Python入门新手教程：30分钟从零开始创建你的首个AI智能体

2026-06-16阅读 0热度 0

Python

文章目录：

Python入门：从零开始写你的第一个AI智能体，30分钟搞定！
- 一、什么是AI智能体（Agent）？
- 二、环境准备
- 三、最小Agent架构：感知-思考-行动
- 四、给Agent装上"工具箱"
- 五、Agent核心循环总结
- 六、下一步学习方向

Python入门：从零开始写你的第一个AI智能体，30分钟搞定！

一、什么是AI智能体（Agent）？

说到AI智能体，很多人第一反应是“能聊天的机器人”，但其实它的定义要更底层一些——一个能够感知环境、自主思考并采取行动的程序。它和传统程序的区别在哪里？看看下面这张对比表就一目了然了。

特征	传统程序	AI Agent
决策方式	预设规则	自主推理
环境感知	被动接收输入	主动获取信息
行动能力	固定流程	灵活调用工具
学习能力	无	可反馈优化
适应性	特定场景	通用任务

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

好了，先别急着写代码，咱们得把环境先搭起来。检查一下你的电脑是否满足这些条件：

# 安装Python（建议3.10+）  
python --version  
# 创建虚拟环境  
python -m venv agent_env  
source agent_env/bin/activate  
# Windows用: agent_env\Scripts\activate  
# 安装必要的库  
pip install openai

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

一个最简的Agent，本质上就是三个模块的循环：感知→思考→行动。结合下面的流程图更容易理解：

┌─────────────┐  
│ 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  
└─────────────┘

接下来让我们用代码把这个循环实现出来：

import json  
from openai import OpenAI  

class SimpleAgent:  
    """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。"}  
        ]  

    def perceive(self, user_input: str) -> None:  
        """感知：接收用户输入"""  
        self.messages.append({"role": "user", "content": user_input})  

    def think(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})  
        return reply  

    def act(self, user_input: str) -> str:  
        """行动：完整的感知-思考-行动循环"""  
        self.perceive(user_input)  
        return self.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"

聊天的Agent只是初级版，真正的智能体得会调用工具才行。来，我们给它装上两个实用的“武器”——计算器和天气查询：

import json  
from openai import OpenAI  

# 定义工具函数  
def calculator(expression: str) -> str:  
    """安全计算数学表达式"""  
    try:  
        allowed = set("0123456789+-*/.() ")  
        if all(c in allowed for c in expression):  
            return str(eval(expression))  
        return "错误：表达式包含非法字符"  
    except Exception as e:  
        return f"计算错误：{e}"  

def get_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",  
    }  
    return weather_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,  
}  

class ToolAgent:  
    """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。"}  
        ]  

    def run(self, user_input: str) -> str:  
        """运行Agent主循环"""  
        self.messages.append({"role": "user", "content": user_input})  

        while True:  
            # 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  
            if msg.tool_calls:  
                self.messages.append(msg)  
                for tool_call in msg.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)  
                return msg.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}")  

    # 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的运行机制整理成一张表，方便你回顾整个流程：

阶段	说明	代码对应
感知(Perceive)	接收用户输入	`self.messages.append(user_msg)`
思考(Think)	调用LLM推理	`client.chat.completions.create()`
决策(Decide)	判断是否需要工具	`msg.tool_calls` 检查
行动(Act)	执行工具函数	`TOOL_MAP[func_name](**args)`
反馈(Feedback)	将结果返回模型	`messages.append(tool_result)`
输出(Output)	生成最终回复	`return msg.content`

六、下一步学习方向

恭喜你！你已经亲手搭建了一个完整的AI Agent。接下来可以往这些方向继续深入：

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