实现一个 AI Agent（AI 代理）的核心本质是：让大语言模型（LLM）具备“感知”、“思考/决策”和“执行工具”的能力，并通过一个循环机制不断纠错，直到完成目标。
不需要依赖复杂框架（如 LangChain 或 LlamaIndex），你可以仅用原生的 Python 和 LLM API（如 OpenAI API）从零搭建一个标准的 ReAct（Reasoning + Acting）机制 Agent。
一、 AI Agent 的核心架构
一个标准 Agent 包含四大要素：
+--------------------------------------+
| 系统提示词 |
| (设定角色、格式约束、工具描述) |
+--------------------------------------+
|
v
+------------------+ +------------------+ +------------------+
| 用户目标/输入 | --> | 大语言模型 (LLM) | --> | 思考决策 (Thought) |
+------------------+ +------------------+ +------------------+
^ |
| v
+------------------+ +------------------+
| 状态更新/历史记录 | <-- | 执行工具 (Action) |
+------------------+ +------------------+
-
LLM（大脑）：负责推理、分析当前状态并做出下一步决定。
-
Tools（手脚）：LLM 可以调用的函数或 API（例如：计算器、网页搜索、数据库查询）。
-
Prompt & Protocol（协议）：规定 LLM 思考和输出的固定格式（如
Thought -> Action -> Observation）。 -
Agent Loop（循环运行控制）：一个死循环（
while loop），负责将工具执行的结果再扔回给 LLM，直到输出终极答案。
二、 手把手代码实现（零框架极简版）
以下是一个用 Python 实现的完整 ReAct 架构 Agent。它能够识别是否需要使用计算器或执行搜索，并在多步思考后给出答案。
1. 定义可用工具 (Tools)
先编写 Agent 可以调用的真实 Python 函数：
Python
import math
def calculate(expression: str) -> str:
"""计算数学表达式"""
try:
# 注意：实际生产环境中请勿直接使用 eval，这里仅作 Demo 演示
result = eval(expression)
return str(result)
except Exception as e:
return f"计算错误: {e}"
def get_word_length(word: str) -> str:
"""获取字符串的长度"""
return str(len(word))
# 工具注册表
AVAILABLE_TOOLS = {
"calculate": calculate,
"get_word_length": get_word_length
}
2. 设计系统提示词 (Prompt Template)
告知模型它的思考流程和工具使用规范：
Python
SYSTEM_PROMPT = """你是一个具备思考和工具使用能力的 AI 助手。
你可以使用以下工具：
1. calculate(expression): 计算数学表达式，例如 calculate("2 + 2")
2. get_word_length(word): 计算单词或文本的长度，例如 get_word_length("hello")
请严格按照以下格式回答问题：
Thought: 你当前对问题的思考和下一步计划。
Action: 要调用的工具名称，必须是 [calculate, get_word_length] 之一。如果不需要调用工具，请输入 None。
Action Input: 传入工具的参数。如果 Action 为 None，这里填 None。
Observation: （此步骤由系统执行并提供给你，你不要自己生成 Observation）
当你有足够的信心得到最终答案时，使用以下格式输出并结束：
Thought: 我已经知道了最终答案。
Final Answer: 最终的解答内容。
开始！
"""
3. 实现 Agent 运行主循环 (Agent Loop)
这是 Agent 的核心控制代码：
Python
import re
from openai import OpenAI
client = OpenAI() # 需要设置 OPENAI_API_KEY 环境变量
def parse_llm_output(text: str):
"""解析 LLM 返回的文本，提取 Thought, Action, Action Input"""
action_match = re.search(r"Action:\s*(.*)", text)
input_match = re.search(r"Action Input:\s*(.*)", text)
action = action_match.group(1).strip() if action_match else "None"
action_input = input_match.group(1).strip() if input_match else "None"
return action, action_input
def run_agent(user_query: str, max_turns: int = 5):
# 初始化对话历史
messages = [
{"role": "system", "content": SYSTEM_PROMPT},
{"role": "user", "content": f"用户问题: {user_query}"}
]
print(f"=== 开始处理任务: {user_query} ===\n")
for turn in range(max_turns):
# 1. 调用 LLM 获取思考过程
response = client.chat.completions.create(
model="gpt-4o",
messages=messages,
temperature=0
)
llm_output = response.choices[0].message.content
print(llm_output)
# 将 LLM 的输出加入历史记录
messages.append({"role": "assistant", "content": llm_output})
# 2. 判断是否已经得到最终答案
if "Final Answer:" in llm_output:
print("\n=== 任务完成 ===")
return
# 3. 解析 Action 和 Action Input
action, action_input = parse_llm_output(llm_output)
# 4. 执行对应的工具 (Action)
if action in AVAILABLE_TOOLS:
tool_func = AVAILABLE_TOOLS[action]
# 清理字符串引号
clean_input = action_input.strip("'\"")
observation = tool_func(clean_input)
else:
observation = f"未知工具: {action}"
print(f"Observation: {observation}\n" + "-"*40)
