Agents Towards Production：把 AI Agent 从原型推向生产的开源教程集
NirDiamant/agents-towards-production 是一个面向生成式 AI Agent 工程化的开源实战教程仓库，宣称提供 28 个生产级教程，覆盖有状态工作流、向量记忆、实时联网检索、Docker 部署、FastAPI 接口、安全护栏、GPU 扩容、浏览器自动化、微调、多智能体协作、可观测性、评估与前端 UI 等环节。每个教程独立成文件夹，包含可直接运行的 Notebook 或代码文件。仓库采用自定义非商业许可证，声明仅限教育用途。
社区作者 · zZz
它解决什么问题
项目定位
Agents Towards Production 自称为「把 AI Agent 变成真实世界产品的开源 playbook」，目标读者是希望把生成式 AI Agent 从原型推进到企业级部署的开发者。仓库首页明确说明：教程覆盖有状态工作流、向量记忆、实时网页搜索 API、Docker 部署、FastAPI 端点、安全护栏、GPU 扩容、浏览器自动化、微调、多智能体协调、可观测性、评估与 UI 开发。
内容组织方式
所有知识以「可运行的教程」交付，每个教程位于自己的文件夹中，附带可直接运行的 Notebook 或代码文件，作者称可以在几分钟内从概念走到可工作的 Agent。仓库首页还给出了「AI Agent 架构」示意图，说明生产级 Agent 各组件在教程中被逐步覆盖。
教程分类（依据 README 中的表格）
- 🔌 工具集成：Secure Tool Calling（Arcade）——让 Agent 通过 OAuth2 认证与人在回路（human-in-the-loop）安全控制，安全调用 Gmail、Slack、Notion 等外部工具，涉及用户隔离与审批流程。
- 📊 数据处理：Agent 文件转换（hushvert）——双通道方案，开源 WebAssembly 引擎在用户设备上转换图片、HEIC、音频与压缩包，MCP 工具调用处理办公文档与 PDF 转 markdown，并附带与常见抽取器的保真度基准；Web Data Collection for AI Agents（Bright Data）——代理网络、CAPTCHA 处理与复杂站点结构化数据抽取；Real-Time Web Data Integration for Agents（Tavily）——实时网页数据的访问、搜索与抽取，把实时信息与私有知识结合。
- 🔍 RAG 与知识管理：Durable RAG Ingestion（Inngest）——构建能承受部分失败、重跑与回填的摄入管道，包含幂等 upsert、持久化步骤、按文档 fan-out、限流、按租户并发以及人工审核闸门，并量化「5000 份文档中第 3000 份失败」造成的重复分块与重复计费嵌入成本；Production-Ready RAG Agents with Contextual AI——宣称 15 分钟内用托管平台搭建企业级 RAG，涉及文档处理、智能索引、Agent 部署与基于 LMUnit 的自动评估，场景为金融文档分析。
- 🧠 记忆：Agent Memory: Dual-Memory & Semantic Search（Redis）——短期与长期双记忆、语义搜索与持久状态；Self-Improving Memory with Mem0——混合向量与图存储，自动提取洞见、消解冲突并随交互演化；AI Memory with Cognee——把分散的开发数据转成带上下文洞见的知识图谱。
- 🚀 部署：AWS Bedrock AgentCore（托管 Agent 部署）；Containerizing Agents with Docker（容器化可移植与可扩展）；On-Prem LLM Deployment with Ollama（本地运行大模型，替代云 API 以获得隐私、成本控制与低延迟）。
- 👥 多智能体协调：Multi-Agent Communication with A2A Protocol——用开放通信协议模拟协作工作流与消息交换。
- 🚀 GPU 部署：Scalable GPU Deployment for AI Agents（Runpod）。
- 🔒 安全：Comprehensive Agent Security（LlamaFirewall）——输入、输出与工具安全护栏，覆盖提示注入、行为对齐与工具访问控制；Hands-On Agent Security Evaluation（Apex）——提示注入攻击与防御的动手实验及自动化安全测试。
- 🧩 Agent 框架：Model Context Protocol（MCP）工具与 API 集成；Stateful Agent Workflows with LangGraph——有向图架构的复杂有状态工作流，示例为分类、实体抽取与摘要的多步文本分析管道；Deploying Agents as APIs with FastAPI——同步与流式端点；Building AI Agents in Kotlin with Koog——使用 JetBrains 的 Koog 框架，从 hello world 到工具调用与结构化输出。
- 🛠️ 模型定制：Fine-Tuning AI Agents for Domain Expertise & Efficiency——数据准备、训练、评估与集成到 Agent 工作流。
- 🔍 追踪与调试：Agent Tracing & Debugging with LangSmith——捕获 trace、决策点与耗时数据。
