当前位置：首页 > news >正文

Python 智能体实战：从 0 搭建模块化 Agent 路由系统，落地小龙虾门店运营助手

news 2026/5/9 11:27:34

Python 智能体实战：从 0 搭建模块化 Agent 路由系统，落地小龙虾门店运营助手

给你一个可复现的最小版本：技能拆分、动态工具路由、API 封装、排错与上线建议一次讲清

如果你想做一个不只是会聊天，而是会根据任务自动选工具的 AI Agent，这篇可以直接开工。本文的目标很明确：

用 Python 搭一个模块化 skill-based agent；
让它支持动态工具路由；
把它落到一个实体行业场景：小龙虾门店运营助手。

最终产出不是 PPT，而是一个最小可运行接口：你发一句“给我一条今天午市外卖拉新的文案”，系统会先判断该走哪个 skill，再返回结果。先别急着造“全能钢铁侠”，工程上更靠谱的做法，往往是先把技能表写得像菜单一样清楚。

工具资源导航

如果你看完这波热点，想顺手把方案跑起来或者把账号环境补齐，这两个入口可以先收藏：

API调用：主打各种主流模型接入、稳定转发和低门槛调用。
GPT代购：官方渠道GPT PLUS/pro充值，秒到账，可开发票

文末资源导航属于工具信息整理，请结合平台规则和自身需求判断。

一、先看热点：这波 Agent 新闻到底透露了什么

事实描述

2026-05-05，MarkTechPost 发布教程，主题是用 Python 构建模块化、基于技能的 LLM Agent 系统，核心点是dynamic tool routing。
2026-05-05，TechCrunch 报道 CopilotKit 融资2700 万美元，方向是帮助开发者部署app-native AI agents。
2026-05-05，TechCrunch 报道 SAP 计划收购德国 AI 初创公司 Prior Labs 并重投，同时对客户 Agent 的可用范围采取更谨慎、有限开放的态度。
2026-05-06，Inworld AI 发布 Realtime TTS-2，强调语音模型基于完整音频上下文而不只是文本转写。
2026-05-06，Scientific American 讨论“AI agents 能否替代人类员工”，并提到已有创业公司拿这个问题做测试。
2026-05-06，世界经济论坛讨论了agentic AI可能如何改变“创始人”这个角色的工作方式。

观点分析

这些信息放在一起，指向的不是“聊天机器人 2.0”，而是三个更工程化的共识：

Agent 正从单体走向模块化：能力要拆成 skill，不然维护会越来越像面条代码。
Agent 正从演示走向应用内集成：CopilotKit 的融资说明，大家要的不是一个漂浮的 AI 入口，而是能嵌进业务流程的 agent。
企业落地会更看重治理：SAP 的谨慎态度说明，真正上线时，权限、白名单、审计日志比“模型多聪明”更先被问到。

二、场景定义：为什么我建议先做“小龙虾门店运营助手”

CSDN 读者很多都在找“能不能拿来做副业项目”的切口。与其做一个泛泛的 AI 助手，不如做一个垂直场景的小工具。

这里我们定义一个最小场景：

目标用户：餐饮门店老板或运营人员
常见任务：

回答顾客常见问题：营业时间、口味、配送范围
生成促销文案：午市拉新、社群通知、外卖活动
给出简单运营建议：备货、套餐、转化优化

也就是说，我们只做 3 个 skill：

faq
promo_copy
sales_analysis

这就是模块化的第一步：先缩问题，再做路由。

三、技术栈与最小闭环

为了可复现，我建议先用下面这套最小组合：

Python 3.11
FastAPI：暴露接口
requests：调用兼容聊天补全风格的模型接口
一个可用的大模型 API：只负责“路由判断”

安装命令：

bash
pip install fastapi uvicorn pydantic requests

环境变量：

bash
export BASE_URL=‘你的模型接口基址’
export API_KEY=‘你的密钥’
export MODEL=‘你的模型名’

四、步骤拆解：从 skill 到动态路由

第 1 步：先写技能，不要先写“大脑”

