欢迎来到 Shannon 教程
通过实用的动手教程学习如何使用 Shannon 构建强大的 AI 代理应用程序。每个教程都包含完整的可运行代码、分步说明和最佳实践。本部分正在积极开发中。我们会根据社区反馈和常见用例定期添加新教程。
可用教程
构建代理
研究助手
构建一个多源研究代理，可以搜索、分析和总结信息
状态: 🚧 即将推出 - 第四阶段
状态: 🚧 即将推出 - 第四阶段
代码审查机器人
创建一个自动代码审查器，分析 PR 并提供反馈
状态: 🚧 即将推出 - 第四阶段
状态: 🚧 即将推出 - 第四阶段
数据分析管道
构建一个数据分析代理，查询数据库并生成可视化图表
状态: 🚧 即将推出 - 第四阶段
状态: 🚧 即将推出 - 第四阶段
扩展与集成
添加自定义工具
扩展 Shannon 与 MCP、OpenAPI 和内置 Python 工具的完整指南
状态: ✅ 可用
状态: ✅ 可用
供应商适配器
使用适配器模式为特定领域的 API 构建供应商特定的集成
状态: ✅ 可用
状态: ✅ 可用
扩展 Shannon
探索所有扩展方法：模板、工具、供应商适配器和自定义分解
状态: ✅ 可用
状态: ✅ 可用
你将学到什么
通过这些教程，你将学习：- 代理设计：如何构建代理任务和工作流
- 工具集成：将代理连接到外部 API 和服务
- 会话管理：构建有状态的多轮对话
- 错误处理：生产环境代理的健壮模式
- 成本优化：预算管理和 token 效率
- 监控：跟踪代理性能和行为
先决条件
在开始这些教程之前，请确保你已经：- 安装 Shannon：遵循安装指南
- 基础 Python 知识：熟悉 Python 3.9+
- API 密钥：至少一个 LLM 提供商的 API 密钥（OpenAI、Anthropic 等）
- Docker：用于在本地运行 Shannon 服务
教程结构
每个教程都遵循一致的结构：- 概述：你将构建什么以及为什么
- 先决条件：所需的设置和依赖项
- 分步指南：详细的实现指南
- 代码示例：可以运行的完整代码
- 测试：如何验证你的实现
- 下一步：扩展教程的想法
贡献教程
有教程的想法？我们欢迎社区贡献！- 查看现有的 GitHub issues
- 在 GitHub Discussions 中提出新教程
- 遵循我们的贡献指南提交教程 PR
获取帮助
如果你在任何教程中遇到困难：- 加入我们的 Discord 社区获取实时帮助
- 在 GitHub Discussions 中搜索类似问题
- 如果发现错误或不清楚的说明，请提交 issue