当前位置：首页 > news >正文

100行Python代码，搭一个能干活的AI Agent

news 2026/8/15 8:57:09

100行Python代码，搭一个能干活的AI Agent

原文首发于：点这里查看

跟大模型聊天人人都会，但你有没有想过——为什么ChatGPT能帮你订餐、查航班、写代码，而你调用API只会一问一答？
差别就两个字：Agent。
大模型是大脑，但没手没脚没记忆。你问它"北京天气怎么样"，它只会说"我无法访问实时数据"。Agent就是给大脑装上四肢、记忆和执行力——让它自己判断该用什么工具，执行完再思考下一步。
听起来很复杂？其实核心就一个公式：
Agent =LLM（大脑）+ Tools（双手）+ Memory（记忆）+ Loop（循环）
今天用100行Python代码，把这四个模块从零搭一遍。不依赖任何框架，跑完你就明白Agent到底是怎么回事。

00 环境准备

pipinstallopenai

用OpenAI SDK，兼容DeepSeek、智谱等国产API，改个base_url就行。这篇用DeepSeek做demo——便宜，而且支持按量付费。
你需要去https://platform.deepseek.com/注册拿一个API Key。

01 LLM调用 —— 给Agent装个大脑

第一块拼图：能跟大模型对话。

fromopenaiimportOpenAIfromdotenvimportload_dotenvimportos load_dotenv()client=OpenAI(# api_key="your-api-key", # 换成你的DeepSeek API Keyapi_key=os.getenv("DEEPSEEK_API_KEY"),# 或使用env方式存储apikeybase_url="https://api.deepseek.com")defask_llm(messages,tools=None):response=client.chat.completions.create(model="deepseek-v4-flash",messages=messages,tools=tools,tool_choice="auto",)returnresponse.choices[0].message res=ask_llm([{"role":"user","content":"你好"}])print(res)

这段代码本身没什么特别的，就是标准的API调用。但注意tools这个参数——这是Agent和普通聊天的核心分界线。
不传tools，模型只能聊天。传了tools，模型就知道"我还有这些工具可以用"，在需要的时候会主动要求调用。tool_choice="auto"的意思是让模型自己判断：这个问题我直接答，还是得用工具？

⚠️ 踩坑提示 DeepSeek的deepseek-chat模型已废弃，对应deepseek-v4-flash模型中的非思考模式

02 工具定义 —— 给Agent装双手

工具就是普通的Python函数，外加一份给LLM看的"说明书"。

defcalculator(expression:str)->str:try:returnstr(eval(expression))except:return"计算错误"defget_weather(city:str)->str:mock={"北京":"晴 25℃","上海":"多云 28℃","深圳":"雷阵雨 30℃"}returnmock.get(city,f"暂无{city}天气数据")TOOLS=[{"type":"function","function":{"name":"calculator","description":"执行数学计算，输入数学表达式","parameters":{"type":"object","properties":{"expression":{"type":"string","description":"数学表达式，如 2+3*4"}},"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"]}}}]TOOL_MAP={"calculator":calculator,"get_weather":get_weather}

这里有个关键认知：LLM****不直接执行代码。
它只做一件事——输出一段JSON，告诉你"我想调用calculator工具，参数是123 * 456 + 789"。真正执行计算的是你的代码。LLM的角色更像一个调度员，决定调用什么工具、传什么参数，但脏活累活都是你的程序干。
description字段很重要，写得越清晰，模型调用越准确。模型是靠读这个描述来理解工具用途的——你说"执行数学计算"，它就知道算术题该找这个工具。

03 记忆 —— 让Agent记住上下文

classMemory:def__init__(self):self.messages=[]defadd(self,role,content,**kwargs):msg={"role":role,"content":content}msg.update(kwargs)self.messages.append(msg)defget_messages(self):returnself.messages.copy()

就这？就这么简单。
很多人觉得Agent的"记忆"很高深，其实本质就是维护一个messages列表。每次调用LLM时，把完整的对话历史传过去——LLM本身没有状态，所谓的"记住上下文"就是每轮都把历史消息全部塞进请求里。
这也解释了为什么聊天越长，API费用越高——因为每次请求都带着之前所有的对话。

04 Agent循环 —— 让Agent会思考

这是整个Agent的心脏。核心思路叫ReAct****模式：思考→行动→观察→重复，直到任务完成。

defrun_agent(user_input,max_steps=10):memory=Memory()memory.add("system","你是一个有用的助手，可以调用工具回答问题。")memory.add("user",user_input)forstepinrange(max_steps):print(f"\n--- 第{step+1}步 ---")response=ask_llm(memory.get_messages(),tools=TOOLS)ifnotresponse.tool_calls:print(f"Agent回答：{response.content}")returnresponse.content memory.add("assistant",response.contentor"",tool_calls=response.tool_calls)fortool_callinresponse.tool_calls:name=tool_call.function.name args=json.loads(tool_call.function.arguments)print(f"调用工具：{name}({args})")result=TOOL_MAP[name](**args)print(f"工具返回：{result}")memory.add("tool",result,tool_call_id=tool_call.id)return"达到最大步数，Agent停止"

