《从零开始构建智能体》——从零开始的智能体原理与实践教程项目地址: https://gitcode.com/datawhalechina/hello-agents创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 基于 HelloAgents SimpleAgent 构建软件开发学习助手：SoftwareDevHelper 的记忆、出题与自动化测试打分全链路设计
基于 HelloAgents SimpleAgent 构建软件开发学习助手SoftwareDevHelper 的记忆、出题与自动化测试打分全链路设计【免费下载链接】hello-agents 《从零开始构建智能体》——从零开始的智能体原理与实践教程项目地址: https://gitcode.com/datawhalechina/hello-agents导读本文以 Agent_Design.md 设计文档为核心系统拆解 Datawhale《从零开始构建智能体》共创项目 SoftwareDevHelper 的实现。你将看到如何用SimpleAgent 两个自定义工具UserMemoryTool、CodeTestTool完成水平记忆 → 智能出题 → 开发指导 → 自动测试打分 → 反馈更新的学习闭环以及后端 FastAPI、前端多会话界面如何与 HelloAgents 框架无缝衔接。读完即可复刻一套可运行的教-学-练-评智能体系统并理解框架扩展点的底层原理。1. 项目定位与总体设计SoftwareDevHelper 是一个专为软件开发初学者设计的智能学习助手其核心设计目标包括水平评估与记忆识别并持久化用户的编程水平beginner / intermediate / advanced与做题历史实现跨会话的个性化学习智能出题根据记忆中的用户水平动态生成难度适宜的编程题目或从网上搜索真实开发案例开发指导在用户本地开发过程中通过聊天界面提供针对性的代码建议与审查自动化测试与打分接收用户上传的.zip项目压缩包由 LLM 动态编写pytest测试用例自动执行并给出评分与代码审查反馈反馈闭环每次测试完成后更新用户的水平评估与做题记录。整个系统基于HelloAgents框架的SimpleAgent范式构建详见 helper_agent.py架构上采用前后端分离后端为 Python FastAPI 服务前端为原生 HTML JavaScript 的三栏式 Web 界面左侧会话列表、中间聊天区、右侧用户档案技术栈与依赖见 requirements.txt。2. 系统提示词用 Prompt 定义智能体的全部职责智能体的行为和职责由系统提示词严格定义。完整提示词如下与 Agent_Design.md 及源码 helper_agent.py 一致你是一个专业的软件开发学习助手。你的职责是 1. 使用 user_memory 工具了解用户的当前编程水平和历史做题记录。 2. 根据用户水平为他们出适合的编程题目或者从网上搜索真实的开发案例。 3. 在用户开发过程中提供有针对性的建议和指导。 4. 当用户完成开发并上传项目压缩包后你需要 - 仔细分析题目要求。 - 编写严谨的 pytest 测试用例代码。注意用户的代码通常在解压目录的某个子文件夹中如 test-projects/main.py你的测试代码需要能够递归查找 .py 文件并动态导入模块而不是简单地假设代码在当前目录下。可以参考使用 sys.path.insert(0, str(project_root)) 来辅助导入。 - 使用 code_test 工具传入压缩包路径和你的测试代码对用户的项目进行自动化测试。 - 根据测试结果给出最终打分和详细的代码审查反馈。 5. 任务完成后使用 user_memory 工具更新用户的水平评估和做题记录。 请始终保持鼓励和专业的态度。这段提示词的设计要点值得剖析工具先行的记忆获取第 1 条明确要求先调用user_memory工具再作答确保智能体不会在缺乏用户画像的情况下盲目出题测试用例的动态导入要求源码在编写 pytest 测试用例处补充了关键工程细节——用户代码通常位于解压目录的子文件夹如test-projects/main.py因此要求 LLM 生成的测试代码具备递归查找.py文件并动态导入模块的能力并通过sys.path.insert(0, str(project_root))修正模块搜索路径而非假设代码平铺在当前目录鼓励性语气约束末句始终保持鼓励和专业的态度界定了助教的交互风格配合反馈机制中指出优点和改进空间的设计共同营造适合初学者的学习体验。3. 核心工具设计记忆与代码测试该智能体挂载了两个核心自定义工具用于与文件系统、测试环境和记忆库交互。两个工具都在 helper_agent.py 中实现均继承框架的Tool基类框架中Tool基类定义了name、description、run(parameters)、get_parameters()等抽象接口参考实现见 tools/base.py。3.1 UserMemoryTool跨会话的个性化记忆功能管理用户的编程水平和做题历史记录实现跨会话的个性化记忆。参数定义如下参数类型必填说明actionstring✅操作类型可选get读取记忆或update更新记忆levelstring❌用户的新水平评估例如beginner、intermediate、advancedrecordstring❌新完成的题目记录底层实现helper_agent.py将数据持久化到data/user_memory.json文件构造时通过_ensure_memory_file()自动初始化默认记忆{level: beginner, history: []}action get时将整个记忆 JSON 序列化为字符串返回给 LLMaction update时若传入level则覆盖水平字段若传入record则追加到history列表随后写回文件未知的action返回ToolResponse.error为 LLM 提供明确的错误信号。