从0到1，构建你的第一个AI Agent：核心原理与实战指南

从0到1，构建你的第一个AI Agent：核心原理与实战指南

AI Agent 正从论文走向生产，但很多人上手就是 LangChain、AutoGPT 这类高级框架，结果往往是“会用但不理解，能跑但不可控”。如果你曾好奇：在不依赖任何框架的情况下，如何从零写出一个能推理、能调用工具、有记忆的自主智能体？这篇文章就是为你准备的。

我们将沿着“概念→设计→代码→优化”的路径，一步步构建出一个最小可行的 AI Agent，并深入理解它的骨架和灵魂。

一、先想清楚：AI Agent 到底是个什么东西

它不是单纯的“问答机器人”。我们可以用一条经典公式来定义它：

Agent = LLM + 记忆（Memory）+ 规划（Planning）+ 工具（Tools）

• LLM：大脑，负责理解、推理和生成。
• 记忆：分为短期记忆（对话上下文）和长期记忆（外部知识库，如向量数据库）。
• 规划：能拆解复杂任务、自我反思、动态调整执行路径。
• 工具：对外界施加影响的手和脚，如搜索引擎、计算器、API调用。

与传统“输入-输出”的 GPT 包装器不同，Agent 会进入一个感知-规划-行动循环：
它会观察当前状态（包括历史消息和工具返回），用 LLM 进行推理，决定下一步是执行某个工具还是直接给出最终答案，反复循环直到目标完成。

这个循环的核心设计模式就是ReAct（Reasoning + Acting）——让模型交替输出“思考”和“行动”，并用标准格式将行动结构化，方便程序解析和执行。这也是我们实现时的灵魂所在。

二、动手前的核心设计：一个可扩展的 Agent 架构

让我们把需求具体化：我们要一个通用 Agent，可以配置不同的工具和系统提示，对任意问题自主拆解并调用工具。它的主循环应该是：

1. 接收用户输入，加入短期记忆。
2. 拼接系统提示 + 历史消息 + 可用工具列表，请求 LLM。
3. 解析 LLM 输出：
   • 如果是最终答案，结束循环并返回结果；
   • 如果是工具调用请求，执行对应的工具，将结果作为一条新消息加入历史，返回步骤2。
4. 设置最大循环次数，防止无限循环或过度消耗。

我们将用 Python 实现，调用 OpenAI 的原生 Function Calling能力（因为它极大地降低了解析成本），但原理完全适用于任何支持指令遵循的开源模型（可通过约束 JSON 输出来模拟）。

三、从零编写代码：最小可行 Agent

1. 工具系统：让 Agent 长出双手

首先要定义一种统一的工具接口。每个工具需要有名称、描述和符合 JSON Schema 的参数定义。

importjsonclassTool:def__init__(self,name,description,func,parameters):self.name=name self.description=description self.func=func self.parameters=parameters# JSON Schema properties dictdefto_openai_function(self):return{"type":"function","function":{"name":self.name,"description":self.description,"parameters":{"type":"object","properties":self.parameters,"required":list(self.parameters.keys())}}}defexecute(self,**kwargs):returnself.func(**kwargs)

我们来实现一个简单的计算器工具和一个模拟搜索工具作为例子：

defcalculator(expression:str):# 安全起见，仅允许基础运算；生产环境必须沙箱化allowed_chars=set("0123456789+-*/().% ")ifnotset(expression).issubset(allowed_chars):return"Error: 表达式含非法字符"try:returnstr(eval(expression))exceptExceptionase:returnf"计算错误:{e}"defweb_search(query:str):# 模拟搜索结果，实际可接入 SerpAPI / Tavily 等returnf"关于'{query}'的搜索结果：这里是一些模拟摘要..."tools=[Tool(name="calculator",description="执行数学计算，输入一个数学表达式字符串",func=calculator,parameters={"expression":{"type":"string","description":"要计算的表达式，如 '2+3*4'"}}),Tool(name="web_search",description="搜索互联网获取最新信息",func=web_search,parameters={"query":{"type":"string","description":"搜索关键词"}})]

2. 记忆模块：比简单的列表多一点

短期记忆就用一个消息列表保存对话上下文。为了让模型不丢失重要信息，我们可以加入一个历史消息裁剪 + 摘要的简易机制，防止超出 Token 上限。

classMemory:def__init__(self,system_prompt,max_messages=20):self.system_prompt=system_prompt self.messages=[]# 只保留最近的消息self.summary=""# 早期消息的摘要self.max_messages=max_messagesdefadd(self,role,content):self.messages.append({"role":role,"content":content})iflen(self.messages)>self.max_messages:# 将前一部分消息总结（可用LLM完成，这里简化为丢弃前一半）older=self.messages[:self.max_messages//2]self.messages=self.messages[self.max_messages//2:]# 实际项目中应调用 LLM 生成摘要并拼入 system promptself.summary=f"[早期对话摘要] 共省略{len(older)}条消息。"defget_context(self):base=[{"role":"system","content":self.system_prompt+'\n'+self.summary}]returnbase+self.messages

