NirDiamant/agents-towards-production · 上手攻略

仓库：NirDiamant/agents-towards-production
链接：https://github.com/NirDiamant/agents-towards-production
分类：ai
作者：Tom
更新：2026-07-13

这是什么

NirDiamant/agents-towards-production 是一个端到端、代码优先的 GenAI Agent 生产化教程仓库，由 AI 教育博主 Nir Diamant 维护（LinkedIn 粉丝众多，RAG Techniques Newsletter 作者）。目前收录 28 个生产级教程，覆盖从原型到企业级部署的完整链路。

每个教程都是独立文件夹，包含可运行的 Notebook 或代码文件，涵盖：状态化工作流、向量记忆、实时网络搜索、Docker 部署、FastAPI 接口、安全护栏、GPU 扩缩容、多 Agent 协作、可观测性、评估、UI 开发等全栈主题。

解决什么问题

把 GenAI Agent 从「能跑 demo」变成「能上生产」——这是业界最普遍的痛点。具体解决了：

不知从何入手：网上多数教程停在 Prompt 层面，没有完整链路
缺安全护栏：生产环境需要防 Prompt 注入、OAuth2 鉴权、人在回路审批
缺可观测性：Agent 行为不透明，出了 Bug 无法追踪
缺多框架经验：LangGraph、LangChain、Koai（Kotlin）等各自怎么选

快速安装

# 克隆仓库
git clone https://github.com/NirDiamant/agents-towards-production.git
cd agents-towards-production

# 进入具体教程目录，例如多工具 Agent
cd tutorials/agentic-applications-by-xpander.ai
pip install -r requirements.txt

# 运行 Notebook 探索
jupyter notebook tutorial.ipynb

# 或直接跑生产脚本
python app.py

依赖说明：不同教程依赖不同（Python 生态为主），建议使用虚拟环境：

python -m venv .venv
source .venv/bin/activate  # Linux/macOS
# 或 .venv\Scripts\activate  # Windows

核心用法

1. 按主题选教程

仓库按能力模块组织，选自己需要的即可，无需全量安装：

教程	用途
`tutorials/LangGraph-agent`	用 LangGraph 构建状态化多步 Agent
`tutorials/fastapi-agent`	把 Agent 部署为 FastAPI 接口
`tutorials/agent-memory-with-redis`	Redis 实现双内存（短期+长期）
`tutorials/agent-with-tavily-web-access`	接入 Tavily 实时网络搜索
`tutorials/docker-intro`	Docker 容器化 Agent
`tutorials/tracing-with-langsmith`	LangSmith 全链路追踪
`tutorials/agent-security-with-llamafirewall`	安全护栏配置
`tutorials/a2a`	多 Agent 通信（A2A 协议）
`tutorials/agent-with-mcp`	用 MCP 协议集成外部工具
`tutorials/kotlin-agent-with-koog`	Kotlin 版 Agent（JetBrains Koog）
`tutorials/runpod-gpu-deploy`	Runpod GPU 扩缩容部署
`tutorials/fine-tuning-agents`	微调 Agent 专用模型
`tutorials/agent-RAG-with-Contextual`	Contextual AI 企业级 RAG
`tutorials/agent-evaluation-intellagent`	自动化 Agent 评估

2. 典型代码片段

LangGraph 状态化 Agent（tutorials/LangGraph-agent）：

from langgraph.graph import StateGraph, END
from typing import TypedDict

class AgentState(TypedDict):
    messages: list
    next_action: str

def agent_node(state):
    # 处理消息，决策下一步
    return {"messages": [...], "next_action": "search"}

graph = StateGraph(AgentState)
graph.add_node("agent", agent_node)
graph.set_entry_point("agent")
graph.add_edge("agent", END)
app = graph.compile()

FastAPI 部署（tutorials/fastapi-agent）：

from fastapi import FastAPI
app = FastAPI()

@app.post("/agent/run")
async def run_agent(prompt: str):
    result = await agent.run(prompt)
    return {"result": result}

3. 企业级合作伙伴教程

仓库还收录了多家企业贡献的实战教程，包括： - Arcade：OAuth2 安全工具调用（Gmail、Slack、Notion） - Bright Data：企业级网页数据采集（代理网络、CAPTCHA 处理） - Contextual AI：15 分钟企业 RAG（LMUnit 自动化评估） - Runpod：GPU 弹性扩缩容 - AWS Bedrock AgentCore：托管 Agent 部署

典型适用场景

从零构建生产 Agent：不知道需要哪些组件 → 跟着 Architecture Diagram 走
企业安全合规：需要 OAuth2 鉴权、人在回路 → Arcade 教程
给 Agent 接入记忆：Redis/Mem0 双内存 → 对应教程
多 Agent 协作：A2A 协议 + LangGraph → a2a + LangGraph-agent 教程
GPU 部署：Runpod 部署 → runpod-gpu-deploy 教程
可观测性：LangSmith 追踪 → tracing-with-langsmith 教程
Kotlin 生态：JetBrains 生态内嵌 Agent → kotlin-agent-with-koog 教程

坑与注意

坑	说明
非标准许可证	仓库使用自定义非商业许可证（见 LICENSE），企业商用需注意
教程质量参差	部分教程依赖第三方付费服务（Arcade、Bright Data），白嫖有局限
Jupyter Notebook 为主	很多教程是 `.ipynb`，不是生产级代码，直接拷贝需改造
Notion 生态锁	安全工具调用教程以 Notion 为例，熟悉 Notion 才能充分利用
版本更新快	LLM API 版本、框架版本变化可能导致代码失效，建议对版本加锁
无中文	所有内容为英文，中文团队使用有一定门槛

⚠️ 特别提醒：该仓库明确声明「Educational use only」，作者不对第三方工具的安全性和合规性负责。生产环境使用前请自行审计。

与同类对比

维度	agents-towards-production	LangChain 官方文档	LangGraph 官方示例
定位	教程集（学习用）	框架文档（参考用）	框架示例（上手用）
覆盖广度	28 个主题，覆盖全链路	只覆盖 LangChain	只覆盖 LangGraph
生产导向	✅ 强（含安全/监控/部署）	⚠️ 一般	⚠️ 一般
代码可直接用	⚠️ Notebook 需改写	✅ API 文档	✅ 代码可直接跑
许可证	自定义非商业	Apache-2.0	Apache-2.0
维护活跃度	🔄 活跃（持续更新）	🔄 非常活跃	🔄 活跃

结论：如果你想系统学习 Agent 全栈、参考多种框架组合的最佳实践，这是目前最完整的免费教程集。但如果要找「直接拷贝到生产」的代码，建议配合官方文档使用。

一句话推荐结论

覆盖最全的生产级 GenAI Agent 百科全书式教程库，适合想系统打通从 Prompt 到部署全链路的工程师；注意其自定义非商业许可证，企业商用需确认合规。