1. 引言

AI 智能体（Agent）是当前人工智能领域最热门的概念之一。简单来说，AI 智能体是一个能够感知环境、做出决策并采取行动来完成特定目标的智能系统。它不仅仅是聊天机器人，更是一个能够自主规划、调用工具、记忆上下文并持续迭代的「数字员工」。

本文将从核心概念讲起，逐步深入到架构原理，最后通过完整的 Python 代码实战，带你从零构建一个可运行的 AI 智能体。

2. 什么是 AI 智能体

AI 智能体（Agent）是指以大型语言模型（LLM）为核心大脑，通过感知、规划、记忆和行动四个核心模块协同工作，自主完成复杂任务的系统。

与传统聊天机器人不同，AI 智能体具备以下关键特征：

• 自主性：能够独立拆解任务并制定执行计划，无需人工逐步干预。
• 工具调用：可以调用外部工具（如搜索引擎、代码解释器、API 接口）来扩展能力边界。
• 记忆能力：能够记住历史对话和中间结果，支持多轮复杂任务。
• 反思迭代：能够根据执行结果自我评估、纠错并重新规划。

3. AI 智能体的核心架构

一个完整的 AI 智能体通常由以下四个核心模块组成：

模块	职责	典型实现
感知模块	接收并理解用户输入、环境状态	LLM 文本理解、多模态编码
规划模块	拆解任务、制定执行步骤	思维链（CoT）、ReAct 模式
记忆模块	存储短期对话与长期知识	上下文窗口、向量数据库
行动模块	调用工具、执行动作并返回结果	Function Calling、代码执行器

下图展示了 AI 智能体的典型工作流程：

flowchart TD
    A[用户输入] --> B[感知模块]
    B --> C[规划模块]
    C --> D{是否需要工具}
    D -->|是| E[行动模块: 调用工具]
    E --> F[记忆模块: 存储结果]
    F --> C
    D -->|否| G[生成最终回复]
    G --> H[输出给用户]

4. 环境准备

在开始代码实战之前，我们需要先安装必要的依赖库。本文使用 Python 3.9+ 和 OpenAI 兼容的 API 接口进行演示。

# 创建虚拟环境（可选）
python -m venv agent_env
source agent_env/bin/activate  # Windows 下使用 agent_env\Scripts\activate
安装依赖
pip install openai python-dotenv requests

接下来，在项目根目录创建 .env 文件，填入你的 API 密钥：

OPENAI_API_KEY=sk-your-api-key-here
OPENAI_BASE_URL=https://api.openai.com/v1
MODEL_NAME=gpt-4o-mini

5. 代码实战：从零构建一个 AI 智能体

下面我们通过一个完整的实战项目，构建一个能够自主查询天气、计算数学表达式并回答问题的 AI 智能体。

5.1 定义工具函数

首先，我们定义智能体可以调用的工具。这里实现两个工具：天气查询和数学计算。

import json
import math
import requests
def get_weather(city: str) -> str:
"""查询指定城市的天气信息（模拟数据）"""
weather_data = {
"北京": "晴，25°C，微风",
"上海": "多云，28°C，东南风3级",
"广州": "雷阵雨，30°C，南风2级",
"深圳": "阴，29°C，西南风2级",
}
return weather_data.get(city, f"抱歉，暂无 {city} 的天气数据")
def calculate(expression: str) -> str:
"""计算数学表达式，如 '2 + 3 * 4'"""
try:
# 安全计算：仅允许数字和基本运算符
allowed = set("0123456789+-*/(). ")
if not all(c in allowed for c in expression):
return "表达式包含非法字符"
result = eval(expression, {"builtins": {}}, {"math": math})
return f"{expression} = {result}"
except Exception as e:
return f"计算错误: {str(e)}"
工具注册表：供 LLM 识别
TOOLS = [
{
"type": "function",
"function": {
"name": "get_weather",
"description": "查询指定城市的实时天气信息",
"parameters": {
"type": "object",
"properties": {
"city": {"type": "string", "description": "城市名称，如 北京"}
},
"required": ["city"]
}
}
},
{
"type": "function",
"function": {
"name": "calculate",
"description": "计算数学表达式",
"parameters": {
"type": "object",
"properties": {
"expression": {"type": "string", "description": "数学表达式，如 2 + 3 * 4"}
},
"required": ["expression"]
}
}
}
]
工具分发映射
TOOL_FUNCTIONS = {
"get_weather": get_weather,
"calculate": calculate,
}

