新手教程：5分钟实现一个智能体

旅行智能推荐助手

一、准备工作

获取实时搜索的api：

tavily-python，AI 搜索 API 客户端，用于获取实时的网络搜索结果，可以在官网注册后获取 API。

我们先在终端创建一个新环境命名为ai-agent：（当时设置的镜像是清华源的，注意把梯子关了）

conda create -n ai-agent python=3.11 -y

然后再激活环境

conda activate ai-agent

用国内的镜像源安装

pip install requests openai tavily-python -i https://pypi.tuna.tsinghua.edu.cn/simple

二、编写智能体并测试

打开vscode，选择我们刚刚创建的环境。

创建travel_agent.py文件

# travel_agent.py 智能旅行助手完整代码 import os import re import requests from openai import OpenAI from tavily import TavilyClient # ====================== 1. 系统提示词（智能体的指令） ====================== AGENT_SYSTEM_PROMPT = """ 你是一个智能旅行助手。你的任务是分析用户的请求，并使用可用工具一步步地解决问题。 # 可用工具: - `get_weather(city: str)`: 查询指定城市的实时天气。 - `get_attraction(city: str, weather: str)`: 根据城市和天气搜索推荐的旅游景点。 # 输出格式要求: 你的每次回复必须严格遵循以下格式，包含一对Thought和Action： Thought: [你的思考过程和下一步计划] Action: [你要执行的具体行动] Action的格式必须是以下之一： 1. 调用工具：function_name(arg_name="arg_value") 2. 结束任务：Finish[最终答案] # 重要提示: - 每次只输出一对Thought-Action - Action必须在同一行，不要换行 - 当收集到足够信息可以回答用户问题时，必须使用 Action: Finish[最终答案] 格式结束 """ # ====================== 2. 工具1：查询天气 ====================== def get_weather(city: str) -> str: url = f"https://wttr.in/{city}?format=j1" try: response = requests.get(url, timeout=10) response.raise_for_status() data = response.json() current = data['current_condition'][0] desc = current['weatherDesc'][0]['value'] temp = current['temp_C'] return f"{city}当前天气：{desc}，气温{temp}℃" except Exception as e: return f"天气查询失败：{str(e)}" # ====================== 3. 工具2：景点推荐（Tavily搜索） ====================== def get_attraction(city: str, weather: str) -> str: api_key = os.environ.get("TAVILY_API_KEY") if not api_key: return "错误：未设置Tavily API Key" tavily = TavilyClient(api_key=api_key) query = f"{city} {weather}天气 适合去的旅游景点推荐" try: res = tavily.search(query=query, search_depth="basic", include_answer=True) return res.get("answer", "未找到推荐信息") except Exception as e: return f"景点搜索失败：{str(e)}" # 工具注册 available_tools = { "get_weather": get_weather, "get_attraction": get_attraction } # ====================== 4. LLM 客户端 ====================== class OpenAICompatibleClient: def __init__(self, model: str, api_key: str, base_url: str): self.model = model self.client = OpenAI(api_key=api_key, base_url=base_url) def generate(self, prompt: str, system_prompt: str) -> str: print("\n→ 正在调用大模型...") try: messages = [ {"role": "system", "content": system_prompt}, {"role": "user", "content": prompt} ] resp = self.client.chat.completions.create( model=self.model, messages=messages, temperature=0.1 ) return resp.choices[0].message.content except Exception as e: return f"模型调用失败：{str(e)}" # ====================== 5. 填写你的 KEY ====================== # 1. 大模型 API 信息 API_KEY = "替换成自己的" BASE_URL = "替换成自己的" MODEL_ID = "替换成自己的" # 2. Tavily API Key（搜索景点用） TAVILY_API_KEY = "替换成自己的" os.environ["TAVILY_API_KEY"] = TAVILY_API_KEY # 初始化LLM llm = OpenAICompatibleClient( model=MODEL_ID, api_key=API_KEY, base_url=BASE_URL ) # ====================== 6. 智能体主循环 ====================== if __name__ == "__main__": user_query = "你好，请帮我查询一下今天北京的天气，然后根据天气推荐一个合适的旅游景点。" history = [f"用户请求：{user_query}"] print("=" * 50) print("用户输入：", user_query) print("=" * 50) # 最多循环5次 for round_num in range(5): print(f"\n===== 第 {round_num+1} 轮思考 =====") # 构造完整prompt full_prompt = "\n".join(history) # 调用LLM llm_response = llm.generate(full_prompt, AGENT_SYSTEM_PROMPT) print("模型输出：\n", llm_response) # 截断多余内容 match = re.search(r"(Thought:.*?Action:.*?)(?=\nThought|\Z)", llm_response, re.DOTALL) if match: llm_response = match.group(1).strip() history.append(llm_response) # 解析Action action_match = re.search(r"Action: (.*)", llm_response) if not action_match: obs = "无法解析Action" history.append(f"Observation: {obs}") continue action = action_match.group(1).strip() # 如果是Finish，结束任务 if action.startswith("Finish"): ans = re.findall(r"Finish\[(.*?)\]", action)[0] print("\n任务完成！最终回答：\n", ans) break # 解析工具名和参数 tool_name = re.findall(r"(\w+)\(", action)[0] args = dict(re.findall(r'(\w+)="([^"]+)"', action)) # 执行工具 if tool_name in available_tools: obs = available_tools[tool_name](**args) else: obs = f"工具{tool_name}不存在" print(f"\nObservation: {obs}") history.append(f"Observation: {obs}")

我选用的大模型是qwen-turbo

打开阿里云百炼（通义千问平台）：https://bailian.console.aliyun.com/

用阿里云账号登录（没有就注册一个，要实名认证）

右上角进入API Key 管理 → 创建 API Key

设置好后执行该文件。

最后输出：

(ai-agent) PS D:\Project\ai-agent> & C:\Users\HUANG\.conda\envs\ai-agent\python.exe d:/Project/ai-agent/travel_agent.py ================================================== 用户输入： 你好，请帮我查询一下今天北京的天气，然后根据天气推荐一个合适的旅游景点。 ================================================== ===== 第 1 轮思考 ===== → 正在调用大模型... 模型输出： Thought: 用户需要查询北京的天气，并根据天气推荐一个旅游景点。首先，我需要调用工具获取北京的实时天气。 Action: function_name=get_weather(city="北京") Observation: 北京当前天气：Sunny，气温26℃ ===== 第 2 轮思考 ===== → 正在调用大模型... 模型输出： Thought: 现在我有了北京的天气信息，接下来我需要根据天气推荐一个合适的旅游景点。 Action: function_name=get_attraction(city="北京", weather="Sunny") Observation: 北京天坛和颐和园在晴天特别适合游览，这两个地方有丰富的历史和美丽的景色。 ===== 第 3 轮思考 ===== → 正在调用大模型... 模型输出： Thought: 根据天气信息，我已找到适合的旅游景点。现在可以向用户推荐这些景点。 Action: Finish[北京今天天气晴朗，气温26℃，推荐您去北京天坛和颐和园游览，这两个地方在晴天特别适合，有丰富的历史和美丽的景色。] 任务完成！最终回答： 北京今天天气晴朗，气温26℃，推荐您去北京天坛和颐和园游览，这两个地方在晴天特别适合，有丰富的历史和美丽的景色。 (ai-agent) PS D:\Project\ai-agent>