本项目是 Google Kaggle 5-Day AI Agents Course 的本地化重构版本。在保证内容与原课程尽量保持一致的前提下，使用通用的 LangChain 框架进行改写，可以在本地运行。
原始的 Kaggle 课程依赖于 Google ADK (Agent Development Kit) 和特定的 Kaggle Notebook 环境。本项目的目的是脱离平台依赖，使用通用的 LangChain 框架在本地实现所有课程内容，为没有Gemini API Key 和 Kaggle 账号的用户提供了便利。
如果你想查看原版课程，请访问：Google 5-Day AI Agents Course
本课程选用了 ModelScope 和 Tavily 作为 API 服务，它们都提供了免费调用额度。如果你有自己的 API Key 或者本地部署的 LLM，可以替换 .env 文件中的相应字段。
本项目默认使用 ModelScope (魔搭社区) 提供的 Serverless API，特别是 Qwen (通义千问) 系列模型。
- 推荐模型:
Qwen/Qwen3-235B-A22B-Instruct-2507(或其他 Qwen2.5/Qwen-Max 系列) - 申请地址: ModelScope 灵积模型服务
- 配置: 获取 Access Token 后，填入
.env文件的OPENAI_API_KEY字段，并将OPENAI_API_BASE设置为 ModelScope 的端点（通常是https://api-inference.modelscope.cn/v1）。
本项目使用 Tavily 作为 Agent 的联网搜索工具（替代原课程中使用的 google_search 工具）。Tavily 是专为 AI Agent 设计的搜索引擎，返回结果更适合 LLM 处理，更关键的是它提供免费调用额度
- 申请地址: Tavily 官网
- 配置: 注册后获取 API Key，填入
.env文件的TAVILY_API_KEY字段。
项目根目录下提供了 .env 配置文件模板，主要参数说明如下：
# === LLM Model Configuration ===
MODEL_NAME="Qwen/Qwen3-235B-A22B-Instruct-2507" # 模型名称ID
OPENAI_API_KEY=ms-xxxxxxxxxxxx # ModelScope的API Token
OPENAI_API_BASE=https://api-inference.modelscope.cn/v1 # API调用地址
# === Tool Configuration ===
TAVILY_API_KEY="tvly-xxxxxxxxxxxx" # Tavily搜索API Key
# === Optional Parameters ===
EXTRA_BODY={"enable_thinking": false} # 可选：传递给模型的额外参数(JSON格式)本项目推荐使用 uv 进行高效的 Python 依赖管理。
在终端中执行以下命令来创建和激活虚拟环境：
# 创建虚拟环境（首次执行即可）
uv venv
# 激活环境 (Mac/Linux)
source .venv/bin/activate
# Windows 用户请使用: .venv\Scripts\activate
# 安装项目依赖（首次执行即可）
uv pip install -r requirements.txt为了在 Jupyter Notebook 中正确运行代码，请创建一个专用的 Python 内核：
# 安装内核工具（首次执行即可）
uv pip install ipykernel
# 注册名为 "5-DAY-AGENTS" 的内核（首次执行即可）
python -m ipykernel install --user --name=5-DAY-AGENTS --display-name "Python (5-DAY-AGENTS)"使用方法：打开任意 .ipynb 文件后，点击右上角的 Kernel 选择器，选择 Python (5-DAY-AGENTS)。
本项目包含 5 天的课程内容，所有代码均已适配本地运行：
- Day 1a: From Prompt to Action (
day1a/)- 构建你的第一个 Agent，学习 ReAct 模式（推理+行动），并使用工具进行网络搜索。
- Day 1b: Agent Architectures (
day1b/)- 探索多 Agent 协作系统，掌握 顺序 (Sequential)、并行 (Parallel) 和 循环 (Loop) 三种核心工作流。
- Day 2a: Agent Tools (
day2a/)- 学习如何将自定义 Python 函数封装为工具，并赋予 Agent 编写和执行代码的能力。
- Day 2b: Tool Best Practices (
day2b/)- 集成外部标准工具 (MCP) 以及处理 Human-in-the-Loop (人机交互) 场景。
- Day 3a: Agent Sessions (
day3a/)- 管理短期会话记忆 (Short-term Memory)，利用数据库持久化对话状态。
- Day 3b: Agent Memory (
day3b/)- 构建长期记忆 (Long-term Memory) 系统，让 Agent 能够存储和检索跨会话的关键信息。
- Day 4a: Observability (
day4a/)- 了解如何通过日志 (Logs) 和追踪 (Traces) 来调试 Agent 的行为。
- Day 4b: Evaluation (
day4b/)- 建立评估数据集，使用 LLM-as-a-Judge 模式对 Agent 的表现进行自动化打分。
- Day 5a: Agent2Agent Communication (
day5a/)- Agent 互联: 将 Agent 部署为服务 (LangServe)，并实现 Agent 之间的远程调用与协作。
- 来源: 本项目内容改编自 Google 的开源教程，仅供学习和研究使用。
- 框架: 原教程使用 Google ADK，本项目将其移植到了 LangChain 生态。
- 模型: 代码默认配置为兼容 OpenAI 接口的模型（可使用 DeepSeek, Qwen 等），你需要自行准备 API Key。
如有问题，欢迎提交 Issue 反馈！
- 原课程内容: 版权归 Google 及 Kaggle 所有，基于 Apache 2.0 License 许可。
- 改编代码: 本项目的 LangChain 重构代码及新的说明文档，同样遵循 Apache 2.0 License 开源。