5.2 构建智能体核心循环

接下来实现智能体的核心执行循环。它采用 ReAct（Reasoning + Acting）模式：先让 LLM 推理，如果需要工具就调用工具，拿到结果后再继续推理，直到生成最终答案。

from openai import OpenAI
import os
from dotenv import load_dotenv
load_dotenv()
client = OpenAI(
api_key=os.getenv("OPENAI_API_KEY"),
base_url=os.getenv("OPENAI_BASE_URL"),
)
MODEL = os.getenv("MODEL_NAME", "gpt-4o-mini")
class Agent:
def init(self, system_prompt: str):
self.system_prompt = system_prompt
self.messages = [{"role": "system", "content": system_prompt}]
def run(self, user_input: str, max_steps: int = 5) -> str:
    """执行智能体主循环"""
    self.messages.append({"role": "user", "content": user_input})
for step in range(max_steps):
    print(f"\n--- 第 {step + 1} 轮推理 ---")
response = client.chat.completions.create(
    model=MODEL,
    messages=self.messages,
    tools=TOOLS,
    tool_choice="auto",
)
message = response.choices[0].message
self.messages.append(message)
如果模型没有要求调用工具，说明已生成最终答案
if not message.tool_calls:
return message.content
处理工具调用
for tool_call in message.tool_calls:
fn_name = tool_call.function.name
fn_args = json.loads(tool_call.function.arguments)
print(f"调用工具: {fn_name}({fn_args})")
# 执行工具函数
result = TOOL_FUNCTIONS[fn_name](**fn_args)
print(f"工具返回: {result}")

# 把工具结果追加到对话中
self.messages.append({
    "role": "tool",
    "tool_call_id": tool_call.id,
    "content": str(result),
})
return "已达到最大推理步数，任务未完成。"
创建智能体实例
agent = Agent(
system_prompt="你是一个智能助手。你可以调用工具来查询天气和计算数学表达式。"
"当需要工具时，请调用对应函数；否则直接回答用户。"
)