很多人一上来就想让模型自动完成一切，结果最后谁都能干一点，谁都干不稳定。正确姿势是：先定义技能边界。

python
import os
import json
import requests
from fastapi import FastAPI
from pydantic import BaseModel

def faq(q: str) -> str:
return ‘门店营业到凌晨 2 点，支持微辣、中辣，外卖可下单。’

def promo_copy(q: str) -> str:
if ‘外卖’ in q:
return ‘文案：今天午市小龙虾双人餐限时加赠冰饮，适合拼单，外卖下单更省心。’
return ‘文案：今晚到店点小龙虾套餐，可享限时加菜福利，适合朋友聚餐。’

def sales_analysis(q: str) -> str:
return ‘建议：优先看午市套餐转化、外卖占比和复购表现。当前示例未直连 POS，所以返回的是运营策略，不直接生成真实报表。’

SKILLS = {
‘faq’: {
‘desc’: ‘回答营业时间、口味、配送、门店基础信息’,
‘func’: faq,
},
‘promo_copy’: {
‘desc’: ‘生成促销文案、社群通知、活动标题’,
‘func’: promo_copy,
},
‘sales_analysis’: {
‘desc’: ‘分析销量、套餐、备货和简单运营建议’,
‘func’: sales_analysis,
},
}

第 2 步：让模型只做“选路”，别让它包打天下

这里的大模型只负责一件事：在多个 skill 里选一个最合适的。

python
def fallback_route(user_text: str) -> dict:
if any(k in user_text for k in [‘营业’, ‘几点’, ‘口味’, ‘配送’]):
return {‘skill’: ‘faq’, ‘reason’: ‘关键词命中 FAQ’}
if any(k in user_text for k in [‘文案’, ‘活动’, ‘拉新’, ‘社群’, ‘外卖’]):
return {‘skill’: ‘promo_copy’, ‘reason’: ‘关键词命中营销文案’}
if any(k in user_text for k in [‘销量’, ‘备货’, ‘库存’, ‘套餐’, ‘转化’]):
return {‘skill’: ‘sales_analysis’, ‘reason’: ‘关键词命中运营分析’}
return {‘skill’: ‘faq’, ‘reason’: ‘兜底路由’}

def route_by_llm(user_text: str) -> dict:
skill_text = ‘\n’.join([f"- {k}: {v[‘desc’]}" for k, v in SKILLS.items()])
prompt = (
‘你是一个工具路由器，只能从候选技能中选择 1 个，并严格返回 JSON。\n’
f’候选技能：\n{skill_text}\n’
f’用户问题：{user_text}\n’
‘输出格式：{“skill”:“技能名”,“reason”:“简短原因”}’
)

try: resp = requests.post( os.environ['BASE_URL'].rstrip('/') + '/chat/completions', headers={ 'Authorization': f"Bearer {os.environ['API_KEY']}", 'Content-Type': 'application/json', }, json={ 'model': os.environ['MODEL'], 'messages': [{'role': 'user', 'content': prompt}], 'temperature': 0, }, timeout=30, ) content = resp.json()['choices'][0]['message']['content'] data = json.loads(content) if data['skill'] in SKILLS: return data except Exception: pass return fallback_route(user_text)

第 3 步：封装成 API，变成真正可调用的服务

python
app = FastAPI()

class AskReq(BaseModel):
question: str

@app.post(‘/ask’)
def ask(req: AskReq):
route = route_by_llm(req.question)
result = SKILLS[route[‘skill’]]‘func’
return {
‘route’: route,
‘result’: result,
}

启动：

bash
uvicorn app:app --reload --port 8000

测试：

bash
curl -X POST ‘http://127.0.0.1:8000/ask’
-H ‘Content-Type: application/json’
-d ‘{“question”:“给我一条今天午市外卖拉新的文案”}’

一个可能的返回结果：

{
“route”: {
“skill”: “promo_copy”,
“reason”: “用户要促销文案”
},
“result”: “文案：今天午市小龙虾双人餐限时加赠冰饮，适合拼单，外卖下单更省心。”
}

到这里，你已经有了一个可复现的最小 Agent 闭环：输入问题 → 路由 → 调技能 → 返回结果。