智能人工智能掌握：从基础到多智能体编排🚀
欢迎来到 智能人工智能掌握 仓库！该项目是构建自主AI代理的全面路线图和实践实施指南。它追踪了从简单的基于反射的系统到当今生产中使用的复杂多智能体框架的旅程。
🌟 概述
此存储库专为希望掌握 代理工作流我们构建的系统不是仅仅“提示”LLM，而是LLM充当“大脑”，可以推理、使用工具并与其他代理协作解决复杂任务。
______________________________________________________________________
🗺️ 学习路线图
存储库的结构遵循逻辑学习路径：
1.基础代理架构
01_Simple_Reflex_Agent：感知动作循环的基础知识没有内部状态。02_Goal_Based_Agent：为实现特定目标而行动的代理人。03_Learning_Agent：根据反馈随着时间的推移提高性能的系统。
2.现代代理框架
04_LangGraph：使用循环图构建有状态的多代理应用程序（LangChain）。05_CrewAI：角色扮演、协作的多智能体系统，像一个高绩效团队一样工作。06_Agno (Phidata)：构建具有记忆、知识和工具的人工智能助理。08_AutoGen：微软的多代理对话和复杂任务解决框架。
3.高级集成
07_MCP (Model Context Protocol)：实施将人工智能模型连接到数据源和工具的最新标准。00_DEMO1：真实世界的应用程序演示（例如，使用Gemini的医学图像分析）。
______________________________________________________________________
🛠️ 技术栈
- 语言： python🐍
- 框架： CrewAI、LangGraph、Agno、AutoGen
- 模型： 谷歌双子座，OpenAI GPT-4，人类克劳德
- 协议： MCP（模型上下文协议）
- UI： Streamlit（用于演示）
______________________________________________________________________
🚀 入门指南
- 克隆仓库：
git clone https://github.com/SanjayBukka/Agentic-AI-Mastery.git
cd Agentic-AI-Mastery- 设置环境变量：
创建 .env 文件并添加您的API密钥：
GOOGLE_API_KEY=your_key_here
OPENAI_API_KEY=your_key_here
ANTHROPIC_API_KEY=your_key_here- 探索模块：
每个文件夹都包含一个特定的实现。导航到一个文件夹并遵循本地README（如果可用）或运行Python脚本。
______________________________________________________________________
📈 为什么选择人工智能？
传统的人工智能是一种单轮交互。 AI 代理 是迭代的。它允许：
- 推理： 先思考后行动。
- 工具使用： 与API、数据库和Web搜索交互。
- 协作： 多个专门从事不同任务的代理（例如，一个研究员代理和一个作家代理）。
______________________________________________________________________
👤 作者
桑杰·布卡
- github： @桑贾伊·布卡
- 重点：人工智能工程、多智能体系统和LLM编排。
______________________________________________________________________
*如果您觉得此路线图有用，请随时⭐ 仓库！*