hello-agent task01打卡
从零构建智能旅行助手：一个基于 ReAct 模式的 Python Agent 实战
摘要：本文介绍了一个使用 Python 构建的轻量级智能旅行助手。该助手能够理解用户自然语言请求，自主调用天气查询和景点搜索工具，通过“思考 - 行动 - 观察”（ReAct）循环逻辑，最终为用户提供个性化的旅行建议。
🌟 项目亮点
这个看似简单的脚本，实则完整实现了一个Agent（智能体）的核心工作流：
- 自主规划：模型能拆解复杂任务（如“查天气并推荐景点”）。
- 工具使用：动态调用外部 API（wttr.in 天气 + Tavily 搜索）。
- 闭环反馈：根据工具返回结果调整后续策略，直到完成任务。
🛠️ 核心技术栈
大语言模型 (LLM)
- 使用
kimi-for-coding-free模型（通过 OpenAI 兼容接口调用）。 - 自定义
OpenAICompatibleClient类封装 API 调用逻辑。
- 使用
工具函数 (Tools)
get_weather(city): 调用wttr.in免费 API 获取实时天气。get_attraction(city, weather): 利用Tavily Search API基于天气状况搜索最佳景点。
ReAct 框架
- Thought: 模型分析当前状态并制定计划。
- Action: 执行具体工具调用或输出最终答案 (
Finish[...])。 - Observation: 记录工具执行结果，作为下一轮输入。
⚙️ 运行流程解析
以用户请求“查询北京天气并推荐景点”为例：
- 初始化：将用户请求存入
prompt_history。 - 循环推理(最多 5 轮)：
- Step 1 (思考): 模型识别需先查天气 → 输出
Action: get_weather(city="北京")。 - Step 2 (执行): 代码解析 Action，调用
get_weather，返回 “北京当前天气: 晴，气温 25℃”。 - Step 3 (再思考): 模型获知天气为“晴”，决定搜索晴天景点 → 输出
Action: get_attraction(city="北京", weather="晴")。 - Step 4 (再执行): 调用 Tavily 搜索，返回景点推荐列表。
- Step 5 (终结): 模型整合信息，输出
Finish[北京今天晴朗，推荐去颐和园...]。
- Step 1 (思考): 模型识别需先查天气 → 输出
- 结束：检测到
Finish动作，打印最终答案并退出循环。
💡 关键代码片段
定义系统提示词 (System Prompt)
AGENT_SYSTEM_PROMPT=""" 你是一个智能旅行助手... 可用工具: get_weather, get_attraction 格式要求: Thought: ... \n Action: function_name(arg="value") 或 Finish[答案] """工具注册与调用
available_tools={"get_weather":get_weather,"get_attraction":get_attraction,}# 动态执行observation=available_tools[tool_name](**kwargs)主循环逻辑
foriinrange(5):llm_output=llm.generate(full_prompt,system_prompt=AGENT_SYSTEM_PROMPT)# 解析 Action -> 执行工具 -> 记录 Observation -> 更新历史if"Finish"inaction_str:break运行结果截图
遇到的问题
手册写的非常好，把所以代码复制进去就能跑动，我还是对py不太熟练，还是得练习
🚀 如何扩展？
- 增加工具：添加
get_flight_price()或book_hotel()函数并注册到available_tools。 - 更换模型：修改
API_KEY和BASE_URL即可切换至其他兼容 OpenAI 接口的模型（如 DeepSeek, Qwen 等）。 - 持久化记忆：将
prompt_history存入数据库，实现多轮长期对话。
📝 总结
本项目仅用200 行左右代码，就实现了一个具备感知、决策和执行能力的智能 Agent。它展示了 LLM 如何通过结构化提示词（Prompt Engineering）与外部世界交互，是学习 AI Agent 开发的绝佳入门案例。
代码已开源：你可以基于此框架，轻松构建属于自己的专属智能助手！
标签：#Python #AI #Agent #ReAct #LLM #自动化 #旅行助手