夜雨聆风# AI Agents 从零上手（第08篇）
这是微软开源课程《Generative AI for Beginners》的中文精讲系列，第8篇，对应原课第17课：AI Agents（智能代理）的核心原理、设计模式与完整实现。这是当下 AI 领域最热、最有潜力的方向。
什么是 AI Agent？
聊天机器人：你问一句，它答一句，结束。
AI Agent：你给一个目标，它自己规划步骤，调用各种工具，迭代执行，直到完成任务。`普通 LLM：问题 → 答案（一次交互）
AI Agent：目标 → [思考→行动→观察] 循环 → 最终结果（多步骤自主执行）
`这个"思考→行动→观察"的循环，就是 Agent 的核心——叫做 ReAct 模式（Reasoning + Acting）。
一、Agent 的核心架构
一个完整的 AI Agent 由四个部分组成：
| 大脑（LLM） | |
| 工具（Tools） | |
| 记忆（Memory） | |
| 规划器（Planner） |
二、从零实现 ReAct Agent
2.1 基础 ReAct 实现
`python from openai import OpenAI
import json
import re
client = OpenAI()
# 定义工具集
def web_search(query: str) -> str:
"""模拟网络搜索"""
# 真实场景：调用 Bing/Google Search API
mock_results = {
"Python最新版本": "Python 3.13 于2024年10月发布，新增类型推断和JIT编译器",
"OpenAI GPT-4o": "GPT-4o 是 OpenAI 最新的多模态模型，支持文字、图像、音频",
"北京天气": "北京今日晴，气温22-30°C，紫外线强，建议防晒"
}
for key in mock_results:
if key in query:
return mock_results[key]
return f"搜索结果：关于'{query}'，暂未找到具体信息"
def calculator(expression: str) -> str:
"""数学计算器"""
import math
try:
safe_globals = {k: getattr(math, k) for k in dir(math) if not k.startswith('_')}
result = eval(expression, {"__builtins__": {}}, safe_globals)
return str(result)
except Exception as e:
return f"计算错误: {e}"
def get_current_time() -> str:
"""获取当前时间"""
from datetime import datetime
return datetime.now().strftime("%Y年%m月%d日 %H:%M:%S")
def read_file(filename: str) -> str:
"""读取文件内容"""
try:
with open(filename, 'r', encoding='utf-8') as f:
return f.read()[:2000] # 限制返回长度
except Exception as e:
return f"读取失败: {e}"
# 工具注册表
TOOLS = {
"web_search": {
"fn": web_search,
"description": "搜索网络上的最新信息",
"params": "query: str (搜索关键词)"
},
"calculator": {
"fn": calculator,
"description": "执行数学计算，支持 Python 数学表达式",
"params": "expression: str (数学表达式，如 '2**10' 或 'sqrt(144)')"
},
"get_current_time": {
"fn": get_current_time,
"description": "获取当前日期和时间",
"params": "无参数"
},
"read_file": {
"fn": read_file,
"description": "读取本地文件内容",
"params": "filename: str (文件路径)"
}
}
`2.2 ReAct 提示词模板
`python REACT_SYSTEM_PROMPT = """你是一个智能助手，可以通过"思考-行动-观察"的循环来解决复杂问题。
可用工具：
{tools_desc}
回答格式（严格遵守）：
思考: [分析当前情况，决定下一步]
行动: [工具名称]
参数: [工具参数，JSON格式]
或者当你有足够信息时：
思考: [已获得足够信息]
最终答案: [给用户的最终回答]
规则：
每次只执行一个行动
必须基于观察结果来决定下一步
如果工具返回错误，换一种方式尝试
达到目标后立即给出最终答案
def format_tools_desc() -> str:
lines = []
for name, info in TOOLS.items():
lines.append(f"- {name}: {info['description']}")
lines.append(f" 参数: {info['params']}")
return "\n".join(lines)
`2.3 完整 Agent 执行循环
`python class ReActAgent:
"""ReAct 模式 AI Agent"""
def __init__(self, max_steps: int = 10):
self.max_steps = max_steps
self.system_prompt = REACT_SYSTEM_PROMPT.format(
tools_desc=format_tools_desc()
)
def _parse_action(self, text: str) -> tuple[str, dict]:
"""解析 LLM 输出中的行动和参数"""
action_match = re.search(r'行动:\s*(\w+)', text)
params_match = re.search(r'参数:\s(\{.?\})', text, re.DOTALL)
if not action_match:
return None, {}
action = action_match.group(1).strip()
params = {}
if params_match:
try:
params = json.loads(params_match.group(1))
except:
# 尝试提取简单字符串参数
text_match = re.search(r'参数:\s*["\']?([^"\'\n{]+)', text)
if text_match:
params = {"query": text_match.group(1).strip()}
return action, params
def _execute_tool(self, action: str, params: dict) -> str:
"""执行工具并返回结果"""
if action not in TOOLS:
