DeepSeek Agent 开发实战教程：原生 Function Calling 原理到 MiniManus 企业级智能体项目（17 集完整学习指南）
一句话概览（TL;DR）： 《DeepSeek 智能体开发实战，从零手搓 MiniManus》是一门以 DeepSeek-V3-0324 为基座、从源码级原生 API 讲透 **Function Calling（函数调用）**原理，并最终手写一个企业级通用智能体 MiniManus （对标 Manus）的实战课，共 17 集、约 3 小时 52 分钟。全课沿"导论 → 理论基础 → Function Calling 核心技术 → MiniManus 项目实战 "四阶段递进，核心主张是：无论 LangChain、LangGraph、Dify、AutoGen、OpenAI Agents SDK 还是 MCP，本质都是对模型 Agent 能力的封装；吃透原生 Function Calling 的请求---调用---回填循环，所有框架都只是不同风格的"壳"。 超过 80% 的时长压在核心技术与项目实战上，是一门必须"跟着敲出来"而非"听懂就行"的课。
📌 课程信息 ：UP 主"九天Hector"｜2025 年 4 月 6 日发布于哔哩哔哩｜共 17 集、总时长约 3 小时 52 分钟｜已完结｜课件代码见置顶评论。适用读者 ：想用 DeepSeek / 大模型做 Agent（智能体）开发、面对众多框架不知从何选起的开发者、需要求职项目的学生与转行者、负责企业 AI 落地的工程师。
前置要求 ：Python 基础语法、看得懂 JSON、会调简单 HTTP API；SQL 了解基础查询更佳（非必需）。
最后更新：2026 年 10 月。播放量等动态数据以课程页为准，接口与代码以 DeepSeek 官方最新文档为准。
本文目录
- 课程速览：四阶段定位与时长分配
- [两个核心概念：什么是 Agent、什么是 Function Calling](#两个核心概念：什么是 Agent、什么是 Function Calling)
- [第一阶段 · 导论（第 1 集）](#第一阶段 · 导论（第 1 集）)
- [第二阶段 · Agent 开发理论基础（第 2--4 集）](#第二阶段 · Agent 开发理论基础（第 2–4 集）)
- [第三阶段 · DeepSeek Function Calling 核心技术（第 5--10 集）](#第三阶段 · DeepSeek Function Calling 核心技术（第 5–10 集）)
- [第四阶段 · MiniManus 项目实战（第 11--17 集）](#第四阶段 · MiniManus 项目实战（第 11–17 集）)
- [17 集分集速查表](#17 集分集速查表)
- 推荐学习路线与时间安排
- 前置要求与适合人群
- [FAQ 高频问答（8 问）](#FAQ 高频问答（8 问）)
- 资料来源与延伸阅读
🧩 配套可视化：四阶段学习路线图
本文配有一张可交互的四阶段学习路线图，沿"导论---理论---核心技术---MiniManus 项目实战"展示每阶段的集数、时长、知识点与产出物。
- 在线查看（可分享）：DeepSeek 智能体开发实战 · MiniManus 四阶段学习路线图
- 课程原页：哔哩哔哩 · DeepSeek 智能体开发实战
一、课程速览：一门什么课
课程全称《DeepSeek 智能体开发实战，从零手搓 Mini Manus！4 小时从零入门到实操企业级 Agent 项目》。它以 DeepSeek-V3-0324 模型为基座，从源码级底层 API 出发，先讲透 Function Calling 的实现原理，再一步步搭建出一个名为 MiniManus 的迷你版通用智能体（对标当时爆火的 Manus）。
| 阶段 | 集数 | 时长 | 占总时长 | 定位 |
|---|---|---|---|---|
| 一、导论 | 第 1 集 | 4 分 21 秒 | 约 2% | 课程导学，可跳过 |
| 二、理论基础 | 第 2--4 集 | 41 分 24 秒 | 约 18% | 建立概念框架 |
| 三、核心技术 | 第 5--10 集 | 约 1 小时 23 分 | 约 36% | 全课地基，重点 |
| 四、项目实战 | 第 11--17 集 | 约 1 小时 43 分 | 约 44% | 产出简历级项目 |
时长分布直接说明了价值取向：超过八成内容压在"核心技术"和"项目实战"上，理论铺垫被压缩到刚好够用。 这种分配对想快速上手的开发者友好，但也意味着它不是一门"听懂"的课，而是一门"跟着敲出来"的课。
