LLM-Agent-Learning

记录 LLM、Agent 等 AI 相关知识的学习路径与方法，并配套两个可运行的 Agent 框架对照示例。

仓库架构

目录结构

• learn/：学习笔记与精选资料
  • learn/LLMs/：大语言模型相关笔记（如 Anthropic Claude 101）
  • learn/resources.md：学习路线图与资料汇总（持续更新）
• projects/：两个可运行的 Agent 框架对照示例
  • base_chart_langgraph/：基于 LangGraph 的 ReAct chatbot 示例
  • base_workflow_agent/：基于 google-adk 的多阶段 HITL 工作流示例
  • requirements.txt：项目依赖声明
• AGENTS.md：面向协作者 / Agent 的仓库约定
• pyrightconfig.json：Pyright/Pylance 类型检查与虚拟环境配置

示例项目

1. base_chart_langgraph

基于 LangGraph 的 ReAct chatbot 最小示例：

• StateGraph 构建 chatbot ⇄ tools 循环，由 tools_condition 做条件路由
• MemorySaver 提供内存检查点（按 thread_id 维持多轮上下文）
• 内置工具：sum_numbers、get_current_time
• 通过 ChatLiteLLM 接入豆包（火山方舟）模型
• 入口：projects/base_chart_langgraph/agent.py

2. base_workflow_agent

基于 google-adk 的多阶段 Human-in-the-Loop 开发工作流示例：

• 自定义 WorkflowAgent 串联 spec → design → code → test 四个阶段
• 统一聊天输入确认：用户回复 OK 推进下一阶段，给出反馈则带「原始需求 + 上一版产出 + 反馈」重做当前阶段
• 通过 session.state（EventActions.state_delta）持久化流程状态
• LocalFileMemoryService 将记忆落地为本地 JSON 文件，重启不丢失
• 通过 LiteLlm 接入豆包（火山方舟）模型
• 入口：projects/base_workflow_agent/agent.py

环境与运行

要求 Python >=3.12,<3.13。依赖与虚拟环境均位于 projects/ 目录下。

cd projects
python -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt

在 projects/ 下创建 .env 配置模型与密钥：

MODEL_NAME=your-model-name
ARK_API_KEY= your-API-Key

运行示例：

# LangGraph 示例
python base_chart_langgraph/agent.py

# google-adk 工作流示例（通过 ADK CLI）
adk run base_workflow_agent