Cursor开发智能体demo初体验

在上一次使用Cursor开发springboot项目以后，尝到了甜头，随着智能体的不断给我带来的良好体验，对智能体进一步了解的兴趣也进一步增强。

所以这次用Cursor开发一个智能体Demo，主要借助千问与Cursor这两个工具，首先让千问生成一个示例，内容如下：

app.py

# app.py
import gradio as gr
from agent import ask_questiongr.ChatInterface(fn=ask_question,title="资产中心智能助理",description="问我任何关于资产接口的问题！"
).launch(server_name="0.0.0.0", server_port=7860)

　　agent.py

# agent.py
import os
from langchain_community.document_loaders import TextLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_community.vectorstores import Chroma
from langchain_community.embeddings import HuggingFaceEmbeddings
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough
from langchain_core.output_parsers import StrOutputParser
from langchain_openai import ChatOpenAI  # 通过 OpenAI 兼容接口调用通义千问# 1. 加载并切分文档
loader = TextLoader("asset_api_docs.txt", encoding="utf-8")
docs = loader.load()
text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
splits = text_splitter.split_documents(docs)# 2. 创建向量数据库（首次运行会自动 embedding）
vectorstore = Chroma.from_documents(documents=splits,embedding=HuggingFaceEmbeddings(model_name="sentence-transformers/all-MiniLM-L6-v2")
)
retriever = vectorstore.as_retriever()# 3. 设置大模型（这里以通义千问 OpenAI 兼容接口为例）
# 建议把 API Key 配到环境变量 QWEN_API_KEY 中
llm = ChatOpenAI(model="qwen-plus",  # 或者你在阿里云控制台开通的具体模型名base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",api_key=os.getenv("QWEN_API_KEY") or "sk-11b89bf9e5014910af37d6d759dec74b",
)# 4. 构建 RAG 链（Retrieval-Augmented Generation）
template = """
你是一个专业的资产中心接口顾问，请根据以下上下文回答问题。
如果不知道答案，请说“根据现有文档无法回答”，不要编造。上下文：
{context}问题：
{question}
"""
prompt = ChatPromptTemplate.from_template(template)rag_chain = ({"context": retriever, "question": RunnablePassthrough()}| prompt| llm| StrOutputParser()
)# 5. 提供调用函数
# Gradio ChatInterface 默认会把 (message, history) 作为两个参数传进来
def ask_question(message: str, history=None) -> str:# 我们这里只关心当前用户问题 message，忽略 historyreturn rag_chain.invoke(message)

　　然后需要一个供agent学习的知识集，这里用一个txt

【获取资产列表】
接口地址: GET /api/v1/assets
请求参数: page (int), size (int)
返回字段: id, name, type, status
错误码: 401-未授权, 404-资源不存在【创建资产】
接口地址: POST /api/v1/assets
请求体: { "name": "string", "type": "server" }
...

主要的就是环境需要使用python3.11的，从官网下载即可，3.14的没试验成功，然后建立虚拟环境，整体结构如下图：

 激活py311虚拟环境后，就是按照一些必要的包，期间运行python app.py的任何报错都可以让cursor的agent解决，然后就出现期盼已久的成功画面了：

 

 

 

 

 

 

 

 

 

 

 

 

如何用Python快速搭建AI Agent的原型？

 

 

Qwen3-Max

12:53:43

 

用 Python 快速搭建一个 AI Agent 原型（比如一个能回答公司制度、查接口文档的智能助理），最快只需 1–2 小时。核心思路是：调用大模型 API + 接入知识库 + 提供聊天界面。

下面是一个 零 GPU、纯 CPU 友好、基于开源免费工具 的实战方案，适合你在年假或周末快速验证想法。

---

🛠️ 技术栈选择（极简但完整）

表格

 