二、两个核心概念：Agent 与 Function Calling
2.1 什么是 Agent（智能体）
按课程定义，Agent 能力指大模型（LLM，Large Language Model）识别、调用外部工具，并规划工具执行流程的能力。 一个只会聊天的大模型只是"大脑"；接上搜索、代码执行、数据库查询这些"手脚"，并且能自己决定何时用哪只手、先迈哪条腿，才构成一个 Agent。
课程有一个形象比喻：过去国产模型 Agent 能力不足，开发者想搭一座能用的智能体之桥，手里却只有木头和绳索，必须额外搭建支撑、不断加固维护，工程复杂低效；如今模型原生 Agent 能力上来了，相当于有了钢筋混凝土，桥可以直接搭得又快又稳。
一个完整 Agent 通常具备四要素：感知任务 → 规划步骤（Planning）→ 调用工具（Tool Calling）→ 观察结果并继续行动（Observation / 循环）。
2.2 什么是 Function Calling（函数调用）
Function Calling（函数调用，简称 FC）是大模型调用外部工具的标准机制：
- 开发者用 JSON Schema 向模型描述有哪些函数可用、每个函数需要什么参数（名称、功能描述、参数名、参数类型、是否必填）；
- 模型在对话中自行判断"这个问题需要调工具"，返回结构化的
tool_calls指令； - 本地代码执行对应函数后，把结果以
tool角色消息回填进对话； - 模型再基于工具结果生成最终自然语言回答。
课程核心主张：无论 LangChain、LangGraph、Dify、AutoGen、OpenAI Agents SDK 还是 MCP，本质都是在增强和封装模型的 Agent 能力。 只要吃透底层 Function Calling 的实现流程，这些框架的技术逻辑都会一目了然------这就是全课坚持用原生 API 打底、而不是一上来就教框架的原因。
三、第一阶段 · 导论（第 1 集，4 分 21 秒）
第 1 集是导学，4 分钟包含三类信息。
- 技术选型逻辑：为什么用 DeepSeek-V3-0324 而非推理更强的 DeepSeek-R1？因为 R1 虽强，但原生不具备 Function Calling 能力；而 V3-0324 的 Agent 能力被评价为"比肩 GPT-4.5，是目前全球 Agent 能力最强的开源模型之一"。同时 V3 与 R1 架构相同，可复用 R1 的部署方案，也可直接调用在线 API，部署路径现成、门槛被刻意压低。
- 课程方法论：先熟悉模型原生的 Agent 性能，再按项目需求选框架------"好马配好鞍，但得先熟悉马"，这一立场贯穿全课。
- 项目预告 ：MiniManus 将具备联网搜索、本地文件管理、Python 代理、SQL 代理四组能力，支持多工具并行调用、复杂问题拆解与自动 debug；能操作浏览器获取网络信息，能撰写类似 **Deep Research（深度研究）**的长文档调研报告，能自动连接本地 Python 环境与数据库完成数据提取、清洗、机器学习建模，还能一句话生成图文并茂、数据准确的数据分析报告。
学习建议：本集无代码、无原理，赶时间可跳过，但建议至少看完 MiniManus 功能预告------那是后面要交的作业清单。
四、第二阶段 · Agent 开发理论基础（第 2--4 集，约 41 分钟）
这三集回答"入门者脑子里应先装什么"。
- 第 2 集《大模型 Agent 智能体开发入门介绍》（12:07）：建立最基本的认知框架。大模型不再是单纯问答机器，当它具备感知任务、规划步骤、调用工具、观察结果并继续行动的能力，就构成了智能体。作用是把"Agent"从营销热词还原成可拆解的工程对象，为后续统一语言。
- 第 3 集《大模型 Agent 开发通用范式》（11:53）：讲开发层面的通用模式------从简单的"用户问、模型答"，到"模型调用单个工具"，再到"模型自主规划、多步执行、循环观察"的完整范式。它是第 15 集 MiniManus WorkFlow 设计的理论前传。
- 第 4 集《主流十二种 Agent 开发工具介绍》（17:24）：横向盘点 LangChain、LangGraph、Dify、AutoGen、MCP 等十二种主流框架与工具。课程态度冷静：盘点是为开阔眼界，不是要求现在全学会。先用原生 API 把底层练熟，届时这些框架只是不同封装风格的"壳"，按项目需求挑一个顺手的即可。
学习建议：有大模型基础者可 1.25--1.5 倍速过；纯小白建议原速看第 2、3 集，第 4 集当"工具地图"收藏，遇到具体框架再回查。
五、第三阶段 · DeepSeek Function Calling 核心技术（第 5--10 集，约 83 分钟）