值得说明的是虽然工具的description是获取或更新用户的编程水平和做题记录但系统的另一条记忆入口在 Web 层用户可以在右侧边栏手动修改水平等级对应后端POST /api/user_memory/level也可以一键清空记忆并重置为 beginner对应DELETE /api/user_memory这与工具层形成互补详见 main.py。3.2 CodeTestTool压缩包解压、测试执行与自动打分功能接收用户上传的项目压缩包自动解压运行由 LLM 动态生成的测试代码最后给出评分。参数定义如下参数类型必填说明zip_pathstring✅用户上传的项目压缩包绝对路径test_codestring✅由智能体根据题目要求动态生成的pytest测试代码底层实现helper_agent.py分五步执行清理并创建解压目录先shutil.rmtree删除旧的outputs/extracted再重新创建避免历史残留文件干扰本次测试解压用户代码使用标准库zipfile.ZipFile的extractall解压到目标目录解压失败如损坏的压缩包会返回错误信息写入测试文件将 LLM 生成的test_code写入test_generated.py运行测试使用subprocess.run调用[pytest, test_file_path, -v]指定cwd为解压目录capture_outputTrue捕获标准输出与错误并设置timeout30秒防止测试卡死评分与日志返回根据退出码returncode给出评分——全过为 100 分有失败为 0 分并将完整测试输出日志一并返回给智能体分析。超时subprocess.TimeoutExpired与执行异常也分别返回明确的错误信息。result subprocess.run( [pytest, test_file_path, -v], cwdself.extract_dir, capture_outputTrue, textTrue, timeout30 ) output result.stdout \n result.stderr score 100 if result.returncode 0 else 0 # 简单评分逻辑可根据 pytest 输出优化返回的 JSON 结构为{score: 100/0, test_output: 日志, status: success/failed}其中test_output是 LLM 编写审查反馈的核心依据——它能区分逻辑错误与项目结构错误从而给出更有针对性的修改建议。4. 交互流程从对话到打分的完整工作流设计文档将系统工作流划分为五个阶段源码层面每个阶段都有对应的 API 与数据落点支撑阶段动作关键实现1. 初始化/对话智能体通过UserMemoryTool获取用户水平与历史记录GET /api/user_memory预热前端档案智能体run()时经 ToolRegistry 调度工具2. 出题阶段依据记忆信息生成难度适宜的题目依赖系统提示词第 1、2 条约束无需额外代码3. 开发与指导用户在本地开发聊天界面实时答疑POST /api/chat普通消息通道4. 提交与测试上传.zip→ 后端保存 → 智能体写pytest→ 调用code_testPOST /api/upload_project5. 反馈与更新输出打分与审查报告 → 更新记忆与水平UserMemoryTool.update 前端loadUserMemory()刷新关键衔接点在于上传接口的提示词注入main.pyprompt f用户上传了项目压缩包路径为{file_path}。请根据当前题目要求编写 pytest 测试用例并使用 code_test 工具进行测试打分最后给出反馈并更新用户水平记录。 response agent.run(prompt)后端仅校验扩展名只接受.zip、以uuid重命名保存到outputs/uploads然后把文件绝对路径以用户消息形式交给智能体由 LLM 自主决定如何编写测试、调用工具、汇总打分——这正是 Agent 范式的核心业务编排交由模型决策工具只负责执行确定性操作。5. 前后端集成与多会话管理设计文档要求支持多会话管理、聊天气泡内嵌工具调用可视化控件这两点在 main.py 与 app.js 中均有完整落地。5.1 会话持久化与上下文恢复由于SimpleAgent默认在内存中保存历史后端通过agent_sessions字典为每个session_id缓存独立的 Agent 实例main.py。同时实现稳健的上下文恢复机制每个会话的聊天记录持久化为data/sessions/{session_id}.json包含title、messages、updated_at字段服务重启或刷新页面后get_or_create_agent()会读取会话文件将历史消息逐条恢复为hello_agents.core.message.Message注入agent._history恢复时只恢复纯文本而跳过不完整的tool_calls避免损坏的工具调用记录导致后续大模型请求报错——这是工程实践中一个很实用的细节。5.2 工具调用可视化/api/chat与/api/upload_project在处理请求前后分别记录agent.get_history()的长度从而只遍历本轮新增消息从中提取assistant消息中的tool_calls含工具名、参数 JSON以及对应tool角色的执行结果组装后随响应返回前端main.py。前端 app.js 的addMessage()会为每条工具调用渲染独立的工具调用块展示调用工具名、输入参数JSON 格式化与执行结果让用户在聊天界面中实时看到智能体后台做了什么提升交互透明度。这与设计文档在执行工具操作前智能体会先向用户解释即将进行的操作的反馈机制相呼应。