5.3 运行智能体

现在我们来测试智能体的实际效果：

if __name__ == "__main__":
    # 测试 1：查询天气
    result1 = agent.run("北京今天天气怎么样？")
    print("\n最终回答:", result1)
# 测试 2：数学计算
result2 = agent.run("请计算 (15 + 7) * 3 的结果")
print("\n最终回答:", result2)
测试 3：多轮对话（智能体有记忆）
result3 = agent.run("那上海呢？")
print("\n最终回答:", result3)</code></pre>
运行上述代码，你会看到智能体自动完成「理解意图 → 调用工具 → 整合结果 → 输出答案」的完整流程。输出效果类似：
--- 第 1 轮推理 ---
调用工具: get_weather({'city': '北京'})
工具返回: 北京，晴，25°C，微风
最终回答: 北京今天天气晴朗，气温 25°C，微风，适合外出活动。
--- 第 1 轮推理 ---
调用工具: calculate({'expression': '(15 + 7) * 3'})
工具返回: (15 + 7) * 3 = 66
最终回答: (15 + 7) * 3 的计算结果是 66。
--- 第 1 轮推理 ---
调用工具: get_weather({'city': '上海'})
工具返回: 上海，多云，28°C，东南风3级
最终回答: 上海今天多云，气温 28°C，东南风 3 级。
6. 进阶：为智能体添加记忆能力
上面的示例中，智能体通过 self.messages 维护了短期记忆，能够记住同一会话内的上下文。但对于长期记忆（跨会话），我们需要引入向量数据库。
下面演示如何使用简单的向量检索为智能体添加长期记忆：
import numpy as np
class MemoryStore:
"""基于向量的简易长期记忆存储"""
def init(self):
self.items = []  # 存储 (文本, 向量) 对
def add(self, text: str, vector: list):
self.items.append((text, np.array(vector)))
def search(self, query_vector: list, top_k: int = 3) -&gt; list:
"""余弦相似度检索最相关的记忆"""
query = np.array(query_vector)
results = []
for text, vec in self.items:
# 计算余弦相似度
cos_sim = np.dot(query, vec) / (np.linalg.norm(query) * np.linalg.norm(vec) + 1e-8)
results.append((text, cos_sim))
results.sort(key=lambda x: x[1], reverse=True)
return [text for text, _ in results[:top_k]]
使用示例（需要 embedding 模型）
def get_embedding(text: str) -> list:
"""调用 OpenAI Embedding 接口生成向量"""
resp = client.embeddings.create(
model="text-embedding-3-small",
input=text
)
return resp.data[0].embedding
memory = MemoryStore()
存储长期知识
memory.add("用户喜欢简洁的回答风格", get_embedding("用户喜欢简洁的回答风格"))
memory.add("用户上次询问了北京的天气", get_embedding("用户上次询问了北京的天气"))
检索相关记忆
query = "用户偏好什么风格？"
related = memory.search(get_embedding(query))
print("检索到的相关记忆:", related)
7. 主流 AI 智能体框架对比
在实际项目中，我们通常不需要从零构建智能体，而是使用成熟的框架。以下是几个主流框架的对比：
框架
核心特点
适用场景
学习成本
LangChain
模块化程度高，生态丰富，支持多种模型和工具
通用智能体、RAG 应用
中等
AutoGen
支持多智能体协作，对话驱动
多角色协作、复杂任务分解
中等
CrewAI
角色化团队协作，配置简单
自动化工作流、团队模拟
较低
OpenAI Assistants
官方托管，内置检索和代码解释器
快速原型、生产级应用
低
8. 实战：使用 LangChain 快速构建智能体
为了展示框架的便捷性，下面用 LangChain 重新实现上面的天气查询智能体：
pip install langchain langchain-openai
from langchain_openai import ChatOpenAI
from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain.tools import tool
from langchain_core.prompts import ChatPromptTemplate
@tool
def get_weather(city: str) -> str:
"""查询指定城市的天气信息"""
weather_data = {
"北京": "晴，25°C，微风",
"上海": "多云，28°C，东南风3级",
"广州": "雷阵雨，30°C，南风2级",
}
return weather_data.get(city, f"暂无 {city} 的天气数据")
@tool
def calculate(expression: str) -> str:
"""计算数学表达式"""
try:
return f"{expression} = {eval(expression)}"
except Exception as e:
return f"计算错误: {e}"
初始化模型和工具
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
tools = [get_weather, calculate]
构建提示词
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个智能助手，可以调用工具完成任务。"),
("human", "{input}"),
("placeholder", "{agent_scratchpad}"),
])
创建智能体
agent = create_tool_calling_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
运行
result = agent_executor.invoke({"input": "北京天气怎么样？顺便算一下 12 * 8"})
print(result["output"])
可以看到，使用 LangChain 后代码量大幅减少，框架自动处理了工具调用循环、错误重试和结果整合等细节。
9. 智能体的局限与挑战
尽管 AI 智能体能力强大，但在实际落地中仍面临不少挑战：
幻觉问题：LLM 可能生成看似合理但实际错误的信息，需要引入验证机制。
工具调用错误：工具参数格式错误、API 超时等问题需要健壮的错误处理。
上下文长度限制：长任务会消耗大量 Token，需要合理设计记忆管理策略。
安全与权限：智能体自主执行操作时，需要严格的权限控制和审计机制。
成本控制：多轮推理和工具调用会显著增加 API 调用成本。
10. 总结与展望
本文从概念、架构到代码实战，系统性地介绍了 AI 智能体（Agent）：
AI 智能体是以 LLM 为核心，具备感知、规划、记忆和行动能力的自主系统。
核心架构包括感知、规划、记忆、行动四大模块，ReAct 模式是主流实现范式。
通过 Function Calling 机制，智能体可以调用外部工具扩展能力。
从零实现一个智能体约需 100 行代码，使用 LangChain 等框架可大幅简化开发。
未来，AI 智能体将朝着多智能体协作、更强的自主规划能力和更安全的执行机制方向发展。掌握智能体的构建原理，是每一位 AI 开发者进阶的必经之路。