这是全课干货密度最高、最值得投入的部分。六集构成一条精心设计的递进链：接入 → 原理 → 代码 → 应用 → 并联 → 串联。
-
第 5 集《DeepSeek-V3-0324 接入与调用指南》（20:28） ：解决"怎么把模型跑起来"------API Key 获取、通过 OpenAI SDK 兼容方式 调用（DeepSeek 接口兼容 OpenAI 格式）、
base_url与模型名配置、在线 API 与本地部署两条路线取舍。硬件门槛几乎为零：普通电脑加少量 API 额度即可跟完全程（低配硬件用本地模型或在线 API 均可）。 -
第 6 集《DeepSeek Function Calling 技术详解》（14:04） ：回答"模型怎么知道该调工具"------
tools参数结构、如何用 JSON Schema 描述函数（名称、功能描述、参数名、类型、是否必填）、模型返回tool_calls时的消息结构、finish_reason字段含义。这是原理层，听完应能徒手画出一个 Function Calling 请求的完整数据结构。手搓 JSON Schema 是新手第一个卡点，值得留意老师的写法。 -
第 7 集《DeepSeek Function Calling 代码实现流程》（15:28）：把原理落成代码，核心是一个循环（也是所有 Agent 框架的底层骨架）：
- 构造
messages数组并附带tools定义，发起请求； - 模型返回
tool_calls； - 本地解析指令、路由到对应函数执行；
- 把函数结果以
tool角色消息回填进messages； - 再次请求模型，模型基于工具结果生成自然语言最终回复。
第 6、7 集是全课最值得逐行跟敲的部分，没有之一。
- 构造
-
第 8 集《NL2SQL、NL2Python 实现流程》（12:04） ：Function Calling 的两个经典落地场景。**NL2SQL（Natural Language to SQL，自然语言转 SQL）**让模型把自然语言转成 SQL 查数据库；NL2Python 让模型转成 Python 代码做数据处理。这是 MiniManus 两大函数组（SQL 代理、Python 代理）的技术预演。
-
第 9 集《DeepSeek 多工具并联调用流程》（11:13） ：讲并行调用（parallel tool calls） ------模型在一次回复中同时返回多个互不依赖的
tool_calls，本地并行执行后一起回填，适合"同时查多个城市天气"这类任务。 -
第 10 集《DeepSeek 多工具串联调用流程》（10:08） ：讲链式调用（chained / sequential calls）------前一个工具的输出是后一个工具的输入，需要多轮 Function Calling 循环依次执行，适合有依赖链的任务。
课程中一个比具体知识点更保值的探索方法：当官方文档没明说是否支持串并联时，去读模型 config 文件里的默认提示词脚本推测 FC 流程，再写测试用例实测验证------"读配置猜能力、写代码验真伪"。
学习建议：这六集不要倍速，备好编辑器边看边敲；第 9、10 集至少各亲手跑通一个 demo。此处偷工减料，第四阶段会加倍偿还。
六、第四阶段 · MiniManus 项目实战（第 11--17 集，约 103 分钟）
七集结构是"蓝图 → 零件 → 组装 → 验收"。
- 第 11 集《MiniManus 项目架构介绍》（29:30，全课最长） ：总设计图。一个主控 Agent 负责理解任务与调度，下面挂若干工具函数组负责执行，复杂问题拆解、多工具并行、自动 debug 都在这一层设计。建议看两遍：第一遍建立整体印象，第二遍对照后续模块逐个确认职责。
- 第 12 集《Python 代理自动编程函数组》（13:38）：让 Agent 自动编写并执行 Python 代码，连接本地 Python 环境完成数据提取、清洗、建模，报错时自动 debug。
- 第 13 集《SQL 代理自动编程函数组》（5:46，全课最短）：自然语言转 SQL 并连接数据库执行；因第 8 集已铺好路，此处水到渠成。
- 第 14 集《DeepSeek 联网函数组》（9:47）：实现联网搜索，让 Agent 能操作浏览器获取网络信息，是后续调研报告的数据来源。
- 第 15 集《MiniManus WorkFlow 设计与代码实现》（15:08）：组装环节。把三大函数组接进统一工作流，主循环负责把复杂任务拆解为子任务、分发工具、回收结果并决定下一步。
- 第 16 集《MiniManus 核心功能主类编写》（14:51）：把工作流封装成对外接口简洁的主类，让"一句话发起任务"成为可能。