组件	工具	为什么选它
大模型	Qwen-Max / Qwen-Plus（通义千问 API） 或 本地小模型（如 Qwen-1.8B-Chat）	国内可用、中文强、有免费额度
Agent 框架	LangChain	最成熟、文档全、社区活跃
向量数据库	ChromaDB	轻量、纯 Python、无需独立服务
前端界面	Gradio	3 行代码生成 Web UI，比 Streamlit 更快上手

💡 优势：全部开源免费，无需注册海外账号，适合国内开发者。

---

🚀 第一步：准备环境（5分钟）

bash

编辑

 

 

 

# 创建虚拟环境（推荐）python -m venv agent-env
source agent-env/bin/activate  # Linux/Mac# agent-env\Scripts\activate  # Windows
# 安装核心依赖pip install langchain-core langchain-community langchain-openai \            chromadb gradio qwen-api  # 如果用通义API# 或pip install transformers torch accelerate  # 如果用本地模型

---

📚 第二步：准备你的“知识库”（10分钟）

假设你想让 Agent 回答关于 “资产中心接口” 的问题：

1. 把接口文档整理成一个 .txt 文件，例如 asset_api_docs.txt：
   text

   编辑

    

    

    

   【获取资产列表】
   接口地址: GET /api/v1/assets
   请求参数: page (int), size (int)
   返回字段: id, name, type, status
   错误码: 401-未授权, 404-资源不存在【创建资产】
   接口地址: POST /api/v1/assets
   请求体: { "name": "string", "type": "server" }
   ...

2. （可选）也可以直接用 PDF、Word，但需额外解析，.txt 最简单。

---

🤖 第三步：编写 Agent 核心逻辑（30分钟）

创建 agent.py：

python

编辑

 

 

 

# agent.pyimport os
from langchain_community.document_loaders import TextLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_community.vectorstores import Chroma
from langchain_community.embeddings import HuggingFaceEmbeddings
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough
from langchain_core.output_parsers import StrOutputParser
from qwen import Qwen  # 如果用通义API；若用本地模型，改用 transformers
# 1. 加载并切分文档loader = TextLoader("asset_api_docs.txt", encoding="utf-8")docs = loader.load()text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)splits = text_splitter.split_documents(docs)
# 2. 创建向量数据库（首次运行会自动 embedding）vectorstore = Chroma.from_documents(    documents=splits,    embedding=HuggingFaceEmbeddings(model_name="sentence-transformers/all-MiniLM-L6-v2"))retriever = vectorstore.as_retriever()
# 3. 设置大模型（这里以通义千问为例）llm = Qwen(api_key="YOUR_QWEN_API_KEY")# 替换为你的 API Key
# 4. 构建 RAG 链（Retrieval-Augmented Generation）template ="""
你是一个专业的资产中心接口顾问，请根据以下上下文回答问题。
如果不知道答案，请说“根据现有文档无法回答”，不要编造。
上下文：
{context}
问题：
{question}
"""prompt = ChatPromptTemplate.from_template(template)
rag_chain =({"context": retriever,"question": RunnablePassthrough()}| prompt
| llm
| StrOutputParser())
# 5. 提供调用函数defask_question(query:str)->str:return rag_chain.invoke(query)

🔑 关键点：

• 使用 RAG（检索增强生成） 技术，确保回答基于你的文档。
• HuggingFaceEmbeddings 是免费的开源 embedding 模型，无需 API。
• 如果不用通义 API，可替换为本地 Qwen 模型（需更多显存）。

---

🖥️ 第四步：添加 Web 界面（10分钟）

创建 app.py：

python

编辑

 

 

 

# app.pyimport gradio as gr
from agent import ask_question

gr.ChatInterface(    fn=ask_question,    title="资产中心智能助理",    description="问我任何关于资产接口的问题！").launch(server_name="0.0.0.0", server_port=7860)

---

▶️ 第五步：运行你的 Agent！

bash

编辑

 

 

 

python app.py

打开浏览器访问 http://localhost:7860，你将看到一个聊天窗口