当前位置：首页 > news >正文

2026年AI Agent实战（一）：用200行Python从零搭建一个能自主完成任务的智能体

news 2026/5/4 6:34:01

本文是AI Agent实战系列的第一篇。我们将从零开始，用Python实现一个基于ReAct框架的智能体，它能自主思考、调用工具、完成任务。全文含完整可运行代码，约3500字。

一、什么是AI Agent

普通的AI对话是这样的：你问一个问题，AI回答一个答案。一问一答，AI不会主动做任何事情。

AI Agent的区别在于：它能自主规划和执行多步骤任务。

举个例子：

普通AI对话： 用户：今天北京天气怎么样？ AI：我无法获取实时天气数据，建议你查看天气应用。 AI Agent： 用户：今天北京天气怎么样？ Agent思考：我需要调用天气API获取北京的天气数据 Agent行动：调用get_weather("北京") Agent观察：{"temp": 28, "condition": "晴", "humidity": 45} Agent回答：北京今天晴天，气温28°C，湿度45%，适合出行。

关键区别：Agent有工具使用能力和自主决策能力。

需要说明的是，Agent不是万能的。它受限于工具的能力和大模型的推理水平。本文实现的是一个基础但完整的Agent框架，后续文章会逐步增强能力。

二、ReAct框架：思考-行动-观察循环

ReAct（Reasoning + Acting）是目前最主流的Agent框架，核心思路很简单：

循环 { Thought（思考）：分析当前状态，决定下一步 Action（行动）：调用一个工具 Observation（观察）：获取工具返回结果 } 直到任务完成

为什么这个框架有效？因为它模拟了人类解决问题的过程：

你先想想要做什么（Thought）
你去做某个动作（Action）
你看结果怎么样（Observation）
基于结果继续思考下一步

与纯推理的区别

方式	特点	适用场景
纯推理（CoT）	只思考不行动	数学题、逻辑分析
纯行动	只执行不思考	简单脚本
ReAct	思考+行动结合	需要外部信息的复杂任务

三、核心架构设计

我们的Agent由4个核心组件构成：

┌─────────────────────────────────┐ │ Agent Core │ │ ┌───────────┐ ┌─────────────┐ │ │ │ Planner │ │ Executor │ │ │ │ (思考规划) │ │ (执行动作) │ │ │ └───────────┘ └─────────────┘ │ │ ┌───────────┐ ┌─────────────┐ │ │ │ Memory │ │ Tools │ │ │ │ (记忆存储) │ │ (工具集) │ │ │ └───────────┘ └─────────────┘ │ └─────────────────────────────────┘

Planner：调用大模型进行推理，生成Thought和Action
Executor：执行工具调用，返回Observation
Memory：保存对话历史和中间结果
Tools：可供调用的工具集合

四、从零实现：完整代码

4.1 定义工具基类

# tools/base.pyfromabcimportABC,abstractmethodfromtypingimportAnyclassTool(ABC):"""工具基类，所有工具必须实现name、description和run方法"""@property@abstractmethoddefname(self)->str:"""工具名称，Agent通过名称调用"""...@property@abstractmethoddefdescription(self)->str:"""工具描述，告诉Agent什么时候该用这个工具"""...@abstractmethoddefrun(self,**kwargs)->str:"""执行工具，返回字符串结果"""...defget_prompt(self)->str:"""生成工具描述供大模型理解"""returnf"-{self.name}:{self.description}"

4.2 实现具体工具

# tools/calculator.pyfromtools.baseimportToolimportmathclassCalculatorTool(Tool):"""计算器工具：执行数学运算"""@propertydefname(self)->str:return"calculator"@propertydefdescription(self)->str:return"执行数学计算。输入一个数学表达式（如 '2+3*4'），返回计算结果。"defrun(self,expression:str="",**kwargs)->str:try:allowed=set("0123456789+-*/.() ")ifnotall(cinallowedforcinexpression):return"错误：表达式包含不允许的字符"result=eval(expression,{"__builtins__":{}},{"math":math})returnf"{expression}={result}"exceptExceptionase:returnf"计算错误：{e}"classWeatherTool(Tool):"""天气工具：模拟天气查询（实际项目中替换为真实API）"""@propertydefname(self)->str:return"get_weather"@propertydefdescription(self)->str:return"查询指定城市的天气。输入城市名称，返回天气信息。"defrun(self,city:str="",**kwargs)->str:mock_data={"北京":"晴天，28°C，湿度45%","上海":"多云，25°C，湿度60%","深圳":"阵雨，30°C，湿度75%",}returnmock_data.get(city,f"未找到{city}的天气数据")classSearchTool(Tool):"""搜索工具：模拟搜索（实际项目中替换为真实搜索API）"""@propertydefname(self)->str:return"search"@propertydefdescription(self)->str:return"搜索互联网信息。输入搜索关键词，返回相关结果摘要。"defrun(self,query:str="",**kwargs)->str:returnf"[模拟搜索结果] 关于'{query}'的信息"