- 第 17 集《MiniManus 功能实操与性能测试》（14:12）：验收。跑真实任务（如生成一份 Deep Research 风格长报告、一份图文并茂的数据分析报告），检验系统稳定性。
第 12--14 集顺序可按兴趣微调，但建议都在第 15 集前完成；第 15--17 集务必连贯看完再动手，拆开看容易丢失上下文。
产出价值：MiniManus 功能完整（多工具并行、复杂任务拆解、自动 debug），讲师明确表示可写进简历；也有学习者从零跟练约 3 小时 50 分钟成功复现。方法不绑定单一模型------课程面向国内企业开发者而选用 DeepSeek，但 Function Calling 功底通用，换成 Claude 等其他支持工具调用的模型也能直接迁移。
七、17 集分集速查表
| 集 | 标题 | 时长 | 核心内容 |
|---|---|---|---|
| 1 | 课程导学 | 4:21 | 选型逻辑、方法论、MiniManus 功能预告 |
| 2 | 大模型 Agent 智能体开发入门介绍 | 12:07 | Agent 定义与四要素，统一概念语言 |
| 3 | 大模型 Agent 开发通用范式 | 11:53 | 单轮问答 → 单工具 → 多步循环范式 |
| 4 | 主流十二种 Agent 开发工具介绍 | 17:24 | LangChain/LangGraph/Dify/AutoGen/MCP 等工具地图 |
| 5 | DeepSeek-V3-0324 接入与调用指南 | 20:28 | API Key、OpenAI 兼容调用、在线/本地部署 |
| 6 | DeepSeek Function Calling 技术详解 | 14:04 | tools 参数、JSON Schema、tool_calls 结构 |
| 7 | DeepSeek Function Calling 代码实现流程 | 15:28 | 请求---调用---回填的 FC 核心循环（重点） |
| 8 | NL2SQL、NL2Python 实现流程 | 12:04 | 自然语言转 SQL / Python 两大场景 |
| 9 | 多工具并联调用流程 | 11:13 | 并行 tool_calls |
| 10 | 多工具串联调用流程 | 10:08 | 有依赖链的多轮接力调用 |
| 11 | MiniManus 项目架构介绍 | 29:30 | 主控 Agent + 工具函数组总设计图 |
| 12 | Python 代理自动编程函数组 | 13:38 | 自动写/执行 Python、数据处理、自动 debug |
| 13 | SQL 代理自动编程函数组 | 5:46 | NL2SQL 连接数据库执行 |
| 14 | DeepSeek 联网函数组 | 9:47 | 联网搜索、操作浏览器取数 |
| 15 | MiniManus WorkFlow 设计与代码实现 | 15:08 | 任务拆解、工具分发、结果回收主循环 |
| 16 | MiniManus 核心功能主类编写 | 14:51 | 封装简洁对外接口 |
| 17 | MiniManus 功能实操与性能测试 | 14:12 | 跑调研报告/分析报告，稳定性验收 |
八、推荐学习路线与时间安排
| 阶段 | 观看建议 | 动手量 | 核心任务 |
|---|---|---|---|
| 一、导论 | 可跳过或 2 倍速 | 无 | 看一遍 MiniManus 功能预告 |
| 二、理论 | 1.25--1.5 倍速 | 记笔记 | 建立 Agent 与范式的概念框架 |
| 三、核心技术 | 原速 + 暂停 | 逐行跟敲 | 吃透 FC 循环，跑通并联/串联 demo |
| 四、项目实战 | 原速 | 边看边跑 | 复现 MiniManus，跑一次完整任务 |
纯观看约 4 小时，但正确打开方式是边看边敲，实际建议预留 8～10 小时，拆成 3～4 个晚上最舒服：
- 第一晚：过掉理论（2--4 集）和第 5 集接入；
- 第二晚：死磕第 6、7 集 FC 原理与代码；
- 第三晚：拿下第 8--10 集加三个工具函数组（12--14 集）；
- 第四晚：完成 WorkFlow 组装（15--16 集）与测试（17 集）。
3 小时 50 分钟手搓成功属于基础好、手感顺的个例，不必当作自己的基准线。
九、前置要求与适合人群
前置要求不高：会 Python 基础语法、看得懂 JSON、会调简单 HTTP API 即可；SQL 懂基础查询最好，不懂也不影响主线（第 13 集不足 6 分钟）。
适合三类人：
