ARTICLE · 1082601
别再让 AI 只当聊天工具了:7 天从零造出你的第一个 Agent AI(保姆级教程|代码可直接抄)
别再让 AI 只当聊天工具了:7 天从零造出你的第一个 Agent AI(保姆级教程|代码可直接抄)
引言：AI 的下半场，拼的是“会干活” 你好，我是小北。过去一年，你可能已经习惯了每天和 ChatGPT、Kimi、豆包聊聊天、写写文案、查查资料。但你知道吗？这些聊天机器人，其实只是 AI 能力的冰山一角。 真正值钱的，是Agent（智能体）——它能自己拆解任务、自己调用工具、自己循环思考，就像一位不用发工资、7×24 小时在线的数字员工。打个比方：聊天机器人是“只会出主意的顾问”，Agent 是“直接动手把活干完的员工”。 好消息是，做出一个属于自己的 Agent，没有想象中那么难。不需要数学功底，不需要科班背景，只要你会“复制粘贴”。下面这份7 天保姆级教程，每一步我都帮你拆好了，代码全部可以直接抄。 先别急着写代码，花半小时建立认知。一个 Agent 就是四样东西的组合： 大脑（LLM） ：负责理解和决策的大模型； 手脚（Tools） ：能调用搜索、计算、发邮件等外部工具； 记性（Memory） ：记住上下文和任务进度； 循环（Loop） ：不断“思考→行动→观察→再思考”，直到完成任务。 记住一句话：Agent = 大模型 + 工具 + 记忆 + 循环。后面的每一天，我们都在往这个公式里填东西。 去 python.org 下载并安装 Python 3.10+（安装时记得勾选 Add to PATH）； 注册一个大模型平台的账号并拿到 API Key（国外可选 OpenAI，国内可选智谱 GLM、通义千问，都行）； 打开终端，运行下面这行命令安装依赖： pip install openai python-dotenv 这是 Agent 和聊天机器人的分水岭。普通聊天只会“说”，而我们让 AI 学会“调用”。下面这段代码，就是让 AI 遇到天气问题时，自动调用一个查询函数： from openai import OpenAI client = OpenAI(api_key="你的密钥") response = client.chat.completions.create( model="gpt-4o-mini", tools=[{ "type": "function", "function": { "name": "get_weather", "description": "查询指定城市的天气", "parameters": { "type": "object", "properties": { "city": {"type": "string"} }, "required": ["city"] } } }], messages=[{"role": "user", "content": "北京今天天气怎么样？"}] ) print(response.choices[0].message) 看到返回值里出现 tool_calls，说明 AI 已经学会“伸手”了。恭喜，你的第一个 Agent 雏形诞生了！ 一个工具不够，那就多装几个。把“手脚”写在函数里： def get_weather(city): return f"{city}：晴，25℃，适合出门" def calculate(expr): return eval(expr) def search(keyword): return f"关于「{keyword}」的最新资讯：#……" tools = [ {"type": "function", "function": {"name": "get_weather", ...}}, {"type": "function", "function": {"name": "calculate", ...}}, {"type": "function", "function": {"name": "search", ...}}, ] 想加什么能力，就照着模板写一个函数、注册进 tools 列表里。就像给手机装 App，Agent 的能力边界由你决定。 没有记忆的 Agent 是“金鱼”，聊两句就忘。最简单的记忆就是保存对话历史，下次带上一起请求： messages = [{"role": "system", "content": "你是贴心助手"}] while True: user = input("你：") messages.append({"role": "user", "content": user}) reply = client.chat.completions.create(model="gpt-4o-mini", messages=messages) answer = reply.choices[0].message.content print("AI：", answer) messages.append({"role": "assistant", "content": answer}) 进阶一点，可以把重要信息（比如“用户喜欢喝美式”）存进一个字典或 SQLite，关键时再取出来。 这是核心一步：让 AI 进入“思考→行动→观察”的循环，直到任务完成。以“帮我订一个明天下午适合户外活动的安排”为例，Agent 会先查天气，再查景点，最后给出方案——全程不用你插手： def run_agent(user_input): messages = [{"role": "system", "content": "你会自主调用工具完成任务"}, {"role": "user", "content": user_input}] while True: res = client.chat.completions.create( model="gpt-4o-mini", messages=messages, tools=tools) msg = res.choices[0].message if msg.tool_calls: 这套“ReAct（Reason + Act）”模式，就是目前绝大多数 Agent 框架的核心原理。掌握了它，你甚至能看懂 LangChain 的大部分源码。 本地跑通只是第一步，让它能被别人用上才算完成。推荐用 Streamlit，三分钟上线一个网页版： pip install streamlit import streamlit as st st.title("我的第一个 Agent") user_input = st.text_input("你有什么任务想交给我？") if user_input: st.write(run_agent(user_input)) 然后在终端运行 streamlit run app.py，再把链接分享给朋友；想永久在线，可以免费部署到 Streamlit Cloud 或 Hugging Face Spaces。 很多人以为 Agent 很遥远，其实它的大门就开在“第一行代码”旁边。这 7 天你学到的：Function Calling 让 AI 有了手，记忆让它有了心，循环让它有了脑，部署让它真正开始干活。 接下来的路，我建议你给自己定一个小目标：“造一个替我处理周报的 Agent”或“造一个自动抓热点写初稿的 Agent”。当你亲手造出那个能独立干活的 AI 时，你会发现自己已经悄悄站在了 AI 时代的潮头。 别犹豫了，从今天 Day 1 开始吧。评论区告诉我，你想让第一个 Agent 帮你做什么？