4.3 Agent核心实现

# agent.pyfromopenaiimportOpenAIfromdotenvimportload_dotenvfromtypingimportOptionalimportre load_dotenv()classReActAgent:"""基于ReAct框架的AI Agent"""def__init__(self,tools:list,model:str="deepseek-chat",max_steps:int=5):self.tools={tool.name:toolfortoolintools}self.model=model self.max_steps=max_steps self.client=OpenAI()tools_desc="\n".join(tool.get_prompt()fortoolintools)self.system_prompt=f"""你是一个AI智能体，能够通过思考和调用工具来完成任务。 可用工具：{tools_desc}请严格按照以下格式回复： Thought: 分析当前情况，决定下一步行动 Action: tool_name(query) 当你认为已经获得足够信息时： Thought: 我已经获得了足够的信息 Answer: 你的最终回答 注意： - 每次只调用一个工具 - 仔细分析观察结果后再决定下一步 - 不要编造工具返回的数据"""self.conversation=[]def_parse_action(self,response:str)->Optional[tuple]:match=re.search(r'Action:\s*(\w+)\(([^)]*)\)',response)ifmatch:returnmatch.group(1),match.group(2).strip().strip('"').strip("'")returnNonedef_is_final_answer(self,response:str)->Optional[str]:match=re.search(r'Answer:\s*(.+)',response,re.DOTALL)returnmatch.group(1).strip()ifmatchelseNonedefrun(self,task:str)->str:self.conversation=[{"role":"system","content":self.system_prompt},{"role":"user","content":task},]forstepinrange(self.max_steps):response=self.client.chat.completions.create(model=self.model,messages=self.conversation,temperature=0.3,max_tokens=1000,)reply=response.choices[0].message.content final_answer=self._is_final_answer(reply)iffinal_answer:returnfinal_answer action=self._parse_action(reply)ifnotaction:self.conversation.append({"role":"assistant","content":reply})self.conversation.append({"role":"user","content":"请使用Thought和Action格式继续。"})continuetool_name,argument=action tool=self.tools.get(tool_name)observation=tool.run(query=argument)iftoolelsef"工具'{tool_name}'不存在"self.conversation.append({"role":"assistant","content":reply})self.conversation.append({"role":"user","content":f"Observation:{observation}"})return"达到最大步数限制，任务未完成。"if__name__=="__main__":fromtools.calculatorimportCalculatorTool,WeatherTool,SearchTool agent=ReActAgent(tools=[CalculatorTool(),WeatherTool(),SearchTool()],max_steps=5,)result=agent.run("北京今天天气怎么样？如果出去玩需要带伞吗？")print(f"最终结果:{result}")

五、运行效果演示

执行上面的代码，你会看到类似这样的输出：

============================================================ 任务: 北京今天天气怎么样？如果出去玩需要带伞吗？ ============================================================ --- 步骤 1 --- 模型回复: Thought: 用户想知道北京的天气情况，我需要调用天气查询工具 Action: get_weather(北京) 工具调用: get_weather(北京) 观察结果: 晴天，28°C，湿度45% --- 步骤 2 --- 模型回复: Thought: 已经获取到北京天气数据，晴天28°C，不需要带伞 Answer: 北京今天是晴天，气温28°C，湿度45%。天气很好， 不需要带伞，可以放心出门！建议做好防晒。 最终答案: 北京今天是晴天，气温28°C，湿度45%。天气很好， 不需要带伞，可以放心出门！建议做好防晒。