实操审校说明

本文属于可实操教程，但比普通脚本更依赖模型能力和框架版本。AI Agent 的核心思路“目标 → 规划 → 工具调用 → 观察结果 → 继续执行”是真实可落地的，LangChain、OpenAI Agents SDK、CrewAI 等框架都能实现类似流程。

建议测试环境

项目	建议版本 / 条件
操作系统	Windows 10/11、macOS 或 Linux
Python	Python 3.10+
Agent 框架	LangChain 或 OpenAI Agents SDK
模型条件	需要支持工具调用或函数调用的模型
推荐任务	搜索资料、整理报告、读取文件、调用 API

实操前置条件

已会基本 Python。
理解 LLM API Key、模型名、系统提示词和工具调用的概念。
能安装 langchain、openai-agents 或同类框架。
第一个 Agent 建议只给 1-2 个工具，避免行为不可控。

可验证结果

完成教程后，至少应该能验证以下结果：

Agent 能接收一个目标。
Agent 能决定是否调用工具。
工具函数能收到参数并返回结果。
Agent 能基于工具返回结果继续生成回答。
失败时能看到日志或中间步骤，方便调试。

版本风险提示

Agent 框架更新快，工具调用 API、包名和示例代码可能变化。真实项目里一定要加入权限控制、超时限制、日志记录和人工确认，不能让 Agent 无限制执行命令或访问敏感数据。

官方参考：

LangChain Agents：https://python.langchain.com/docs/concepts/agents/
OpenAI Agents SDK Quickstart：https://openai.github.io/openai-agents-python/quickstart/
OpenAI SDKs and CLI：https://developers.openai.com/api/docs/libraries

AI Agent 开发教程：从零构建你的第一个智能体

📅 更新时间：2026 年 6 月

👤 适合人群：有 Python 基础、了解 LLM API 调用的开发者

⏱ 预计阅读时间：45 分钟

一、AI Agent 是什么？

🤔 大模型 vs AI Agent

┌─────────────────────────────────────────────────────────┐
│                    两者的核心区别                         │
│                                                         │
│  大模型（LLM）          AI Agent                        │
│  ┌────────────┐        ┌────────────────────────────┐   │
│  │ 被动响应    │        │ 主动规划 + 自主执行         │   │
│  │ 单次问答    │        │ 多步骤任务完成              │   │
│  │ 无法行动    │        │ 调用工具、访问外部资源      │   │
│  │ 无记忆      │        │ 有记忆和上下文管理          │   │
│  └────────────┘        └────────────────────────────┘   │
└─────────────────────────────────────────────────────────┘

💡 一句话理解

LLM = 一个博学的人，你问他，他答你。

AI Agent = 一个会自主工作的员工，你给他目标，他自己想办法完成。

🌟 典型案例

需求：帮我分析竞争对手的最新动态，写一份报告。

用普通 LLM：你需要自己搜索、复制内容、粘贴给 AI 让它写
用 AI Agent：

1. Agent 自动搜索"竞争对手"最新新闻

2. 爬取相关网页内容

3. 分析数据

4. 自动写成报告

5. 保存到你指定的位置

二、AI Agent 核心架构

                    ┌─────────────────────┐
                    │       用户目标        │
                    └──────────┬──────────┘
                               │
                    ┌──────────▼──────────┐
                    │      规划模块         │
                    │  (LLM 做决策/推理)   │
                    └──────────┬──────────┘
                               │
              ┌────────────────┼────────────────┐
              │                │                │
    ┌─────────▼───┐  ┌─────────▼───┐  ┌────────▼────┐
    │  工具调用     │  │   记忆模块    │  │  执行结果反馈 │
    │ (搜索/代码/  │  │ (短期/长期)  │  │  (成功/失败) │
    │  文件/API)   │  └─────────────┘  └─────────────┘
    └─────────────┘

四个核心组件

组件	作用	类比
规划（Planning）	把大任务拆成小步骤	大脑思考
工具（Tools）	执行具体操作	手和工具
记忆（Memory）	记住上下文和历史	记忆力
行动（Action）	实际执行、反馈结果	做事情

三、环境准备

pip install langchain langchain-openai
pip install langchain-community
pip install duckduckgo-search  # 搜索工具
pip install python-dotenv

四、最简单的 Agent：一个会搜索的 AI

4.1 核心代码

import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain.agents import AgentExecutor, create_tool_calling_agent
from langchain.tools import tool
from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder
from duckduckgo_search import DDGS

load_dotenv()

