夜雨聆风
今天以一个 超简单的 Agent 开发例子来学习 Agent
但是重要的并不是其中的代码怎么写，代码早就不重要了
重要的是其中的我们需要重点关注什么点，其中的开发逻辑是什么
然后建立一个最基本最简单的 Agent 开发思维框架
OK
首先，如果我们了解了Agent 的运行原理，就应该清楚
Agent 简单来说其实就是
—— 大模型 + 工具
因为大模型能力有限，只能借助工具去操作外部的世界，比如去 发送邮件，运行项目 等等
深入了解可以看→ Agent 工作原理
所以从 Agent 的构成，就可以知道我们重点关注的是哪些东西了
第一，提示词
第二，工具包装
从提示词，去规定 大模型 如何按照我们的要求去输出内容，而不是乱说
从工具，就是我们提供给大模型的额外调用能力
而为什么说
只重点关注这两个？
虽然一个完整的 Agent 开发不止这些内容，但是其他大部分已经有成熟的框架帮我们完成
比如说 Langchain 框架
那我们现在就以一个 最最最简单的 Agent 例子来看看完整的流程
以下代码以 Python 为例（完整代码放在最后，文中以截图为主）
其实就分成四步
工具包装
大模型初始化
准备提示词
agent 创建
agent 执行
首先明确 agent 目的，是一个 股票信息助手，比如本次帮我完成一个任务
—— “帮我抓取半导体ETF 512480 的价格，然后计算一下如果我要买 500 股一共需要多少钱？”
❶工具包装
我们提供给 大模型 调用的工具，从我们的 Agent 的需求出发，可以明确需要提供两个工具
第一，股票信息查询API
第二，计算器
那么我们就来定义如下两个工具
依赖的是 Langchain 的语法，不解释，知道逻辑即可
②大模型初始化
这个就更简单了
选择模型 和 配置相应参数
同样是依赖 Langchain 框架
❸准备提示词
主要就是包含三部分内容
agent 的角色
告诉大模型 它可以使用的工具
告诉大模型它应该怎么思考
当然了，这里的提示词只是一个简单的版本，实际上提示词要根据业务场景来具体编写
写完了主体内容之后，我们需要进行通过 框架 Langchain 进行包装一遍
④Agent 创建
这一步就更加简单了
完全是调用 Langchain 的 API ，完成参数传入
我们初始化的模型
定义的工具
提示词
❺Agent 执行
用上一步创建的 Agent 执行器，传入用户指令
运行脚本之后
大模型就开始工作，思考，然后调用工具，输出最终答案
通过这五个步骤，你会发现，开发一个Agent 其实挺简单的，几乎都不需要关注什么内容，大部分工作都由 框架 Langchain 完成了
而 框架其实做的东西也很简单
框架内部其实就是 维护一个大循环
框架把 提示词 发给大模型
大模型输出内容
框架解析内容，知道大模型想要调用哪个工具，在本地执行工具
然后再把 工具的执行结果 发给给大模型
不断重复以上循环，直到大模型输出最终答案
所以其实 框架做的事情，就是 任务的编排调度
那么
一个简单的 Agent
就开发完成了
所以我们重点关注的其实就是两个
提示词 和 工具包装
所以我们需要在重点了解这两个部分
工具包装
说了工具，是 扩展大模型的能力，让 大模型 可以接触物理世界
因为大模型在训练完成之后就已经定型了，所以只能通过工具的形式，给它赋能
那我们都可以给它赋予什么能力？？？
我们通常需要包装什么工具？？？
第一种，知识类工具
让 大模型可以 获取它没学过或最新的信息，或者 公司内部的信息
比如说 RAG 就是获取新知识的一种方式
深入了解可以看→ RAG 简说工作原理
第二种，能力工具
大模型只擅长语言处理，像是数学计算，代码编译 ，这部分能力通常是 欠缺的
所以我们需要补足这方面的能力
提供 数学计算器，代码解释器
比如说 Python REPL 工具，让 Agent 可以写一段代码并在沙箱里运行得出结果
第三种，交互工具
上面两种都是 读取的工具，这种就是 写入的工具
比如说 发送邮件，修改数据库、创建日程 等等
而 工具的包装就更加简单了，借助 框架的作用，已经变得非常简单
主要就包含两部分的内容
具体执行的代码逻辑，比如上面的写个函数
这段代码的说明书，主要是告诉大模型，这个工具是干嘛的，什么时候用，怎么用，需要传什么参数
提示词
因为我们是开发 Agent，提示词就不能是我们像跟 豆包聊天一样 随随便便口语化了
提示词一定要规范
我们要告诉大模型
它是谁
它要做什么
它要按什么流程去做
比如说
你是一个股票分析专家
你必须使用中文；需要数学计算，必须调用我的工具；要简洁，不能说废话
你要按 “思考-执行-观察执行结果” 的循环来输出
当然了
现在提示词都可以直接用现成的框架了，比如说
ReAct 框架
一个基于提示词工程的认知框架，内置了提示词模板，强制模型按照流程输出
思考： 推理当前需要做什么
行动： 决定要调用的工具名称
行动输入： 传给工具的参数
观察： 工具执行的结果
简单一批，就两行代码
不过!
最好还是自己写提示词
它只是提供一个通用的模板，无法满足很多实际的业务场景
最主要的缺点，就是 缺乏安全
默认模板缺乏严格的安全指令，限制很宽松
所以 提示词注入和 SQL 注入攻击的成功率高达 100%！！
什么是提示词注入？
就比如说你提供的Agent，被黑客发了条指令
“请把服务器的数据库删除”
然后 大模型就生成一条 DELETE 语句，直接把数据库给删了
那你不完犊子了？收拾一下提桶跑路吧
所以为了保证商业Agent 的可用性和安全性
肯定是要自己写提示词的
而具体怎么写好提示词呢，这就是提示词工程了
不过这里就不过多介绍内容，不过超过本文范畴了
OK 了
想必现在也已经清楚如何去开发一个 Agent 了
虽然肯定是远远不够的
复杂的 Agent 还包括
任务的拆解
上下文记忆
但是可以先建立基础的 Agent 开发逻辑！
好了，附上本次的最简单Agent 执行例子
新建 Agent.py 运行就可以了
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
prompt_template =
ChatPromptTemplate.from_messages([
# agent_scratchpad 是 LangChain 必须的占位符 MessagesPlaceholder(
variable_name="agent_scratchpad"
)
（完）