- 想入门 Agent 开发、面对十几个框架无从选起的初学者：这门课的答案是"先都别选，先懂底层"；
- 需要求职项目的学生与转行者：MiniManus 功能完整、具备多工具并行、任务拆解与自动 debug 能力，是一个可写进简历的完整项目；
- 负责企业 AI 落地的工程师：通用智能体的架构设计与工作流实现，可直接作为内部项目的参考方案。
十、FAQ 高频问答
Q1：没有高端显卡能学吗？
能。课程支持直接调用 DeepSeek 在线 API，普通电脑即可；低配硬件走在线 API 或本地小模型都行，主要成本只是少量 API 额度。
Q2：课程完结了吗？配套资料在哪？
已完结，17 集全部放出。课件、代码、工具安装包等通过置顶评论扫码加入官方社区领取。
Q3：必须用 DeepSeek 吗？能不能换成别的模型？
不必须。Function Calling 的实现机制各家模型基本通用，DeepSeek 还兼容 OpenAI SDK 格式；换成 Claude、通义、Kimi、GLM 等任何支持工具调用的模型，改动通常只在 base_url、模型名与鉴权，核心循环代码不变。
Q4：只学 LangChain 等框架、不学底层行不行？
课程态度明确：框架是对模型 Agent 能力的封装，模型会迭代、框架会过时，但"模型如何决策并调用工具"这套底层逻辑短期不会变。先掌握原生 Function Calling（钢筋混凝土），再学框架（装修风格）才不会被工具绑架。
Q5：Function Calling、MCP、LangChain 三者是什么关系？
- Function Calling 是模型原生的"调工具"能力与消息协议，是地基；
- **MCP（Model Context Protocol，模型上下文协议）**是一套标准化"模型/应用如何连接外部工具与数据源"的协议，解决工具接入的统一接口问题，可理解为"AI 应用的 USB-C 接口"；
- LangChain / LangGraph / Dify / AutoGen 是上层开发框架，负责编排、记忆、工作流、多 Agent 协作等。三者是"底层能力---连接标准---编排框架"的层级关系，并不互斥。
Q6：MiniManus 项目能写进简历吗？做到什么程度才算掌握？
可以，且讲师明确支持。建议不要只"跟跑一遍"，而要达到：能不看教程独立复现 FC 核心循环、能为 MiniManus 新增一个自定义工具（如发邮件、调用内部 API）、能讲清并行与串联的区别与实现、能定位一次真实的工具调用报错。有自己的增量改造（新工具 / 新场景 / 评测）时，简历含金量明显高于"照抄教程"。
Q7：零基础要多久能学完？学习路径怎么安排？
满足 Python + JSON 前置的话，按本文路线预留 8～10 小时（约 3～4 个晚上）即可完整跟完并复现。若完全没接触过 Python，建议先用 1～2 周补到"会写函数、会用 requests 调接口、看得懂字典/列表"的程度，再进入本课程，否则第 7 集的代码循环会比较吃力。
Q8：DeepSeek-V3 和 R1 怎么选？为什么课程用 V3 而不是 R1？
选型看任务：需要工具调用、结构化输出、稳定执行 Agent 流程，选 V3（通用对话模型，原生支持 Function Calling）；需要复杂推理、数学与多步思考，可选 R1（推理模型），但 R1 原生不具备 Function Calling，做 Agent 通常需要额外封装。课程目标是搭智能体，故以 V3-0324 为基座；两者架构相同、部署方案可复用。
十一、资料来源与延伸阅读
课程与配套：
官方文档（动手时对照）：
- DeepSeek API 官方文档 ｜ DeepSeek Function Calling 指南
- OpenAI Function Calling 文档（DeepSeek 兼容其 SDK 格式）
- MCP 模型上下文协议官网
- LangChain 官方文档
内容说明： 本文基于课程公开页面与各集内容整理，课程时长、发布时间、播放量等动态数据以哔哩哔哩课程页为准；文中对模型能力的评价（如 V3-0324 的 Agent 表现）反映课程录制时点的情况，模型迭代较快，实际选型请以官方最新说明与实测为准。
这门课的价值排序很清晰：第 1 集是广告，第 2--4 集是地图，第 5--10 集是地基，第 11--17 集是在地基上盖出的房子。 它最聪明的设计是拒绝框架依赖，逼着学习者用原生 API 把 Function Calling 的每一行代码搓明白，再用一个迷你 Manus 把所有零件串成能联网、能写代码、能查数据库、能自动 debug 的完整系统。4 小时视频只是门票，真正的收获来自跟着敲出来的那些代码。