# ====== 第一步：定义工具 ======

@tool
def search_web(query: str) -> str:
    """搜索互联网，获取最新信息。当用户问及最新事件、新闻、数据时使用。"""
    with DDGS() as ddgs:
        results = list(ddgs.text(query, max_results=5, region="cn-zh"))

    if not results:
        return "没有找到相关搜索结果。"

    formatted = ""
    for i, r in enumerate(results, 1):
        formatted += f"\n[{i}] {r['title']}\n{r['body']}\nURL: {r['href']}\n"

    return formatted

@tool
def save_to_file(content: str, filename: str = "output.txt") -> str:
    """将内容保存到文件。当需要保存报告、结果时使用。"""
    with open(filename, "w", encoding="utf-8") as f:
        f.write(content)
    return f"✅ 内容已保存到 {filename}"

@tool
def calculate(expression: str) -> str:
    """执行数学计算。当需要计算数值时使用。支持基本四则运算和 Python 数学表达式。"""
    try:
        result = eval(expression, {"__builtins__": {}}, {})
        return f"计算结果：{expression} = {result}"
    except Exception as e:
        return f"计算失败：{str(e)}"

# ====== 第二步：创建 LLM ======

llm = ChatOpenAI(
    api_key=os.getenv("DEEPSEEK_API_KEY"),
    base_url="https://api.deepseek.com/v1",
    model="deepseek-v4-flash",
    temperature=0
)

# ====== 第三步：设置 Prompt ======

prompt = ChatPromptTemplate.from_messages([
    ("system", """你是一个聪明能干的 AI 助手，可以使用工具来帮助用户完成任务。

你的工作原则：
1. 仔细理解用户的需求
2. 制定合理的计划
3. 按步骤使用工具
4. 把结果整理清楚地呈现给用户

如果需要搜索信息，请使用 search_web 工具。
如果需要保存结果，请使用 save_to_file 工具。
如果需要计算，请使用 calculate 工具。"""),
    MessagesPlaceholder("chat_history", optional=True),
    ("human", "{input}"),
    MessagesPlaceholder("agent_scratchpad"),  # Agent 的思考过程
])

# ====== 第四步：组装 Agent ======

tools = [search_web, save_to_file, calculate]
agent = create_tool_calling_agent(llm, tools, prompt)
agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    verbose=True,  # 打印思考过程
    max_iterations=10  # 最多执行 10 步
)

# ====== 第五步：运行！======

if __name__ == "__main__":
    print("🤖 AI Agent 已启动！")
    print("示例任务：搜索 2026 年 AI 行业最新趋势，写成报告保存到文件\n")

    result = agent_executor.invoke({
        "input": "搜索 2026 年 6 月最新的 AI 工具动态，整理成一份简短的报告，保存到 ai_report.txt"
    })

    print(f"\n✅ 最终结果：\n{result['output']}")

4.2 运行效果

Agent 会自动：

分析任务：需要搜索 + 整理 + 保存
调用 search_web 搜索相关新闻
整理搜索结果
调用 save_to_file 保存报告
告诉你任务完成了

五、进阶：带记忆的多轮对话 Agent

from langchain.memory import ConversationBufferWindowMemory

# 记住最近 10 轮对话
memory = ConversationBufferWindowMemory(
    k=10,
    return_messages=True,
    memory_key="chat_history"
)

agent_executor_with_memory = AgentExecutor(
    agent=agent,
    tools=tools,
    memory=memory,
    verbose=True,
    max_iterations=10
)

# 多轮对话
conversations = [
    "帮我搜索一下最新的 MCP 协议相关新闻",
    "根据你搜索到的内容，帮我总结一下 MCP 最大的优势是什么",
    "把这份总结保存成 mcp_summary.txt"
]

for turn, user_input in enumerate(conversations, 1):
    print(f"\n{'='*50}")
    print(f"[第 {turn} 轮] 用户：{user_input}")
    print('='*50)

    result = agent_executor_with_memory.invoke({"input": user_input})
    print(f"Agent：{result['output']}")

六、进阶：自定义工具——让 Agent 能做更多

import requests

@tool
def get_weather(city: str) -> str:
    """获取城市天气信息。"""
    try:
        response = requests.get(
            f"https://wttr.in/{city}?format=3&lang=zh",
            timeout=10
        )
        return f"🌤️ {city} 天气：{response.text}"
    except Exception as e:
        return f"获取天气失败：{str(e)}"

@tool
def read_file(filename: str) -> str:
    """读取文件内容。当用户要求查看某个文件时使用。"""
    try:
        with open(filename, "r", encoding="utf-8") as f:
            content = f.read()
        return f"文件 {filename} 的内容：\n{content}"
    except FileNotFoundError:
        return f"文件 {filename} 不存在"
    except Exception as e:
        return f"读取失败：{str(e)}"

