新闻详情

新闻详情

首页 / 资讯中心 / 详情

AI Agent实战:用200行Python从零搭建自主完成任务的智能体

发布时间:2026/11/17 4:56:18来源:尧图网络
AI Agent实战:用200行Python从零搭建自主完成任务的智能体
\n\n 本文是AI Agent实战系列的第一篇。我们将从零开始用Python实现一个基于ReAct框架的智能体它能自主思考、调用工具、完成任务。全文含完整可运行代码约3500字。目录- 一、什么是AI Agent- 二、ReAct框架思考-行动-观察循环- 三、核心架构设计- 四、从零实现完整代码- 五、运行效果演示- 六、局限性讨论- 总结一、什么是AI Agent普通的AI对话是这样的你问一个问题AI回答一个答案。一问一答AI不会主动做任何事情。AI Agent的区别在于它能自主规划和执行多步骤任务。举个例子普通AI对话 用户今天北京天气怎么样 AI我无法获取实时天气数据建议你查看天气应用。AI Agent 用户今天北京天气怎么样 Agent思考我需要调用天气API获取北京的天气数据 Agent行动调用get_weather(北京) Agent观察{temp: 28, condition: 晴, humidity: 45} Agent回答北京今天晴天气温28°C湿度45%适合出行。关键区别Agent有工具使用能力和自主决策能力。 需要说明的是Agent不是万能的。它受限于工具的能力和大模型的推理水平。本文实现的是一个基础但完整的Agent框架后续文章会逐步增强能力。二、ReAct框架思考-行动-观察循环ReActReasoning Acting是目前最主流的Agent框架核心思路很简单循环 { Thought思考分析当前状态决定下一步 Action行动调用一个工具 Observation观察获取工具返回结果}直到任务完成为什么这个框架有效因为它模拟了人类解决问题的过程1. 你先想想要做什么Thought2. 你去做某个动作Action3. 你看结果怎么样Observation4. 基于结果继续思考下一步与纯推理的区别| 方式 | 特点 | 适用场景 ||------|------|---------|| 纯推理CoT | 只思考不行动 | 数学题、逻辑分析 || 纯行动 | 只执行不思考 | 简单脚本 || ReAct | 思考行动结合 | 需要外部信息的复杂任务 |三、核心架构设计我们的Agent由4个核心组件构成┌─────────────────────────────────┐│ Agent Core ││ ┌───────────┐ ┌─────────────┐ ││ │ Planner │ │ Executor │ ││ │ (思考规划) │ │ (执行动作) │ ││ └───────────┘ └─────────────┘ ││ ┌───────────┐ ┌─────────────┐ ││ │ Memory │ │ Tools │ ││ │ (记忆存储) │ │ (工具集) │ ││ └───────────┘ └─────────────┘ │└─────────────────────────────────┘- Planner调用大模型进行推理生成Thought和Action- Executor执行工具调用返回Observation- Memory保存对话历史和中间结果- Tools可供调用的工具集合四、从零实现完整代码4.1 定义工具基类python# tools/base.pyfrom abc import ABC, abstractmethodfrom typing import Anyclass Tool(ABC): 工具基类所有工具必须实现name、description和run方法 property abstractmethod def name(self) - str: 工具名称Agent通过名称调用 ... property abstractmethod def description(self) - str: 工具描述告诉Agent什么时候该用这个工具 ... abstractmethod def run(self, **kwargs) - str: 执行工具返回字符串结果 ... def get_prompt(self) - str: 生成工具描述供大模型理解 return f- {self.name}: {self.description}4.2 实现具体工具python# tools/calculator.pyfrom tools.base import Toolimport mathclass CalculatorTool(Tool): 计算器工具执行数学运算 property def name(self) - str: return calculator property def description(self) - str: return 执行数学计算。输入一个数学表达式如 23*4返回计算结果。 def run(self, expression: str , **kwargs) - str: try: # 安全计算只允许数学表达式 allowed set(0123456789-*/.() ) if not all(c in allowed for c in expression): return 错误表达式包含不允许的字符 # ⚠️ 安全提示eval()有代码注入风险此处已通过白名单限制可用字符 # 并禁用了__builtins__。生产环境建议使用 ast.literal_eval 或专用解析库如 numexpr。 result eval(expression, {__builtins__: {}}, {math: math}) return f{expression} {result} except Exception as e: return f计算错误{e}class WeatherTool(Tool): 天气工具模拟天气查询实际项目中替换为真实API property def name(self) - str: return get_weather property def description(self) - str: return 查询指定城市的天气。输入城市名称返回天气信息。 