一台打开的旧笔记本电脑与一本精装书并排放置。摄影：Dejan Krsmanovic，来源：Flickr，许可：CC BY 2.0。
Hugging Face Agents Course 是 Hugging Face Learn 上的免费 AI 智能体课程，主线为 Unit 0–4，用 smolagents、LlamaIndex 和 LangGraph 三个框架动手搭建智能体，最后以 GAIA 基准子集测评结业。两种证书均免费，官方称没有截止期限。本文按官方页面梳理课程大纲、证书条件、学习时长、前置知识，以及与 LLM Course 的学习先后。
课程大纲与三大框架
按 Unit 0 介绍页，课程由四类内容组成：讲概念的基础单元、在预配置 Hugging Face Spaces 中完成的动手环节、自选真实问题的用例作业，以及让学员智能体同台比拼并上排行榜的挑战。官方把它称为“持续更新的项目”，欢迎在 GitHub 提 issue 和 PR。课程仓库的引用信息标注年份为 2025 年；课程作者 Ben Burtenshaw 在 2025 年 1 月 15 日的 Hub 帖子中预告课程将于 2 月开课，确切上线日期待核对。目前页面写明由 Ben Burtenshaw 与 Sergio Paniego 维护。
| 单元 | 主题 | 主要内容（据官方页面） |
|---|---|---|
| Unit 0 | 入门 | 课程说明、选择旁听或认证路径、注册 Hugging Face 账号、加入 Discord |
| Unit 1 | 智能体基础 | 工具、思考、行动、观察及其格式；LLM、消息、特殊 token 与聊天模板；用 Python 函数做工具的简单示例；单元末测验 |
| Unit 2 | 智能体框架 | 2.1 smolagents（Hugging Face 开发）、2.2 LlamaIndex、2.3 LangGraph |
| Unit 3 | 用例：Agentic RAG | 以“Alfred 筹办晚宴”为情境构建检索增强工具，可任选课程中的框架，三种框架各有示例代码 |
| Unit 4 | 结业项目 | 构建智能体，用 GAIA 基准子集测评，并提交到学员排行榜 |
| 附加单元 1 | 函数调用微调 | 用 LoRA 微调 LLM 以支持函数调用（可选，难度高于 Unit 1） |
| 附加单元 2 | 可观测性与评估 | 追踪与评估智能体 |
| 附加单元 3 | 游戏中的智能体 | 以宝可梦对战为例构建游戏智能体 |
框架部分是课程的重心。Unit 2 开篇先提醒：并非所有 LLM 应用都需要智能体框架，简单的提示链用普通代码即可，开发者对系统也更有掌控；当流程复杂到需要让 LLM 调用函数或协调多个智能体时，框架提供的工具列表、调用解析、记忆、错误重试等抽象才开始体现价值。随后三个子单元分别讲 smolagents、LlamaIndex 和 LangGraph，到 Unit 3 学员可自选其中一个完成 Agentic RAG 用例。
作业、证书与费用
课程可以旁听，也可以做作业拿证书。旁听者同样能参加全部挑战和作业，无需通知官方。官方发放两种证书：一是基础证书（Certificate of Fundamentals），要求完成 Unit 1，并在单元测验中达到 80%，测验托管在 Hub 的 Space 上，答完必须点击 Submit 才会保存成绩；二是结业证书（Certificate of Completion），Unit 4 页面写明智能体在 GAIA 子集上得分 30% 及以上即可领取，领取时用 Hugging Face 账号登录证书页面、填写证书姓名并由系统核验分数。
结业测评的方法写在 Unit 4 动手页：题目是从 GAIA 验证集 Level 1 中按所需工具数和步骤数筛出的 20 道题；官方提供 API 获取题目、下载附件和提交答案，提交时与标准答案做精确匹配（exact match），答案里不要带“FINAL ANSWER”字样。提交需附上用户名、公开 Space 的代码链接和答案列表。官方说明排行榜“只为好玩”，若出现大量没有公开代码佐证的高分，可能复核、调整或删除相关条目。排行榜的更新日期与测评脚本版本页面未标注，待核对。
费用与期限方面，Unit 0 写明课程免费、认证流程完全免费，且认证没有截止期限；页面没有写适用地区限制，是否存在地区差异待核对。需要注意两点。其一，Unit 0 对结业证书的描述是“完成 Unit 1、一项用例作业和最终挑战”，与 Unit 4 只写分数门槛的说法不完全一致，领取页面实际是否还核验用例作业，待核对。其二，课程实操主要通过 Hub 上的 API 调用模型，入门页专门给出了“遇到额度限制时”改用 Ollama 在本地运行模型的办法，说明免费调用存在额度上限，具体额度与超出后的计费以 Hugging Face 当前定价为准，待核对。
学习时长与前置知识
官方建议每章用 1 周完成，每周约 3–4 小时。若把这一节奏套到 Unit 0–4 五章主线上，大约是 5 周、15–20 小时，这是本文按官方节奏做的推算，不含三个附加单元。实际用时可能更长：Unit 4 页面特别提醒，结业单元转向实操，需要更扎实的编程能力，而且给出的指引比前面少。
前置知识只有两项：Python 基础和 LLM 基础，后者在 Unit 1 中有回顾。工具上只需要一台联网电脑和一个免费的 Hugging Face 账号，用于推送和加载模型、智能体以及创建 Spaces。入门流程还包括加入 Discord、关注课程组织。运行 Unit 1 的示例笔记本需要在设置页生成 Hugging Face 访问令牌，并申请 Meta Llama 模型的访问权限。
Agents Course 与 LLM Course 对比：主线章数、官方建议每周时长、推算总时长与证书。总时长按“章数 × 每章 1 周 × 官方建议每周时长”推算，不含 Agents Course 附加单元；数据来源 huggingface.co/learn 官方页面，2026-10-18 查阅。AI 生成示意图。
与 LLM Course 的衔接顺序
LLM Course 同样免费、无广告，内容基于 Transformers、Datasets、Tokenizers、Accelerate 和 Hub：第 1–4 章讲 Transformer 模型原理、调用 Hub 模型并在数据集上微调；第 5–8 章讲 Datasets、Tokenizers 与经典 NLP 任务；第 9 章讲搭建和分享演示；第 10–12 章进入微调、高质量数据集构建和推理模型等进阶主题。它的门槛更高：要求良好的 Python 基础，建议先学过入门深度学习课程，每章约 1 周、每周 6–8 小时。常见问题页写明该课程目前没有证书。
官方页面没有给出两门课的固定先后顺序，但留有交叉指引：Agents Course 的 Unit 1 在讲 LLM 原理和解码策略时，建议想深入的读者去看 Hugging Face 的 NLP 课程；附加单元 1（函数调用微调）则建议学员先掌握用 Transformers 微调 LLM 的方法，以及 SFTTrainer 的用法。据此，本站建议：已了解 LLM 基本概念、只想尽快上手智能体的读者，可以直接从 Agents Course 开始，Unit 1 的回顾足够支撑主线；对 Transformer 还很陌生，或打算做附加单元 1 的读者，可以先学 LLM Course 第 1–4 章，再回到 Agents Course；LLM Course 后半部分可作为长期进阶，与智能体实践并行推进。