Loop Engineering with LangChain Deep Agents

请帮我把「Loop Engineering with LangChain Deep Agents」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。
开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。

课程入口：https://www.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents
我的系统：Windows。如果实际不符，先调整方案。
本次路线：Windows：本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。
练习：练习即课程中的 4 个代码示例与 LoopEng AI Coding Lab：从需求分析 agent 的核心执行循环开始，依次加验证评分与反馈重试、Slack/Jira 事件触发、以及基于多轮 trace 的 harness 改进。
课节（官方顺序）：
1. Introduction：https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/k292hz/introduction
2. Overview of Loop Engineering：https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/a4v41v/overview-of-loop-engineering
3. Deep Agent Primer：https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/mosoyz/deep-agent-primer
4. Agent Loop：https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/9i0imf/agent-loop
5. Verification Loop：https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/fw1wd8/verification-loop
6. Event-Driven Loop：https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/qjgjxu2m/event-driven-loop
7. Learning loop：https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/9i0ima/learning-loop
8. Conclusion：https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/zqeqtx/conclusion
9. Quiz：https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/depenb61/quiz
10. [Optional] Glossary：https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/gyzy46/%5Boptional%5D-glossary
11. LoopEng AI Coding Lab：https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/i1k1ol/loopeng-ai-coding-lab

1. 环境
- Python 3 环境
- LangChain Deep Agents 及相关依赖
- DeepLearning.AI 学习平台账号
- 可选：模型 API 额度
- 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。
2. 材料
- 官方课程页面：只记录链接 https://www.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents
3. 目录（最外层放在我确认的位置）
loop-engineering-langchain-deep-agents/
├── README.md        # 课程入口、课节清单、每次怎么开始
├── progress.md      # 每课：读讲义 / 做练习 / 记笔记
├── questions.md     # 待解决的问题
├── check-env.ps1     # 环境自检，按 README 操作
├── data/            # 练习用到的样例数据
└── lessons/         # 每课一个文件夹：notes.md + exercises/
    ├── 01-01-introduction/
    ├── 02-02-overview-of-loop-engineering/
    ├── 03-03-deep-agent-primer/
    ├── 04-04-agent-loop/
    ├── 05-05-verification-loop/
    ├── 06-06-event-driven-loop/
    ├── 07-07-learning-loop/
    ├── 08-08-conclusion/
    ├── 09-09-quiz/
    ├── 10-10-optional-glossary/
    └── 11-11-loopeng-ai-coding-lab/
- 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。
- 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。
4. 自检
- 创建 check-env.ps1，逐项检查并记录“通过/未通过”：
- 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。将下面检查转换为 PowerShell 命令，不使用 Bash 语法。
  - python -c "import sys; print(sys.version)"  → 输出 Python 版本号，说明本地环境可用
  - 打开课程页确认 Course Outline 列出 8 Lessons、4 Code Examples  → 能看到 Agent Loop、Verification Loop、Event-Driven Loop、Learning loop 等课节
  - 运行 Agent Loop 示例代码  → agent 完成多轮工具调用并给出最终输出
- 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。
- 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。
- 运行一次，把结果给我看；未通过的项目说明原因和修复办法。
5. 学习计划
- README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。
- progress.md：每课三项勾选——读讲义、做练习、记笔记。
6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。