def run(self, city: str , **kwargs) - str: # 模拟数据实际项目中调用天气API mock_data { 北京: 晴天28°C湿度45%, 上海: 多云25°C湿度60%, 深圳: 阵雨30°C湿度75%, } return mock_data.get(city, f未找到{city}的天气数据模拟数据仅支持北京/上海/深圳) self.conversation [ {role: system, content: self.system_prompt}, {role: user, content: task}, ] for step in range(self.max_steps): print(f--- 步骤 {step 1} ---) # 1. 调用大模型思考 response self.client.chat.completions.create( modelself.model, messagesself.conversation, temperature0.3, max_tokens1000, ) reply response.choices[0].message.content print(f模型回复:\n{reply}\n) # 2. 检查是否有最终答案 final_answer self._is_final_answer(reply) if final_answer: print(f最终答案: {final_answer}) return final_answer # 3. 解析工具调用 action self._parse_action(reply) if not action: # 模型没有调用工具也没有给出答案继续引导 self.conversation.append({role: assistant, content: reply}) self.conversation.append({ role: user, content: 请使用Thought和Action格式继续或直接给出Answer。 }) continue tool_name, argument action # 4. 执行工具 if tool_name not in self.tools: observation f错误工具{tool_name}不存在。可用工具{list(self.tools.keys())} else: tool self.tools[tool_name] observation tool.run(queryargument) if hasattr(tool.run, __code__) and query in tool.run.__code__.co_varnames else tool.run(expressionargument) print(f工具调用: {tool_name}({argument})) print(f观察结果: {observation}\n) # 5. 将结果添加到对话历史 self.conversation.append({role: assistant, content: reply}) self.conversation.append({ role: user, content: fObservation: {observation} }) return 达到最大步数限制任务未完成。可以尝试增加max_steps参数。# 运行示例if __name__ __main__: from tools.calculator import CalculatorTool, WeatherTool, SearchTool # 创建Agent agent ReActAgent( tools[CalculatorTool(), WeatherTool(), SearchTool()], max_steps5, ) # 测试任务 result agent.run(北京今天天气怎么样如果出去玩需要带伞吗) print(f\n最终结果: {result}) print(\n *60) # 测试计算任务 result2 agent.run(帮我算一下 (128 256) * 3 的结果) print(f\n最终结果: {result2})五、运行效果演示执行上面的代码你会看到类似这样的输出任务: 北京今天天气怎么样如果出去玩需要带伞吗模型回复:Thought: 用户想知道北京的天气情况我需要调用天气查询工具Action: get_weather(北京)工具调用: get_weather(北京)观察结果: 晴天28°C湿度45%模型回复:Thought: 已经获取到北京天气数据晴天28°C不需要带伞Answer: 北京今天是晴天气温28°C湿度45%。天气很好不需要带伞可以放心出门建议做好防晒。最终答案: 北京今天是晴天气温28°C湿度45%。天气很好不需要带伞可以放心出门建议做好防晒。关键观察1. 第一步Agent正确选择了天气工具2. 第二步基于观察结果晴天给出了合理的回答3. 自主决策没有人工指定先查天气再分析Agent自己规划了步骤六、局限性讨论老实说这个基础Agent有不少限制1. 工具调用解析依赖正则如果模型输出格式不规范就会失败。生产环境建议用Function Calling API2. 没有长期记忆每次对话都是独立的不记得上次交互3. 错误处理简单工具失败时缺乏重试和恢复机制4. 单工具调用每步只能调用一个工具复杂任务效率不高5. 成本不可控没有token计数和预算限制这些问题会在本系列后续文章中逐步解决。总结本文实现了一个基于ReAct框架的AI Agent核心要素1. Thought-Action-Observation循环Agent的核心运行模式2. 工具抽象统一的工具接口方便扩展3. 对话历史管理通过messages维护上下文代码量不到200行但包含了Agent的核心要素。理解这个基础框架比直接用LangChain等框架更有价值——因为你知道底层在做什么。 下一篇《AI Agent实战二给智能体加上工具使用和记忆能力》将实现Function Calling集成和持久化记忆系统。*本文由AI辅助整理经作者亲自验证和编辑。代码在Python 3.12 DeepSeek API环境下测试通过。如有问题欢迎评论区交流。*最后更新2026年5月
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/16 19:23:38

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/16 6:47:19

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/16 17:28:18

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