Python入门：从零开始写你的第一个AI智能体，30分钟搞定！

🎁个人主页：我滴老baby
🎉欢迎大家点赞👍评论📝收藏⭐文章
🔍系列专栏：AI

Python入门：从零开始写你的第一个AI智能体，30分钟搞定！

你是否想过，用不到100行Python代码，就能打造一个能自动思考、自主决策的AI智能体？这篇文章带你从零开始，一步步实现！

一、什么是AI智能体（Agent）？

在人工智能领域，Agent（智能体）是一个能够感知环境、自主思考并采取行动的程序。与传统程序不同，Agent具备以下核心特征：

简单来说，如果说传统程序是一个"执行命令的士兵"，那么AI Agent就是一个"能独立思考的将军"。

二、环境准备

在开始编码之前，请确保你的电脑已经安装好以下环境：

# 安装Python（建议3.10+）python--version# 创建虚拟环境python-mvenv agent_envsourceagent_env/bin/activate# Windows用: agent_env\Scripts\activate# 安装必要的库pipinstallopenai

你需要一个OpenAI API Key（或其他兼容的大模型API），可以在 OpenAI官网 申请。

三、最小Agent架构：感知-思考-行动

一个最简单的Agent由三个核心部分组成：

┌─────────────┐ │ 感知环境 │ ← 接收用户输入 / 获取外部信息 └──────┬──────┘ ▼ ┌─────────────┐ │ 思考推理 │ ← 大模型分析、规划、决策 └──────┬──────┘ ▼ ┌─────────────┐ │ 采取行动 │ ← 调用工具、返回结果 └─────────────┘

让我们用代码实现这个循环：

importjsonfromopenaiimportOpenAIclassSimpleAgent:"""一个最简的AI智能体"""def__init__(self,api_key:str,model:str="gpt-4o-mini"):self.client=OpenAI(api_key=api_key)self.model=model self.messages=[{"role":"system","content":"你是一个有用的AI助手。你可以帮助用户回答问题。"}]defperceive(self,user_input:str)->None:"""感知：接收用户输入"""self.messages.append({"role":"user","content":user_input})defthink(self)->str:"""思考：调用大模型进行推理"""response=self.client.chat.completions.create(model=self.model,messages=self.messages,temperature=0.7)reply=response.choices[0].message.content self.messages.append({"role":"assistant","content":reply})returnreplydefact(self,user_input:str)->str:"""行动：完整的感知-思考-行动循环"""self.perceive(user_input)returnself.think()# 使用示例if__name__=="__main__":agent=SimpleAgent(api_key="your-api-key-here")# 第一轮对话reply=agent.act("你好，请用一句话介绍什么是AI Agent")print(f"Agent:{reply}")# 第二轮对话（Agent有记忆）reply=agent.act("请展开详细解释你刚才说的内容")print(f"Agent:{reply}")

运行结果示例：

Agent: AI Agent（智能体）是一个能够自主感知环境、做出决策并采取行动以实现特定目标的人工智能系统。 Agent: 当然！刚才我提到AI Agent能感知环境、做决策、采取行动。具体来说...

四、给Agent装上"工具箱"

真正的Agent不仅仅是聊天，它还能调用工具。让我们给Agent添加计算器和天气查询功能：

importjsonfromopenaiimportOpenAI# 定义工具函数defcalculator(expression:str)->str:"""安全计算数学表达式"""try:allowed=set("0123456789+-*/.() ")ifall(cinallowedforcinexpression):returnstr(eval(expression))return"错误：表达式包含非法字符"exceptExceptionase:returnf"计算错误：{e}"defget_weather(city:str)->str:"""模拟天气查询（实际项目中调用真实API）"""weather_db={"北京":"晴天，25°C","上海":"多云，28°C","深圳":"小雨，30°C","成都":"阴天，22°C",}returnweather_db.get(city,f"暂无{city}的天气数据")# 工具定义（告诉大模型有哪些工具可用）tools=[{"type":"function","function":{"name":"calculator","description":"计算数学表达式的结果，例如 '2 + 3 * 4'","parameters":{"type":"object","properties":{"expression":{"type":"string","description":"要计算的数学表达式"}},"required":["expression"]}}},{"type":"function","function":{"name":"get_weather","description":"查询指定城市的天气","parameters":{"type":"object","properties":{"city":{"type":"string","description":"城市名称"}},"required":["city"]}}}]# 工具映射TOOL_MAP={"calculator":calculator,"get_weather":get_weather,}classToolAgent:"""带工具调用能力的AI智能体"""def__init__(self,api_key:str,model:str="gpt-4o-mini"):self.client=OpenAI(api_key=api_key)self.model=model self.messages=[{"role":"system","content":"你是一个有用的AI助手，可以帮用户计算和查询天气。"}]defrun(self,user_input:str)->str:"""运行Agent主循环"""self.messages.append({"role":"user","content":user_input})whileTrue:# 思考：调用大模型response=self.client.chat.completions.create(model=self.model,messages=self.messages,tools=tools,tool_choice="auto")msg=response.choices[0].message# 如果模型想调用工具ifmsg.tool_calls:self.messages.append(msg)fortool_callinmsg.tool_calls:func_name=tool_call.function.name func_args=json.loads(tool_call.function.arguments)print(f" [工具调用]{func_name}({func_args})")# 执行工具result=TOOL_MAP[func_name](**func_args)print(f" [工具结果]{result}")# 把结果告诉模型self.messages.append({"role":"tool","tool_call_id":tool_call.id,"content":str(result)})# 继续循环，让模型基于工具结果生成回复else:# 模型直接回复，结束循环self.messages.append(msg)returnmsg.content# 运行示例if__name__=="__main__":agent=ToolAgent(api_key="your-api-key-here")# 测试计算print("用户: 帮我算一下 (128 + 256) * 3 的结果")reply=agent.run("帮我算一下 (128 + 256) * 3 的结果")print(f"Agent:{reply}\n")# 测试天气查询print("用户: 北京今天天气怎么样？适合出门吗？")reply=agent.run("北京今天天气怎么样？适合出门吗？")print(f"Agent:{reply}")

运行结果：

用户: 帮我算一下 (128 + 256) * 3 的结果 [工具调用] calculator({'expression': '(128 + 256) * 3'}) [工具结果] 1152 Agent: (128 + 256) × 3 的结果是 **1152**。 用户: 北京今天天气怎么样？适合出门吗？ [工具调用] get_weather({'city': '北京'}) [工具结果] 晴天，25°C Agent: 北京今天是晴天，气温25°C，非常适合出门！

五、Agent核心循环总结

我们把Agent的运行机制总结成下面这张表：

六、下一步学习方向

恭喜你！你已经完成了一个完整的AI Agent。接下来可以探索的方向：

1. 多轮对话记忆— 添加长期记忆，让Agent记住之前的对话
2. RAG检索增强— 让Agent能查询你的私有文档
3. 多Agent协作— 多个Agent分工合作完成复杂任务
4. ReAct模式— 让Agent学会"推理-行动"交替循环

本文代码已在 Python 3.10+ 环境下测试通过。完整代码可在文末获取。