放大镜下的 Hugging Face 官网首页。摄影：Jernej Furman；来源：Wikimedia Commons；许可：CC BY 2.0。
Hugging Face Agents Course 是 huggingface.co/learn 上的免费智能体课程，用 smolagents、LlamaIndex、LangGraph 三套框架带学员从概念走到可评测的智能体。两种证书均免费，官方写明无截止期限；结业证书要求最终智能体在 GAIA 子集上得分达到 30%。本文依据 2026 年 10 月 18 日访问的官方页面，梳理大纲、时长、前置知识及与 LLM Course 的衔接。
费用、时长与前置知识
费用与地区。 Unit 0 页面称这是一门免费课程（“This free course”），认证流程同样“completely free”。所需工具只有两样：能上网的电脑和一个免费的 Hugging Face 账号。报名时会收集邮箱，用于通知单元发布与挑战更新。官方页面没有写明地区限制，适用地区待核对。
学习时长。 官方建议每章约 1 周、每周约 3–4 小时。按主线 Unit 0–4 共 5 章粗算，约为 5 周、15–20 小时。这是本站依官方节奏做的推算，不含 3 个附加单元，也未计入调试最终智能体的时间——Unit 4 页面特别提醒，该单元更偏实操，需要更进阶的编程能力，指导也比前面少。
前置知识与发布时间。 官方只列两项前置要求：Python 基础和 LLM 基础，后者在 Unit 1 有专门的回顾小节。课程由 Ben Burtenshaw 与 Sergio Paniego 维护，致谢名单中列有中文译者。官方页面未标注首发日期，仓库引用格式标注的年份为 2025；第三方文章称课程于 2025 年 2 月 10 日开课，具体日期待核对。
课程大纲与三套框架
| 单元 | 官方主题 | 内容要点 |
|---|---|---|
| 0 | Onboarding | 配置工具与平台，选择旁听或认证路径，加入 Discord |
| 1 | Agent Fundamentals | 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 函数充当工具的简单示例 |
| 2 | Frameworks | 2.1 smolagents、2.2 LlamaIndex、2.3 LangGraph |
| 3 | Use Cases | Agentic RAG 用例：为虚构的晚会管家 Alfred 构建查询宾客信息的工具，可任选课程中的框架 |
| 4 | Final Assignment | 针对 GAIA 子集构建智能体，成绩进入学员排行榜 |
另有 3 个附加单元：Bonus 1 微调 LLM 实现函数调用，Bonus 2 智能体可观测性与评估，Bonus 3 用智能体进行宝可梦对战。官方说明更细的主题会随各单元发布，课程本身也在持续更新。
三套框架的分工。 按 Unit 2 页面的描述，smolagents 是 Hugging Face 自己开发的智能体框架；LlamaIndex 定位为把“上下文增强”的智能体推向生产的端到端工具；LangGraph 侧重有状态的智能体编排。课程也提醒，框架并非必需：如果只是一串固定的提示词，直接写代码更可控；只有当流程需要 LLM 调用函数或多个智能体协作时，框架提供的抽象才真正派上用场。实操环节以预配置好环境的 Hugging Face Spaces 形式提供。
作业、评测与证书条件
两条路径。 学员可以旁听（audit），照样参加全部挑战和作业，无需通知官方；也可以争取两种证书之一。基础证书（fundamentals）要求完成 Unit 1，并在 Unit 1 期末测验中达到 80%。测验托管在 Hub 的 Space 里，通过后要记得点击 Submit，否则成绩不会保存。
结业证书。 Unit 4 页面写明，最终智能体在 GAIA 子集上得分 30% 及以上即可获得结业证书（Certificate of Completion）。评测方法：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；学员通过课程 API 拉取题目、提交答案，系统按完全匹配（exact match）评分，因此答案中不能夹带“FINAL ANSWER”之类的多余文字。提交时需附上公开的 Space 代码链接。达标后登录证书页、填写姓名即可下载证书。
需要留意的几点。 第一，Unit 0 总述称结业证书需要“完成 Unit 1、一个用例作业和最终挑战”，而 Unit 4 页面只以 30% 分数为门槛，用例作业是否单独核验，官方未说明，待核对。第二，现行 Unit 0 页面写明“There's no deadline”，费用为零，适用地区未写明（待核对）；第三方文章曾记载早期截止日期为 2025 年 5 月 1 日，应以现行官方页面为准。第三，学员排行榜官方定位为“meant for fun”，承认存在未经完全核验的提交，并保留审查、调整或移除条目的权利；页面未标注评测集或排行榜的版本日期，待核对。
与 LLM Course 的衔接顺序
LLM Course 是什么。 LLM Course 同样免费、无广告，围绕 Transformers、Datasets、Tokenizers、Accelerate 和 Hub 展开：第 1–4 章介绍 Transformer 模型与微调，第 5–8 章讲数据集、分词器和常见 NLP/LLM 任务，第 9 章讲如何搭建并分享演示，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。它的门槛比 Agents Course 高：要求较扎实的 Python，并建议先学过入门深度学习课程；每章约 1 周、每周 6–8 小时。其 FAQ 称目前没有为该课程颁发证书。
建议顺序（本站观点）。 Agents Course 只要求 LLM 基础，且 Unit 1 自带回顾，有 Python 基础的读者可以直接开始。如果对 Transformer、token、编码器与解码器完全陌生，可先读 LLM Course 第 1 章，再进入 Agents Course 的 Unit 1。附加单元 Bonus 1 的官方页面建议先会用 Transformers 微调 LLM、了解 SFTTrainer；LLM Course 第 11 章恰好覆盖聊天模板、监督微调（SFT）、LoRA 与评估，适合放在 Bonus 1 之前补课。简单说：主线先走 Agents Course，需要动模型权重时再回到 LLM Course 补微调。
AI 生成示意图：依据 Hugging Face 官方 Agents Course 与 LLM Course 页面整理的学习路线，每章学时取自官方建议；虚线为本站建议的补课衔接，非官方要求。