- 📊 评估：Automated Agent Evaluation & Behavioral Analysis（IntellAgent）。
- 🖥️ UI 与前端：Building a Chatbot UI with Streamlit——聊天界面、文件上传与会话状态。
赞助方与生态
README 列出了贡献教程的教程赞助方（Agent 框架与工作流、记忆与向量数据库、RAG 与知识管理、Web 数据平台、实时网页搜索 API、MCP 运行时、Kotlin AI Agent 框架、自改进 AI 记忆、GPU 云计算、持久化执行）以及通用赞助方（AI 代码审查）。
页面中检测到的标识图依次对应：配图 1（Claim your free module 按钮）、配图 2（LangChain）、配图 3（Redis）、配图 4（Contextual AI）、配图 5（Bright Data）、配图 6（Tavily）、配图 7（Arcade）、配图 8（JetBrains）、配图 9（Mem0）、配图 10（RunPod）、配图 11（Inngest）、配图 12（CodeRabbit）。
作者课程与周边内容
README 同时推广作者的课程与订阅内容（如 Prompt to Production、加入 5 万余名订阅者的通讯、YouTube 单集解释类视频，主题包括「AI Agents Are Just While Loops」「Context Is the New Code」「Stop Thinking Claude Code Is Magic」等），并给出与其仓库配套的推荐阅读书单（含亚马逊联盟链接），以及 RAG Made Simple 等付费内容。这些属于作者的商业推广，与仓库教程本身区分看待。
贡献与免责声明
作者欢迎贡献监控、部署平台、安全工具、数据库、API 等面向生产 Agent 的横向工具与服务，需参考仓库的 Contributing Guidelines。免责声明写明：仅供教育用途，作者不对使用、误用或后果负责，不背书或验证文中提及的第三方公司、工具与服务；使用者需自行尽职调查、核验合法性、隔离测试并确保合规；安全工具须在获得授权的前提下合乎伦理地使用。
许可证
项目采用自定义非商业许可证（custom non-commercial license），README 指引读者查看仓库中的 LICENSE 文件获取细节。因此商业使用前必须自行核验该许可证条款。
— 本文由 AI 根据公开来源辅助整理，命令、版本与许可证请在使用前到原始页面复核。
安装 / 开始使用
来源为 GitHub 仓库首页，作者给出的入门路径分为「在线阅读」与「克隆并本地构建」两种。以下为正文明确给出的步骤与命令，请按顺序执行。
一、准备环境
需要本地具备 Git 与 Python 环境；教程以 Notebook 或
Python 脚本形式提供。
- 若只想阅读理解实现思路、架构决策与集成模式，可完全不安装任何依赖，直接在 GitHub 上浏览各教程。
二、快速安装（Quick Setup）
- 获取代码：
git clone https://github.com/NirDiamant/agents-towards-production.git
cd agents-towards-production- 安装依赖：先进入你想运行的目标教程目录，再安装该教程自己的依赖（仓库按教程分别提供 requirements 文件）：
# Example: Multi-tool agent orchestration
cd tutorials/agentic-applications-by-xpander.ai
pip install -r meeting-recorder-agent/requirements.txt提示：不同教程依赖不同，务必进入对应教程目录后使用该目录下的 requirements.txt，不要假设根目录的依赖可通用于全部教程。
- 部署与测试：按教程偏好的界面启动。
# Run interactive notebooks for experimentation
jupyter notebook tutorial.ipynb
# Execute production scripts for integration testing
python app.py- 交互式实验使用 Jupyter Notebook 打开对应的 tutorial.ipynb。
- 集成测试使用 python 直接执行脚本（示例为 app.py）。
- 具体教程中包含 Docker 容器化、FastAPI 端点、AWS Bedrock AgentCore、Ollama 本地部署、Runpod GPU 部署等，需按各自教程内的说明配置相应账号、API Key 与环境变量，仓库首页未给出这些服务的具体密钥配置步骤。
三、首次运行与常见问题
- 部分教程依赖第三方商业平台（如 Contextual AI、Bright Data、Tavily、Arcade、Mem0、RunPod、Inngest 等）的账号或 API 凭证，正文未提供这些凭证的获取与配置细节，运行前需要按对应教程页面自行准备。
- 涉及 Docker 的教程需要本地已安装并运行 Docker。
- 涉及 GPU 的教程（Runpod、Ollama 等）需确认硬件与驱动条件，仓库首页未给出统一的最低硬件要求。
- 若 pip 安装出现依赖冲突，建议为每个教程创建独立的虚拟环境后重试。
- 仓库声明为教育用途，运行前请阅读免责声明并核验许可证（非商业许可证）。
来源教程配图
