当前位置：首页 > news >正文

从0到1，实现了能自动处理任务的AI智能体

news 2026/3/27 4:39:56

一、先明确目标：我们要做一个什么样的智能体？

在动手写第一行代码之前，定义清晰的目标至关重要。我不想做一个“聊天机器人”，而是希望它能主动完成任务。

我设定的Demo目标是：“帮我分析今日热点，并总结成一份简报”。

这个任务需要智能体：

感知：理解我的指令是获取并总结热点。
规划：拆解步骤（搜索热点 → 获取内容 → 分析总结 → 格式化输出）。
执行：调用不同的工具（搜索工具、爬虫工具、文本分析工具）按步骤执行。
反思：检查结果是否完整，是否需要调整。

二、技术选型：为什么是 LangChain + DeepSeek？

市面上框架很多（LangChain, LlamaIndex, Semantic Kernel等），我优先选择了LangChain，原因很简单：

生态成熟：社区活跃，文档和样例多，遇到问题容易找到解决方案。
工具链丰富：内置和社区提供了大量现成的Tool（搜索、计算、API调用等），能快速搭建。
抽象层次合理：它提供了Agent、Tool、Memory等核心概念的清晰抽象，既不会太底层，也不会太黑盒。

对于大模型（LLM），我选择了DeepSeek，理由也很直接：

能力强且免费：在代码和逻辑推理上表现不错，完全满足Demo需求，没有额度焦虑可以随便“造”。
API友好：接入简单，响应速度快。

三、实战拆解：代码是如何一步步实现的

这里我剥离了项目结构，聚焦最核心的链路。完整项目代码已放在文末的GitHub仓库里。

第一步：搭建智能体的“大脑” (LLM + Prompt)

智能体的核心是一个能进行任务规划和链式思考的LLM。LangChain的create_react_agent帮我们封装了复杂的Prompt工程。

from langchain import hub from langchain.agents import create_react_agent, AgentExecutor from langchain.tools import Tool from langchain_community.llms import DeepSeek # 1. 初始化大脑（LLM） llm = DeepSeek(model="deepseek-chat", temperature=0.1) # temperature调低，让输出更稳定 # 2. 拉取一个优化过的ReAct提示模板（这是LangChain的神器之一） prompt = hub.pull("hwchase17/react")

第二步：为智能体打造“工具箱” (Tools)

智能体之所以能“执行”，靠的就是Tools。我给它配备了三个基础工具：

# 工具1：网络搜索（模拟） def search_web(query: str) -> str: """模拟搜索今日热点。实际可接入SerperAPI或Google Search API。""" print(f"[智能体正在搜索]: {query}") # 这里是模拟数据，真实情况调用API mock_hot_news = [ "AI编程助手CodeGeeX发布4.0版本，宣称效率提升50%", "深度学习框架PyTorch宣布官方支持Apple Silicon GPU加速", "2024年DevOps状态报告：AI在自动化测试中渗透率超30%" ] return "\n".join(mock_hot_news) # 工具2：内容提取（模拟） def fetch_content(url: str) -> str: """模拟根据链接获取详细内容。""" print(f"[智能体正在抓取内容]: {url}") return f"这是关于'{url}'的详细报道内容摘要..." # 工具3：文本总结 def summarize_text(text: str) -> str: """调用LLM对长文本进行总结。""" print(f"[智能体正在总结内容]...") # 这里实际上可以再调一次LLM，为简化，直接返回模拟总结 return f"核心要点：{text[:50]}..." # 将函数包装成LangChain Tool tools = [ Tool(name="Search", func=search_web, description="当你需要获取最新热点或搜索信息时使用此工具。"), Tool(name="FetchContent", func=fetch_content, description="当你需要获取某个链接的具体内容时使用此工具。"), Tool(name="Summarizer", func=summarize_text, description="当你需要总结长文本内容时使用此工具。"), ]

第三步：组装并运行智能体

把大脑、工具和提示词组装起来，智能体就诞生了。

# 3. 创建ReAct智能体 agent = create_react_agent(llm, tools, prompt) # 4. 创建执行器，它会处理智能体的思考循环 agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True, handle_parsing_errors=True) # 5. 发布任务！ result = agent_executor.invoke({ "input": "请帮我分析今天的科技热点，并整理成一份简短的要点简报。" }) print("\n" + "="*50) print("【智能体生成的最终简报】") print(result["output"]) print("="*50)

四、运行效果与核心洞察

当你运行上面的代码（记得安装依赖并填入自己的API Key），会在控制台看到类似下面的思考过程：

> 进入新的AgentExecutor链... 思考：用户需要一份今日科技热点简报。我需要先搜索热点，然后获取详细信息，最后总结。 行动：Search 行动输入：今日科技热点 [智能体正在搜索]: 今日科技热点 观察：AI编程助手CodeGeeX发布4.0版本... (省略) 思考：我得到了几条热点标题，需要获取其中一两条的详细内容来总结。 行动：FetchContent 行动输入：AI编程助手CodeGeeX发布4.0版本 [智能体正在抓取内容]: AI编程助手CodeGeeX发布4.0版本 观察：这是关于'AI编程助手...'的详细报道内容摘要... 思考：现在我有了一些细节，可以开始总结了。 行动：Summarizer 行动输入：[将搜索和抓取的内容组合] [智能体正在总结内容]... 观察：核心要点：AI编程助手效率提升... 思考：我已经完成了热点搜索、内容获取和总结，可以给出最终答案了。 最终答案：根据今日热点，为您整理简报如下：1. AI编程助手CodeGeeX 4.0发布... (省略)

通过这个Demo，我清晰地验证了几个关键点：

智能体的本质是“规划+执行”循环：它通过LLM进行动态的任务拆解（规划），并选择合适的工具执行。
工具（Tools）是能力边界：智能体能做什么，完全取决于你给它提供了什么工具。赋予它联网搜索、执行代码、操作系统的能力，它就能变得无比强大。
Prompt是灵魂：hwchase17/react这个Prompt模板已经嵌入了“Thought/Action/Observation”的格式，引导LLM进行正确推理。微调Prompt能极大改善表现。

五、踩坑与优化建议

无限循环坑：智能体有时会陷入“思考-行动”死循环。务必在AgentExecutor中设置max_iterations参数（比如10-15次），强制退出。
工具描述坑：Tool的description至关重要！LLM完全依赖描述来决定是否调用该工具。描述要清晰、具体，说明适用场景。
错误处理坑：工具执行可能失败（如网络超时），需要在工具函数内部做好异常处理，并返回清晰的错误信息给LLM，让它能调整策略。
成本与延迟坑：每次思考和行动都可能调用LLM，复杂任务成本不低。Demo阶段可以使用DeepSeek这类性价比高的模型，上线前需做好预算和延迟评估。