# 5. 将观察到的结果反馈给 LLM（作为下一轮循环的输入）
messages.append({
"role": "user",
"content": f"Observation: {observation}"
})
# 运行测试
if __name__ == "__main__":
query = "请问单词 'supercalifragilisticexpialidocious' 的长度乘以 12.5 是多少？"
run_agent(query)
三、 进阶：如何让 Agent 更实用？
如果希望构建能用于生产环境的复杂 Agent，可以在极简框架的基础上扩展以下模块：
1. 使用原生 Function Calling / Tool Call
上面的示例通过文本正则匹配解析 Action，容易因为格式错乱出错。主流 LLM API（OpenAI、Anthropic、DeepSeek）都支持原生的 Tool Calling API，可以直接传 JSON Schema 格式的函数定义，由大模型原生地返回结构化的工具调用参数。
2. 增加持久化记忆 (Memory)
-
短期记忆：维护一个消息队列或滑动窗口，截断过长的历史 Context。
-
长期记忆：引入向量数据库（如 Chroma、Qdrant），将用户偏好或历史知识嵌入（Embedding）后按需检索（RAG）。
3. 多 Agent 协作 (Multi-Agent Systems)
对于极其复杂的工作流（如自动写软件工程、市场调研报告），单个 Agent 容易迷失。可以采用多 Agent 协作设计模式：
-
Supervisor 模式：由一个 Leader Agent 负责任务拆解分发，子 Agent 各司其职（如：写代码、测试、审查）。
-
Peer-to-Peer 模式：Agent 之间互相传达消息与协同谈判。
四、 常用开源框架生态
自己编写底层代码能助你透彻理解原理。当逻辑变得庞大时，可以借助开源生态快速搭建：
"""
最简单的 AI Agent 示例（基于 OpenRouter 免费模型的工具调用循环）
工作原理（ReAct 风格）：
1. 把用户问题和可用的"工具"一起发给大模型
2. 大模型决定是直接回答，还是需要调用某个工具
3. 如果需要工具：我们实际执行工具，把结果回传给模型继续推理
4. 重复直到模型给出最终答案
本脚本只用 Python 标准库（urllib/json），不依赖任何第三方包。
运行：python agent.py
"""
import os
import sys
import json
import datetime
import urllib.parse
import urllib.request
BASE_URL = "https://openrouter.ai/api/v1"
# 换成 OpenRouter 上任意免费模型 id，例如：
# meta-llama/llama-3.3-70b-instruct:free
# deepseek/deepseek-chat:free
MODEL = os.getenv("MODEL", "meta-llama/llama-3.3-70b-instruct:free")
def load_api_key() -> str:
"""优先取环境变量，否则尝试解析同目录 .env 文件。"""
key = os.getenv("OPENROUTER_API_KEY", "")
if key:
return key.strip()
env_file = os.path.join(os.path.dirname(os.path.abspath(__file__)), ".env")
if os.path.exists(env_file):
with open(env_file, "r", encoding="utf-8") as f:
for line in f:
line = line.strip()
if line.startswith("OPENROUTER_API_KEY"):
key = line.split("=", 1)[1].strip().strip('"').strip("'")
return key
return ""
API_KEY = load_api_key()
# ---------------------------------------------------------------------------
# 工具定义（给模型看的"说明书"）
# ---------------------------------------------------------------------------
TOOLS = [
{
"type": "function",
"function": {
"name": "get_now",
"description": "获取当前的日期和时间。",
"parameters": {"type": "object", "properties": {}},
},
},
{
"type": "function",
"function": {
"name": "calculate",
"description": "执行两个数字的四则运算，返回具体结果。",
"parameters": {
"type": "object",
"properties": {
"a": {"type": "number", "description": "第一个数字"},
"b": {"type": "number", "description": "第二个数字"},
"op": {
"type": "string",
"enum": ["+", "-", "*", "/"],
"description": "运算符",
},
},
"required": ["a", "b", "op"],
},
},
},
{
"type": "function",
"function": {
"name": "search_wikipedia",
"description": "在维基百科搜索一个词语，返回第一段简介。",
"parameters": {
"type": "object",
"properties": {
"query": {"type": "string", "description": "要搜索的词"}
},
"required": ["query"],
},
},
},
]
# ---------------------------------------------------------------------------
# 工具的实际实现
# ---------------------------------------------------------------------------
def get_now() -> str:
return datetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S")
def calculate(a: float, b: float, op: str) -> str:
if op == "+":
return str(a + b)
if op == "-":
return str(a - b)
if op == "*":
return str(a * b)
if op == "/":
if b == 0:
return "错误：除数不能为 0"
return str(a / b)
return f"未知运算符: {op}"
def search_wikipedia(query: str) -> str:
# 用维基百科的免费开放 API（不需要任何密钥）
url = (
"https://zh.wikipedia.org/w/api.php?"
