使用Python從零搭建一個AI Agent的實戰(zhàn)指南

更新時間：2026年05月08日 08:25:51 作者：Xidaoapi

2026年最火的概念之一就是AI Agent——讓大模型不再只是聊天機器人,而是能自主規(guī)劃、調用工具、完成復雜任務的智能體,本文用純Python從零實現(xiàn)一個可用的Agent,不依賴任何框架,需要的朋友可以參考下

引言

2026年最火的概念之一就是AI Agent——讓大模型不再只是聊天機器人，而是能自主規(guī)劃、調用工具、完成復雜任務的智能體。本文用純Python從零實現(xiàn)一個可用的Agent，不依賴任何框架。

Agent的核心循環(huán)

Agent的本質就一個循環(huán)：思考→行動→觀察→再思考。

用戶輸入 → LLM推理 → 決定是否調用工具 → 執(zhí)行工具 → 觀察結果 → 繼續(xù)推理 → 輸出

最小實現(xiàn)

import json
from openai import OpenAI

client = OpenAI()  # 確保API key已配置

# 定義工具
tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "獲取指定城市的天氣",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {"type": "string", "description": "城市名稱"}
                },
                "required": ["city"]
            }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "calculate",
            "description": "執(zhí)行數(shù)學計算",
            "parameters": {
                "type": "object",
                "properties": {
                    "expression": {"type": "string", "description": "數(shù)學表達式"}
                },
                "required": ["expression"]
            }
        }
    }
]

# 工具實現(xiàn)
def get_weather(city: str) -> str:
    # 實際項目中接入天氣API
    return f"{city}今天晴，氣溫22°C"

def calculate(expression: str) -> str:
    try:
        result = eval(expression)  # 生產環(huán)境請用安全解析器
        return str(result)
    except Exception as e:
        return f"計算錯誤: {e}"

TOOL_MAP = {
    "get_weather": get_weather,
    "calculate": calculate,
}

def run_agent(user_input: str, max_steps: int = 5) -> str:
    messages = [{"role": "user", "content": user_input}]

    for step in range(max_steps):
        response = client.chat.completions.create(
            model="gpt-4o",
            messages=messages,
            tools=tools,
            tool_choice="auto"
        )

        msg = response.choices[0].message
        messages.append(msg)

        # 沒有工具調用，直接返回結果
        if not msg.tool_calls:
            return msg.content

        # 執(zhí)行工具調用
        for tool_call in msg.tool_calls:
            fn_name = tool_call.function.name
            fn_args = json.loads(tool_call.function.arguments)

            print(f"  ?? 調用工具: {fn_name}({fn_args})")
            result = TOOL_MAP[fn_name](**fn_args)

            messages.append({
                "role": "tool",
                "tool_call_id": tool_call.id,
                "content": result
            })

    return "達到最大步數(shù)限制"

實際運行

# 簡單查詢
print(run_agent("北京天氣怎么樣？"))
# ?? 調用工具: get_weather({'city': '北京'})
# 北京今天晴，氣溫22°C

# 多步推理
print(run_agent("北京和上海哪個更暖和？"))
# ?? 調用工具: get_weather({'city': '北京'})
# ?? 調用工具: get_weather({'city': '上海'})
# 根據(jù)查詢結果，上海今天25°C，北京22°C，上海更暖和

加上記憶系統(tǒng)

單輪Agent只是開始。真正的Agent需要跨對話記住信息：

import sqlite3

class AgentMemory:
    def __init__(self, db_path: str = "agent_memory.db"):
        self.conn = sqlite3.connect(db_path)
        self.conn.execute("""
            CREATE TABLE IF NOT EXISTS memories (
                id INTEGER PRIMARY KEY,
                key TEXT UNIQUE,
                value TEXT,
                created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
            )
        """)
        self.conn.commit()

    def save(self, key: str, value: str):
        self.conn.execute(
            "INSERT OR REPLACE INTO memories (key, value) VALUES (?, ?)",
            (key, value)
        )
        self.conn.commit()

    def recall(self, key: str) -> str | None:
        row = self.conn.execute(
            "SELECT value FROM memories WHERE key = ?", (key,)
        ).fetchone()
        return row[0] if row else None

    def list_all(self) -> list[dict]:
        rows = self.conn.execute(
            "SELECT key, value FROM memories ORDER BY created_at DESC LIMIT 20"
        ).fetchall()
        return [{"key": r[0], "value": r[1]} for r in rows]

把記憶工具加入Agent的tools列表，Agent就能自主決定什么時候存取信息了。

關鍵設計原則

工具描述要精確——LLM根據(jù)description決定何時調用，描述模糊會導致錯誤調用
限制最大步數(shù)——防止死循環(huán)，5-10步足夠大多數(shù)任務
錯誤處理要優(yōu)雅——工具失敗時返回有意義的錯誤信息，而不是拋異常
用streaming提升體驗——長推理過程讓用戶看到中間輸出

與框架對比

方案	靈活性	學習成本	適合場景
純Python（本文）	最高	低	定制化Agent
LangChain Agent	中等	高	標準化工作流
CrewAI	較低	中等	多Agent協(xié)作
Dify	低	最低	零代碼搭建