智能编程导师 (Intelligent Programming Tutor)

一个基于多智能体协作的个性化编程学习系统，展示了如何使用 hello-agents 框架构建复杂的 Agent-to-Agent (A2A) 协作系统。

系统架构

本系统采用分层智能体架构：

• Tutor（导师）：主协调智能体，负责与用户交互并调度子智能体
• Planner（规划师）：分析用户需求，制定个性化学习计划
• Exercise（出题人）：根据学习内容生成针对性的编程练习题
• Reviewer（评审员）：评审用户代码，提供专业反馈和改进建议

技术特点

1. 多智能体协作：使用 AgentTool 将子智能体封装为工具，实现 A2A 通信
2. 工具调用：Reviewer 配备 CodeRunner 工具，可执行 Python 代码验证
3. 模块化设计：每个智能体职责单一，易于维护和扩展

演示说明

本 notebook 包含三个完整的测试场景，展示了智能编程导师的核心功能。

步骤 1：环境设置

初始化 LLM 和环境配置。

关键组件：

• HelloAgentsLLM：统一的 LLM 接口
• .env 文件：存储 API 密钥等敏感信息
• src 路径：包含自定义智能体和工具的实现

# 1. 环境设置
import os
import sys
from dotenv import load_dotenv
from hello_agents import HelloAgentsLLM

load_dotenv()

if "src" not in sys.path:
    sys.path.append(os.path.abspath("src"))

# 初始化 LLM
llm = HelloAgentsLLM()

print("✅ 环境配置完成")
print("✅ LLM 已初始化")

步骤 2：初始化智能编程导师

创建 TutorAgent 实例时，会自动：

1. 创建 Planner、Exercise、Reviewer 三个子智能体
2. 将子智能体封装为工具（call_planner、call_exercise、call_reviewer）
3. 注册 CodeRunner 工具给 Reviewer 使用

架构亮点：

• 使用 AgentTool 实现 Agent-to-Agent 调用
• 每个子智能体有独立的 system_prompt 定义其专业领域
• Tutor 通过工具调用协调所有子智能体

# 2. 初始化 Tutor（自动创建所有子智能体）
from agents.tutor import TutorAgent

print("创建智能编程导师...")
tutor = TutorAgent(llm)

print("\n✅ Tutor 初始化完成！")
print("   - Planner（规划师）已就绪")
print("   - Exercise（出题人）已就绪") 
print("   - Reviewer（评审员）已就绪")

测试 1：请求学习计划

演示 Tutor → Planner 的协作流程。

执行流程：

1. 用户向 Tutor 表达学习目标
2. Tutor 识别意图并调用 call_planner 工具
3. Planner 分析需求，生成分模块的学习计划
4. Tutor 将学习计划友好地呈现给用户

期望输出：包含多个学习模块、时间安排、学习建议的完整学习路径。

user_goal = "我想学习 Python 中的列表推导式"
print(f"用户目标: {user_goal}\n")

# Tutor 会调用 call_planner 工具
response = tutor.run(f"用户说：'{user_goal}'。请为用户制定学习计划。")

print("=== Tutor 回应 ===")
print(response)

测试 2：请求练习题

演示 Tutor → Exercise 的协作流程。

执行流程：

1. 用户向 Tutor 请求练习题
2. Tutor 调用 call_exercise 工具
3. Exercise 生成结构化的编程练习题
4. Tutor 返回包含题目描述、示例、约束条件的完整题目

期望输出：一道高质量的编程练习题，包含：

• 题目描述
• 输入/输出示例
• 约束条件
• 函数签名

# Tutor 会调用 call_exercise 工具
response = tutor.run("请给我出一道关于列表推导式的练习题。")

print("=== Tutor 回应 ===")
print(response)

测试 3：提交代码评审

演示 Tutor → Reviewer → CodeRunner 的多层协作流程。

执行流程：

1. 用户提交代码给 Tutor 评审
2. Tutor 调用 call_reviewer 工具
3. Reviewer 使用 code_runner 工具执行代码验证
4. Reviewer 分析代码逻辑、风格和性能
5. Tutor 返回详细的评审报告

技术亮点：

• Reviewer 能够实际运行代码获取输出
• 提供结构化的评审反馈（优点、问题、改进建议）
• 支持代码片段和函数定义两种形式

测试代码说明： 用户尝试解答测试 2 中的练习题（筛选正偶数并求平方），Reviewer 会验证代码的正确性。

# 用户尝试解答上面的练习题
user_code = """
def filter_and_square_numbers(numbers):
    return [n * n for n in numbers if n > 0 and n % 2 == 0]

# 测试
test_list = [1, 2, 3, 4, 5, 6, -2, -4, 0]
result = filter_and_square_numbers(test_list)
print(result)
"""

print(f"=== 用户代码 ===\n{user_code}\n")

# Tutor 会调用 call_reviewer 工具
response = tutor.run(f"""用户尝试解答前面的列表推导式练习题，请评审以下代码：

{user_code}

题目要求：筛选出正偶数并返回它们的平方。""")

print("=== Tutor 回应 ===")
print(response)

总结

本演示展示了如何使用 hello-agents 框架构建多智能体协作系统。

关键技术

1. AgentTool：将智能体封装为工具，实现 A2A 调用

   pythonCopy

   self.add_tool(AgentTool(
       self.planner,
       name="call_planner",
       description="调用课程规划师"
   ))
   

2. 工具链：Reviewer 使用 CodeRunner 执行代码

   pythonCopy

   ReviewerAgent(llm, tools=[CodeRunner()])
   

3. System Prompt：通过精心设计的提示词定义智能体行为

扩展建议

• 添加学习进度追踪功能
• 支持更多编程语言
• 集成代码风格检查工具（如 Pylint）
• 添加知识库检索增强（RAG）

项目结构

src/
├── agents/
│   ├── tutor.py      # 主协调智能体
│   ├── planner.py    # 学习计划制定
│   ├── exercise.py   # 练习题生成
│   └── reviewer.py   # 代码评审
└── tools/
    ├── agent_tool.py  # A2A 工具封装
    └── code_runner.py # 代码执行工具