+ urllib.parse.urlencode(
{
"action": "query",
"format": "json",
"prop": "extracts",
"exintro": True,
"explaintext": True,
"titles": query,
}
)
)
try:
req = urllib.request.Request(
url,
headers={"User-Agent": "MyAIAgent/1.0 (educational demo; contact me@example.com)"},
)
with urllib.request.urlopen(req, timeout=10) as resp:
data = json.loads(resp.read().decode("utf-8"))
pages = data.get("query", {}).get("pages", {})
for _, page in pages.items():
extract = page.get("extract", "")
if extract:
return extract[:500]
return f"没有找到关于“{query}”的资料。"
except Exception as e: # 网络问题等
return f"维基百科查询失败: {e}"
# 工具名 -> 实际函数 的映射表
TOOL_IMPLEMENTATIONS = {
"get_now": lambda: json.dumps({"result": get_now()}),
"calculate": lambda **kw: json.dumps({"result": calculate(kw["a"], kw["b"], kw["op"])}),
"search_wikipedia": lambda **kw: json.dumps({"result": search_wikipedia(kw["query"])}),
}
# ---------------------------------------------------------------------------
# 调用模型的辅助函数（纯标准库，OpenAI 兼容接口）
# ---------------------------------------------------------------------------
def chat_completion(messages, tools):
"""POST 到 OpenRouter 的 /chat/completions，返回 message 字典。"""
url = BASE_URL + "/chat/completions"
body = json.dumps(
{"model": MODEL, "messages": messages, "tools": tools, "tool_choice": "auto"}
).encode("utf-8")
req = urllib.request.Request(
url,
data=body,
headers={
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json",
"HTTP-Referer": "http://localhost",
"X-Title": "My First AI Agent",
},
method="POST",
)
with urllib.request.urlopen(req, timeout=120) as resp:
data = json.loads(resp.read().decode("utf-8"))
return data["choices"][0]["message"]
def run_agent(prompt: str, max_steps: int = 5):
# 消息历史：第一句是系统提示，之后是用户的提问
messages = [
{
"role": "system",
"content": (
"你是一个乐于助人的 AI Agent。你可以调用工具来获取真实信息，"
"然后基于工具返回的结果回答用户。回答请使用中文。"
),
},
{"role": "user", "content": prompt},
]
print(f"\n=== 用户问题: {prompt} ===")
for step in range(1, max_steps + 1):
print(f"\n▶ 第 {step} 步：调用模型 ...")
msg = chat_completion(messages, TOOLS)
messages.append(msg) # 保留模型这一步的发言/工具调用
# 模型没有要求调用工具 => 说明它给出了最终答案
tool_calls = msg.get("tool_calls")
if not tool_calls:
print("\n✅ 最终回答：")
print(msg.get("content"))
return msg.get("content")
# 模型要求调用工具：逐个执行，把结果塞回对话
for call in tool_calls:
fn = call["function"]
name, args = fn["name"], json.loads(fn["arguments"] or "{}")
print(f" 🔧 调用工具 [{name}]，参数: {args}")
result = TOOL_IMPLEMENTATIONS[name](**args)
messages.append(
{
"role": "tool",
"tool_call_id": call["id"],
"content": result,
}
)
print("\n⚠ 达到最大步骤数，未能完成。")
return None
# ---------------------------------------------------------------------------
# 入口
# ---------------------------------------------------------------------------
if __name__ == "__main__":
# 让中文/特殊字符在任何 Windows 终端都能正常打印
if hasattr(sys.stdout, "reconfigure"):
sys.stdout.reconfigure(encoding="utf-8", errors="replace")
if not API_KEY:
print("缺少 API Key。请先在官网 https://openrouter.ai 注册并获取密钥，")
print("然后把它写到同目录的 .env 文件里：OPENROUTER_API_KEY=你的密钥")
print("示例见 .env.example")
raise SystemExit(1)
print(f"使用模型: {MODEL}")
questions = [
"现在几点钟了？今天是几月几号？",
"帮我计算 12345 * 678 等于多少？",
"用中文简单介绍一下“人工智能”。",
]
# 你可以改成任意自己想问的中文问题，例如：
# questions = ["今天的天气怎么样？", "帮我写一首关于秋天的五行诗"]
for q in questions:
run_agent(q)
print("\n" + "-" * 60)
-
LangGraph / LangChain：适合构建有向无环图（DAG）和复杂状态调度的企业级 Agent。
-
CrewAI：高度面向角色扮演和团队协作（Multi-Agent）的开箱即用框架。
-
AutoGen (Microsoft)：微软主导的高扩展性多 Agent 讨论与代码生成框架。
-
Dify / FastGPT：支持可视化 Flow 画布调优的工作流 Agent 平台（适合低代码部署）。
扫一扫
631
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
