第1章：什么是 AI Agent？

📌 本章目标

  • 理解 AI Agent 是什么，它和普通 Chatbot 有什么本质区别
  • 理解 Agent 的三大核心组件
  • 理解 ReAct（推理+行动）工作模式
  • 对你的第一个 Agent 代码建立感性认识

1.1 从一个场景说起

假设你问 ChatGPT：“帮我查一下北京明天的天气，如果下雨就提醒我带伞，如果是晴天就建议我去爬山。”

普通 Chatbot 的回答：

抱歉，我无法获取实时天气数据。建议你查看天气预报 App。
（为什么会导致这种情况呢？原因很简单传统大模型属于离线知识库，仅学习训练数据集内的历史信息，不具备主动联网、获取实时动态数据的能力。天气预报属于时效性极强的外部实时信息，模型无法调取，因此不能完成条件判断与后续提醒。）

想要实现「查实时天气 + 条件判断提醒」的完整流程，就需要结合联网工具调用、流程编排能力，这也是 AI Agent 区别于传统对话大模型的核心能力之一。

一个 AI Agent 的行为：

  1. 🤔 思考：用户想知道北京明天的天气，我需要先获取天气数据
  2. 🔧 行动：调用天气查询工具，传入参数 city="北京"
  3. 👀 观察：得到了结果"明天北京晴，25°C"
  4. 🤔 思考：天气是晴天，用户说晴天就建议爬山
  5. 📝 回答：“明天北京是晴天，25°C，非常适合户外活动！建议你去香山爬山，记得带瓶水～”

看出区别了吗？Agent 能主动调用工具、观察结果、调整行动，而 Chatbot 只能基于训练数据"硬猜"。

1.2 Agent 的三大核心组件

在这里插入图片描述

🧠 LLM（大脑）

大语言模型是 Agent 的"大脑"，负责：

  • 理解用户意图
  • 推理下一步该做什么
  • 决定调用哪个工具、传什么参数

🔧 Tools（手脚）

工具让 Agent 能与外部世界交互，比如：

  • 搜索网页 / 查询数据库
  • 发送邮件 / 操作文件
  • 调用计算器 / 运行代码

📝 Memory（记事本）

记忆让 Agent 能记住上下文，比如：

  • 这次的对话历史（短期记忆）
  • 用户的偏好和习惯（长期记忆）
  • 上次任务的结果

1.3 ReAct 模式：Agent 的工作方式

ReAct = Reasoning + Acting（推理 + 行动），这是目前最主流的 Agent 工作模式。

在这里插入图片描述

关键点：Agent 不是一次性规划好所有步骤，而是走一步看一步——每执行一个动作后，观察结果再决定下一步。

1.4 你的第一个 Agent 代码（先跑起来再说）

💡 看不懂没关系！这里只是让你对 Agent 代码长什么样有个感觉。后面每一章都会详细拆解。
增加了对话循环对话功能，来运行你的第一个Agent吧！！！

"""
=============================================================================
第1章：你的第一个 Agent —— 天气查询助手
=============================================================================
功能：演示 Agent 的"思考→行动→观察"循环 + 支持多轮连续对话
使用前：
  1. pip install openai python-dotenv
  2. 在同目录下创建 .env 文件，写入: DEEPSEEK_API_KEY=sk-你的密钥
  3. python chapter_01_first_agent.py
=============================================================================
"""

import os
import json
from openai import OpenAI
from dotenv import load_dotenv

load_dotenv()  # 自动加载 .env 文件中的 DEEPSEEK_API_KEY

# ============================================
# 第1步：配置 DeepSeek 客户端
# ============================================
client = OpenAI(
    api_key=os.getenv("DEEPSEEK_API_KEY"),  # 从环境变量读取密钥
    base_url="https://api.deepseek.com/v1"   # DeepSeek API 地址
)

# ============================================
# 第2步：定义一个工具函数
# ============================================
def get_weather(city: str) -> str:
    """查询天气（演示用，返回模拟数据）"""
    weather_db = {
        "北京": "晴，25°C，适合户外活动",
        "上海": "多云，28°C，有点闷热",
        "深圳": "阵雨，30°C，记得带伞",
    }
    return weather_db.get(city, f"抱歉，没找到{city}的天气数据")

# ============================================
# 第3步：用自然语言描述工具（告诉模型怎么用）
# ============================================
TOOLS = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "查询指定城市的天气情况",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {
                        "type": "string",
                        "description": "城市名称，例如：北京、上海、深圳"
                    }
                },
                "required": ["city"]
            }
        }
    }
]

# ============================================
# 第4步：Agent 主循环 —— 这就是 Agent 的核心！
# 修复：支持多轮工具调用、完整消息上下文、多 tool_calls
# ============================================
def run_agent(messages, max_steps: int = 5) -> tuple[str, list]:
    """
    Agent 主循环：思考 → 行动 → 观察 → 再思考...
    :param messages: 全局对话上下文
    :param max_steps: 最大工具调用步数
    :return: 回答内容, 更新后的对话上下文
    """
    for step in range(max_steps):
        print(f"\n--- 第 {step + 1} 步 ---")

        # 调用 DeepSeek
        response = client.chat.completions.create(
            model="deepseek-chat",
            messages=messages,
            tools=TOOLS
        )

        msg = response.choices[0].message

        # 情况A：模型直接给出最终回答，结束流程
        if not msg.tool_calls:
            print(f"✅ Agent 给出最终回答")
            return msg.content, messages

        # 情况B：存在工具调用，遍历所有 tool_call（支持一次调用多个工具）
        print(f"🔧 开始执行工具调用")
        # 先把 assistant 工具调用消息加入上下文（必须）
        messages.append(msg)

        for tool_call in msg.tool_calls:
            func_name = tool_call.function.name
            func_args = json.loads(tool_call.function.arguments)
            tool_id = tool_call.id

            print(f"🔧 Agent 决定调用工具: {func_name}({func_args})")