5.3 用户档案侧边栏frontend/templates/index.html 的右侧边栏提供水平选择器beginner / intermediate / advanced、做题记录列表与清空按钮所有改动实时写回后端user_memory.json左侧边栏则展示按更新时间倒序排列的会话列表支持切换、新建与悬停删除。6. 模型与框架配置6.1 模型配置默认使用配置在.env中的大语言模型项目在 README.md 中给出了兼容多种 LLM 的配置示例LLM_API_KEYyour_api_key_here LLM_BASE_URLhttps://api-inference.modelscope.cn/v1/ LLM_MODEL_IDQwen/Qwen2.5-72B-Instruct源码中通过os.environ.get(LLM_MODEL_ID, Qwen/Qwen2.5-72B-Instruct)读取模型 ID 并构造HelloAgentsLLMhelper_agent.py因此同样支持替换为 Gemini 或 Azure OpenAI 等端点。需注意修改.env后uvicorn --reload不会自动监听环境变量变化需手动重启服务详见 README 的常见启动问题。6.2 框架特殊配置禁用 TodoWrite为兼容部分严格校验 JSON Schema 的模型如 Azure/Gemini初始化SimpleAgent时通过Config(todowrite_enabledFalse)禁用了框架内置的 TodoWrite 工具from hello_agents.core.config import Config config Config(todowrite_enabledFalse) return SimpleAgent( nameSoftwareDevHelper, llmllm, system_promptsystem_prompt, tool_registrytool_registry, configconfig )这是典型的**框架默认行为与目标模型约束冲突**的适配案例TodoWrite 工具在大部分模型上提供任务规划能力但其 JSON Schema 声明可能超出部分严格校验模型的能力范围导致请求被拒关闭后由自定义的两个工具承担全部职责保证系统在多种模型后端上开箱即用。从框架的参考实现看Config是统一配置类基于 pydantic支持默认值与类型校验见 core/config.pySimpleAgent在启用工具时会将工具描述拼入系统提示词并循环解析工具调用见 agents/simple_agent.py这也解释了为何本项目的系统提示词如此强调工具使用顺序。7. 快速开始本地运行与体验依据 README.md完整启动流程如下环境要求Python 3.10推荐 Conda 环境安装依赖pip install -r requirements.txt配置 API 密钥复制README.md中的.env示例为.env并填入LLM_API_KEY/LLM_BASE_URL/LLM_MODEL_ID进入项目目录并配置路径确保模块可被导入cd Co-creation-projects/angelen-SoftwareDevHelper export PYTHONPATH$PYTHONPATH:$(pwd)启动 FastAPI 后端uvicorn src.main:app --reload体验项目浏览器访问http://127.0.0.1:8000即可与助手对话、上传.zip项目并接收打分反馈。常见问题排查端口被占用时报[Errno 48] Address already in use可改用--port 8001启动或杀掉占用 8000 端口的进程如lsof -ti :8000 | xargs kill -9。8. 从源码结构看框架扩展点本项目是理解 HelloAgents 框架扩展机制的最佳样本之一。对比 helper_agent.py 与仓库中的框架参考实现可以提炼出三条可复用的扩展规律自定义工具 继承Tool 声明参数 实现run()框架只要求你提供name、description、run(parameters)与get_parameters()见 tools/base.py其余的消息循环、工具调用解析与结果回填全部由SimpleAgent完成工具装配 ToolRegistry注册在get_helper_agent()中tool_registry.register_tool(...)注册两个工具后传给SimpleAgent工具即可被 LLM 感知并调用行为定制 系统提示词 Config提示词定义何时用什么工具Config(todowrite_enabledFalse)定义禁用哪些框架内建能力二者叠加即可快速裁剪出领域专属的 Agent 行为。9. 小结SoftwareDevHelper 用最小化的框架改动两个自定义工具 一段系统提示词 一套 Web 壳实现了完整、可运行的软件开发学习闭环。其设计文档、后端 API、工具实现与前端交互在仓库中一一对应可作为三类读者的学习素材想搭建个性化教学 Agent 的产品开发者参考其记忆机制与交互设计、想扩展 HelloAgents 框架能力的开发者参考其工具与配置扩展写法、想理解 Agent 全链路编排的初学者从系统提示词到工具执行再到反馈更新一步不缺。相关文档与源码索引设计文档 | README含完整运行指南 | 工具与智能体实现 | FastAPI 后端 | 前端页面 | 前端交互逻辑【免费下载链接】hello-agents 《从零开始构建智能体》——从零开始的智能体原理与实践教程项目地址: https://gitcode.com/datawhalechina/hello-agents创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考