return f"错误：未知工具 '{action}'，可用工具: {list(TOOLS.keys())}"
tool_fn = TOOLS[action]["fn"]
try:
if params:
result = tool_fn(**params)
else:
result = tool_fn()
return str(result)
except Exception as e:
return f"工具执行错误: {e}"
def run(self, task: str, verbose: bool = True) -> str:
"""运行 Agent 完成任务"""
messages = [
{"role": "system", "content": self.system_prompt},
{"role": "user", "content": task}
]
if verbose:
print(f"\n{'='*60}")
print(f"任务: {task}")
print('='*60)
for step in range(self.max_steps):
# LLM 决策
response = client.chat.completions.create(
model="gpt-4o",
messages=messages,
temperature=0.1 # Agent 决策用低温度保证稳定性
)
llm_output = response.choices[0].message.content
messages.append({"role": "assistant", "content": llm_output})
if verbose:
print(f"\n[步骤 {step+1}]")
print(llm_output)
# 检查是否有最终答案
if "最终答案:" in llm_output:
final = re.search(r'最终答案:\s*(.+)', llm_output, re.DOTALL)
if final:
return final.group(1).strip()
# 解析并执行行动
action, params = self._parse_action(llm_output)
if not action:
# LLM 没有给出行动，可能是在等待
if step == self.max_steps - 1:
return llm_output
continue
# 执行工具
observation = self._execute_tool(action, params)
if verbose:
print(f"\n[工具结果] {observation}")
# 把观察结果加入历史
messages.append({
"role": "user",
"content": f"观察结果: {observation}\n\n继续执行下一步："
})
return "已达到最大步骤数，任务未完成"
# 使用示例
agent = ReActAgent(max_steps=8)
print(agent.run("计算 2024 年到现在过了多少天？今天是哪一天？"))
print(agent.run("搜索 Python 的最新版本，然后告诉我它的主要新特性"))
print(agent.run("计算 100 的平方根，以及 2 的 10 次方分别是多少？两个数相加等于多少？"))
`三、多 Agent 系统
复杂任务可以拆分给多个专业 Agent 协作完成：
`python class MultiAgentOrchestrator:
"""多 Agent 协作框架"""
def __init__(self):
self.agents = {}
self._register_default_agents()
def _register_default_agents(self):
"""注册默认 Agent"""
self.register("researcher", "你是研究员，擅长信息搜集和整理")
self.register("analyst", "你是分析师，擅长数据分析和逻辑推理")
self.register("writer", "你是写作专家，擅长将信息整合成清晰的文章")
def register(self, name: str, role: str):
self.agents[name] = role
def delegate(self, agent_name: str, task: str) -> str:
"""委派任务给指定 Agent"""
if agent_name not in self.agents:
return f"未知 Agent: {agent_name}"
response = client.chat.completions.create(
model="gpt-4o",
messages=[
{"role": "system", "content": self.agents[agent_name]},
{"role": "user", "content": task}
]
)
return response.choices[0].message.content
def pipeline(self, goal: str) -> str:
"""执行多 Agent 流水线"""
# 1. 研究员收集信息
research_result = self.delegate(
"researcher",
f"围绕以下目标，收集和整理关键信息：{goal}"
)
# 2. 分析师分析
analysis_result = self.delegate(
"analyst",
f"基于以下研究结果进行深度分析：\n{research_result}\n\n原始目标：{goal}"
)
# 3. 写手整合
final_result = self.delegate(
"writer",
f"将以下分析整合成一份清晰的报告：\n{analysis_result}"
)
return final_result
orchestrator = MultiAgentOrchestrator()
report = orchestrator.pipeline("分析生成式AI对软件开发行业的影响")
print(report)
`四、Agent 设计最佳实践
| 无限循环 | |
| 工具调用失败 | |
| 上下文过长 | |
| 不可预期行为 | |
| 安全边界 |
小结
✅ Agent 核心：LLM + 工具 + 记忆 + 规划 = 能自主完成任务的 AI
✅ ReAct 模式：思考→行动→观察循环，让 AI 逐步解决复杂问题
✅ 工具扩展：搜索、计算、文件操作……任何 Python 函数都能成为工具
✅ 多 Agent：将复杂任务分解给专业 Agent，流水线协作完成
下一篇预告
下一篇我们进入Fine-Tuning（微调）与小语言模型（SLM）——当 Prompt 工程和 RAG 还不够用，微调才是终极武器。我们会讲清楚什么时候该微调、怎么做，以及 SLM 的崛起与应用场景。
关注不迷路，下期见。本文基于微软开源课程《Generative AI for Beginners》第17课整理，原课程地址：https://github.com/microsoft/generative-ai-for-beginners