            # 执行对应工具
            if func_name == "get_weather":
                result = get_weather(**func_args)

            print(f"👀 工具返回结果: {result}")

            # 逐条追加 tool 响应消息，绑定对应 tool_call_id（核心修复点）
            messages.append({
                "role": "tool",
                "tool_call_id": tool_id,
                "name": func_name,
                "content": result
            })

    return "达到最大步数限制，任务未完成", messages


# ============================================
# 第5步：运行程序（新增多轮连续对话）
# ============================================
if __name__ == "__main__":
    print("===== 天气查询Agent（支持连续对话，输入 quit 退出）=====")
    # 全局对话上下文，多轮对话共用
    chat_messages = []

    # 示例1：单次查询（原有用例）
    print("\n【示例1：单城市查询】")
    user_text = "帮我查一下北京今天的天气"
    print(f"用户：{user_text}")
    chat_messages.append({"role": "user", "content": user_text})
    res, chat_messages = run_agent(chat_messages)
    print(f"\n最终结果：{res}")

    print("\n" + "=" * 60 + "\n")

    # 示例2：多工具调用（北京+深圳对比）
    print("【示例2：多城市对比查询】")
    user_text = "查一下北京和深圳的天气，告诉我哪个城市更适合出门玩"
    print(f"用户：{user_text}")
    chat_messages.append({"role": "user", "content": user_text})
    res, chat_messages = run_agent(chat_messages)
    print(f"\n最终结果：{res}")

    print("\n" + "=" * 60 + "\n")

    # 新增：交互式连续对话
    print("【进入连续对话模式，输入 quit 结束对话】")
    while True:
        user_input = input("请输入你的问题：")
        if user_input.strip().lower() == "quit":
            print("对话已结束！")
            break

        # 将用户提问加入上下文
        chat_messages.append({"role": "user", "content": user_input})
        # 执行Agent逻辑
        answer, chat_messages = run_agent(chat_messages)
        print(f"Agent回复：{answer}")

运行这个代码，你会看到类似这样的输出：

--- 第 1 步 ---
🔧 Agent 决定调用工具: get_weather({'city': '北京'})
👀 工具返回结果: 晴，25°C，适合户外活动

--- 第 2 步 ---
🔧 Agent 决定调用工具: get_weather({'city': '深圳'})
👀 工具返回结果: 阵雨，30°C，记得带伞

--- 第 3 步 ---
✅ Agent 给出最终回答

最终结果：北京今天晴天，25°C，非常适合出门玩！
深圳有阵雨，30°C，建议改天再去。

============================================================

【进入连续对话模式，输入 quit 结束对话】
请输入你的问题：北京天气怎么样

--- 第 1 步 ---
✅ Agent 给出最终回答
Agent回复：从刚才查询的结果来看，北京今天的天气情况如下：

☀️ **天气**：晴
🌡️ **温度**：25°C
👍 **建议**：适合户外活动

整体来说北京今天天气非常不错，阳光明媚、温度舒适，很适合出门游玩哦！相比之下，深圳今天有阵雨，温度也较高（30°C），所以**北京更适合出门玩**～

看到没？Agent 自己决定了要查两个城市，自己比较了结果，自己给出了最终建议。这就是 Agent 的魔力！

1.5 Agent vs Chatbot vs 工作流：一张表说清楚

特性 普通 Chatbot 硬编码工作流 AI Agent
决策方式 无决策，一问一答 程序员预先写好 LLM 自主决策
工具使用 ❌ 不支持 ✅ 按固定顺序 ✅ 自主选择何时用
容错能力 N/A ❌ 遇到意外就崩 ✅ 能观察结果并重试
适用场景 闲聊、问答 固定流程（如审批） 开放任务（如"帮我写报告"）
开发难度 低 中 中高

📝 本章小结

  1. Agent 的本质：一个能自主"思考→行动→观察→再思考"的 AI 程序
  2. 三大组件：LLM（大脑）+ Tools（手脚）+ Memory（记事本）
  3. ReAct 模式：Reasoning + Acting，走一步看一步
  4. 核心循环：调用 LLM → 解析意图 → 执行工具 → 观察结果 → 继续循环
    部分内容由AI生成，代码均可运行。

✏️ 练习题

  1. 思考题：如果让 Agent 帮你订机票，它需要哪些工具？试着列出至少 3 个。

  2. 改代码：在上面的天气 Agent 中，把 get_weather 函数里的城市数据多加几个城市（杭州、成都、广州），然后测试。

  3. 进阶思考：如果 Agent 调用了 get_weather("北京")，但工具返回了错误信息"API 超时"，Agent 应该怎么做？试着在你的代码里加一个错误返回，看看 Agent 的反应。

下一章预告：第2章：环境搭建与 DeepSeek API 入门 —— 我们会手把手配好所有环境，写出第一个完整的 API 调用！

# python # 人工智能 # AIGC
Logo
CSDN-OPC开发者社区

这里是“一人公司”的成长家园。我们提供从产品曝光、技术变现到法律财税的全栈内容，并连接云服务、办公空间等稀缺资源，助你专注创造，无忧运营。

更多推荐

cover

从零构建 Java 智能体 RAG 系统：Milvus 向量数据库实战指南

avatar CSDN-OPC开发者社区
cover

提升办公效率：OpenClaw 本地自动化 AI 工具搭建实战教程

avatar CSDN-OPC开发者社区
cover

OpenClaw一键安装部署操作指南，TopClaw中文界面零基础上手

avatar CSDN-OPC开发者社区