3. Agent 主循环：推理与执行

终于到了最关键的部分。我们将利用 OpenAI 的 Function Calling，让模型决定何时调用工具，何时回复文本。

fromopenaiimportOpenAI client=OpenAI()# 需设置 OPENAI_API_KEY 环境变量classAgent:def__init__(self,tools,system_prompt,model="gpt-4o-mini",max_steps=10):self.tools={t.name:tfortintools}self.system_prompt=system_prompt self.model=model self.max_steps=max_steps self.memory=Memory(system_prompt)defrun(self,user_query):self.memory.add("user",user_query)tool_schemas=[t.to_openai_function()fortinself.tools.values()]forstepinrange(self.max_steps):messages=self.memory.get_context()response=client.chat.completions.create(model=self.model,messages=messages,tools=tool_schemas,tool_choice="auto")msg=response.choices[0].message# 情况1：模型要求调用工具ifmsg.tool_calls:fortool_callinmsg.tool_calls:tool_name=tool_call.function.name tool_args=json.loads(tool_call.function.arguments)print(f"[Agent 动作] 调用工具{tool_name}，参数{tool_args}")result=self.tools[tool_name].execute(**tool_args)# 将工具执行结果添加到记忆self.memory.add("tool",result,tool_call_id=tool_call.id)# 将带的 tool_calls 消息也加入记忆（不显示存，但需要在 messages 中体现 assistant 的请求）self.memory.messages.append({"role":"assistant","content":msg.content,"tool_calls":[tc.dict()fortcinmsg.tool_calls]})continue# 进入下一轮循环# 情况2：没有工具调用，视为最终答案final_answer=msg.content self.memory.add("assistant",final_answer)returnfinal_answerreturn"已达到最大执行步数，任务可能未完成。"

注意：上面的代码为了清晰，直接操作了memory.messages添加包含tool_calls的 assistant 消息和对应tool角色消息，这是 OpenAI 对话格式要求。我们在 Memory 类里增加了支持：

# 在 Memory 类中扩展 add 方法，兼容 tool 角色defadd(self,role,content,tool_call_id=None):msg={"role":role,"content":content}iftool_call_id:msg["tool_call_id"]=tool_call_id self.messages.append(msg)# ... 裁剪逻辑

这样我们就拥有了一个完全自主的 Agent。只需几行启动：

system_prompt="你是一个有用的助手，可以调用计算器或搜索工具帮助用户。每次只调用一个工具，收到结果后再决定下一步。"agent=Agent(tools,system_prompt)result=agent.run("现在几点？另外，计算 123 * 456 是多少？")print("最终回复:",result)

四、从玩具到工程化：加入规划与长期记忆

上面这个最小实现已经具备了 Agent 的核心循环，但真实场景下还需要两个重要的能力：

4.1 规划能力（Task Decomposition）

对于复杂问题（比如“帮我调研 AI 在医疗领域的三个主要应用，并生成表格”），模型需要能够先规划再执行。可以通过让 LLM 在第一步输出一份行动计划 JSON来实现，Agent 按照计划逐步执行并在过程中修正。

也可以在系统提示中诱导：

“收到复杂任务时，请先用一句话说明你的执行步骤，然后逐步调用工具，每一步确认结果后再继续。”

更好的做法是增加一个planner工具，允许模型显式地储存和修改任务列表。

4.2 长期记忆与 RAG

当对话过长或需要跨 session 记忆时，短期消息列表不够用。我们可以引入向量数据库（如 Chroma、Pinecone），将重要信息总结后存储为 embedding，再在后续对话中检索相关记忆作为上下文。

步骤：

1. 对话结束后，将重要事实和决策摘要调用 embedding 模型存入向量库。
2. 新对话开始时，根据用户问题从向量库检索 Top-K 相关记忆，插入到 System Prompt 中。

这样就构成了真正的长期记忆。

五、生产环境必须考虑的硬核问题

从 Demo 到上线，下面几个坑一定不能跳过：

• 工具安全与沙箱：特别是执行代码/命令的工具，必须严格限制权限，在容器或沙箱环境运行。
• 成本与延迟控制：设置更短的max_steps，使用便宜的模型（gpt-4o-mini）做规划和简单任务，复杂推理才路由到大模型。
• 错误恢复与死循环检测：工具执行失败时不要让 Agent 卡死，应把错误信息返回给模型，让它自行修正；超过一定步数则强行终止。
• 输出验证：对工具参数做严格校验，避免 LLM 的幻觉参数（比如调用web_search传了空字符串）。
• 可观测性：记录每一步的推理与工具调用日志，便于调试和审计。

六、实战升级：打造一个研究助手 Agent

用一个稍微完整的例子来串联所学：我们要构建一个能搜索并撰写简要研究报告的 Agent。

增加工具：

• web_search（真实 API，如 Tavily）
• save_note：将重要发现保存到内存笔记，最后供模型总结。

系统提示：

“你是专业研究助手。当收到研究主题时：1. 列出需要搜索的 3-4 个子问题；2. 逐个搜索；3. 将有用信息保存笔记；4. 最后整合笔记写 200 字摘要。如果信息不足，请继续搜索。”

实现提示：将笔记存储为 Memory 中的特殊变量，或直接作为一个工具来追加内容。这样 Agent 自动学会了“先搜索，后组织”。

你会发现，这个 Agent 开始展现出类似人类的操作流程——这正是智能体涌现的迷人之处。

七、结语：未来属于能驾驭 Agent 思维的人

我们走了一条“0 框架”的路，并不是说 LangChain 和 CrewAI 没有价值，而是只有理解了底层循环、工具交互和记忆管理，你才能真正驾驭这些框架，并在它们不满足需求时，有勇气自己造一个。

从 0 到 1 构建 AI Agent 的旅程到这里告一段落，但它也打开了更大的门：多 Agent 协作、Agent 自进化、代码生成与执行…… 这些都是接下来等待你探索的新大陆。

现在，打开你的代码编辑器，去创造一个专属于你的智能体吧。