拆解这个循环：

思考：把对话历史和工具列表发给LLM，LLM决定下一步干什么
判断：如果LLM没有请求调用工具，说明它觉得可以直接回答了，循环结束
行动：LLM说"我要查北京天气"，你的代码就执行get_weather("北京")
观察：把工具执行结果塞回messages，让LLM看到结果
重复：LLM拿到结果后再思考，可能还需要调别的工具，也可能可以直接回答了
max_steps是安全阀，防止Agent陷入死循环。实际使用中10步足够处理大部分任务。

跑起来看效果

# 测试1：简单计算run_agent("帮我算一下 123 * 456 + 789")

输出：

两步完成：第一步调计算器，第二步直接回答。

# 测试2：多步骤任务run_agent("北京和上海哪个温度高？并帮我算一下高多少？")

输出：

Silas说
写完这100行代码，最大的感受是：Agent一点都不神秘。
网上铺天盖地的Agent框架——LangChain、AutoGen、CrewAI——把这件事包装得很复杂。但你把核心扒开看，就是一个while循环：LLM决定调什么工具，你的代码执行，结果传回去，循环直到完成。框架做的事，无非是帮你把这个循环封装好，再加上一些工程化的东西（重试、超时、日志）。
我的建议：先手写一遍，再用框架。
不是框架不好，是你不理解原理直接用框架，出了问题完全不知道怎么排查。你不知道tool_calls的格式长什么样，不知道messages里每条消息的role有什么讲究，调试的时候就是两眼一抹黑。
还有一点：别急着给Agent加复杂的Planning和Multi-Agent协作。先把这个最小闭环跑通，加一个你自己业务场景需要的工具（比如查数据库、调内部API），让它真正干一件有用的事。能稳定跑一周，再考虑扩展。
Agent的价值不在于架构多精巧，在于它能不能稳定地把一件事干好。

跑通代码后，可以试试这些扩展方向：

换个工具：把get_weather换成查数据库、调内部API、发邮件——只要是个Python函数就能当工具
加RAG：给Agent接一个知识库，让它能查文档回答问题
多Agent协作：多个Agent分工合作，比如一个负责搜索、一个负责写作
试试框架：理解原理后再用LangChain或CrewAI，你会发现它们其实就是帮你封装了这套循环
完整代码我已经整理好了，复制就能跑。你给Agent加了什么有意思的工具？评论区聊聊。
觉得有用的话，转给也在折腾AI的朋友。
关注我，持续分享AI实操和踩坑记录。

""" 最小AI Agent实现 —— 100行代码搞定 Agent = LLM + Tools + Memory + Loop """fromopenaiimportOpenAIimportjsonfromdotenvimportload_dotenvimportos load_dotenv()# ============ 1. LLM调用（大脑）============client=OpenAI(# api_key="your-api-key", # 换成你的DeepSeek API Keyapi_key=os.getenv("DEEPSEEK_API_KEY"),# 或使用env方式存储apikeybase_url="https://api.deepseek.com")defask_llm(messages,tools=None):response=client.chat.completions.create(model="deepseek-v4-flash",messages=messages,tools=tools,tool_choice="auto",)returnresponse.choices[0].message# ============ 2. 工具定义（双手）============defcalculator(expression:str)->str:try:returnstr(eval(expression))except:return"计算错误"defget_weather(city:str)->str:mock={"北京":"晴 25℃","上海":"多云 28℃","深圳":"雷阵雨 30℃"}returnmock.get(city,f"暂无{city}天气数据")TOOLS=[{"type":"function","function":{"name":"calculator","description":"执行数学计算，输入数学表达式","parameters":{"type":"object","properties":{"expression":{"type":"string","description":"数学表达式，如 2+3*4"}},"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"]}}}]TOOL_MAP={"calculator":calculator,"get_weather":get_weather}# ============ 3. 记忆（对话历史）============classMemory:def__init__(self):self.messages=[]defadd(self,role,content,**kwargs):msg={"role":role,"content":content}msg.update(kwargs)self.messages.append(msg)defget_messages(self):returnself.messages.copy()# ============ 4. Agent循环（心脏）============defrun_agent(user_input,max_steps=10):memory=Memory()memory.add("system","你是一个有用的助手，可以调用工具回答问题。")memory.add("user",user_input)forstepinrange(max_steps):print(f"\n--- 第{step+1}步 ---")response=ask_llm(memory.get_messages(),tools=TOOLS)ifnotresponse.tool_calls:print(f"Agent回答：{response.content}")returnresponse.content memory.add("assistant",response.contentor"",tool_calls=response.tool_calls)fortool_callinresponse.tool_calls:name=tool_call.function.name args=json.loads(tool_call.function.arguments)print(f"调用工具：{name}({args})")result=TOOL_MAP[name](**args)print(f"工具返回：{result}")memory.add("tool",result,tool_call_id=tool_call.id)return"达到最大步数，Agent停止"# ============ 5. 测试 ============if__name__=="__main__":run_agent("北京和上海哪个温度高？并帮我算一下高多少？")

THE END

RAG知识库搭建大揭秘：原来这么简单，还能这么有趣！
大模型到底怎么思考？一篇看懂 Prompt、思维链、思维树
Python数据分析入门：从零开始玩转数据
简明教程：实现OpenCLaw轻量级应用服务器部署及Ollama大模型本地化
Dify+Ollama模型搭建攻略：本地环境实战指南

查看全文

http://www.jsqmd.com/news/1397106/