@tool
def run_python_code(code: str) -> str:
    """执行 Python 代码并返回结果。用于数据处理、计算等任务。
    注意：只能运行安全的代码，不要运行危险操作。"""
    import io
    import sys

    old_stdout = sys.stdout
    sys.stdout = io.StringIO()

    try:
        exec(code, {})
        output = sys.stdout.getvalue()
    except Exception as e:
        output = f"执行错误：{str(e)}"
    finally:
        sys.stdout = old_stdout

    return output if output else "代码执行完毕（无输出）"

七、实战：做一个数据分析 Agent

"""
数据分析 Agent 示例
任务：给定一个 CSV 文件，自动分析并生成报告
"""

@tool
def analyze_csv_data(filename: str, question: str) -> str:
    """分析 CSV 文件中的数据，回答关于数据的问题。"""
    import pandas as pd

    try:
        df = pd.read_csv(filename)

        data_info = f"""
CSV 文件信息：
- 文件：{filename}
- 行数：{len(df)}，列数：{len(df.columns)}
- 列名：{list(df.columns)}
- 数值统计：
{df.describe().to_string()}
- 前5行：
{df.head().to_string()}
        """

        # 让 LLM 基于数据回答问题
        response = client.chat.completions.create(
            model="deepseek-v4-flash",
            messages=[{
                "role": "user",
                "content": f"基于以下数据信息，回答问题：{question}\n\n{data_info}"
            }]
        )

        return response.choices[0].message.content

    except Exception as e:
        return f"分析失败：{str(e)}"

# Agent 任务示例
result = agent_executor.invoke({
    "input": """
请帮我完成以下任务：
1. 搜索 2026 年 Python 就业薪资行情
2. 用 calculate 工具计算：如果初级 Python 程序员月薪 15000，一年能赚多少？
3. 把这些信息整理成一份"Python学习回报分析"，保存到 python_salary.txt
"""
})

八、主流 AI Agent 框架对比

框架	特点	适合场景
LangChain	生态最全，文档好	通用场景，入门首选
AutoGen	多 Agent 协作，微软出品	多 Agent 系统
CrewAI	团队化 Agent，角色扮演	模拟企业团队工作
Dify	可视化拖拽，无需代码	非技术人员
Coze	字节出品，中文好用	国内场景，快速上线

九、常见问题

Q：Agent 陷入死循环怎么办？

设置 max_iterations（最多执行步数）：

agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    max_iterations=10,       # 最多 10 步
    max_execution_time=60,   # 最多执行 60 秒
    early_stopping_method="generate"  # 超时时生成最终答案
)

Q：工具调用失败怎么处理？

在工具函数中加 try/except，并返回有意义的错误信息，AI 会自动重试或换方案。

Q：怎么让 Agent 更"听话"？

在 System Prompt 中加入明确的约束：

你必须按以下顺序完成任务：
1. 先搜索信息
2. 再整理分析
3. 最后保存结果
不要跳过任何步骤。

总结

概念	关键点
Agent = LLM + 工具	LLM 负责思考，工具负责执行
定义好工具描述	描述越清晰，AI 越懂得何时调用
verbose=True	开发调试时必开，看清楚 Agent 思考过程
记忆管理	用 ConversationBufferWindowMemory 控制记忆长度
迭代上限	一定要设 max_iterations，防止死循环

🎯 下一步：尝试给你的 Agent 加上更多工具，比如邮件发送、日历管理、数据库查询！

*参考：CSDN AI Agent 从零搭建全流程（2026.1）| ofox.ai Python AI Agent 开发指南（2026.3）| 百度开发者中心 AI Agent 全攻略（2026.5）*

AI Agent 开发教程：从零构建你的第一个智能体

实操审校说明

建议测试环境

实操前置条件

可验证结果

版本风险提示

AI Agent 开发教程：从零构建你的第一个智能体

一、AI Agent 是什么？

🤔 大模型 vs AI Agent

💡 一句话理解

🌟 典型案例

二、AI Agent 核心架构

四个核心组件

三、环境准备

四、最简单的 Agent：一个会搜索的 AI

4.1 核心代码

4.2 运行效果

五、进阶：带记忆的多轮对话 Agent

六、进阶：自定义工具——让 Agent 能做更多

七、实战：做一个数据分析 Agent

八、主流 AI Agent 框架对比

九、常见问题

Q：Agent 陷入死循环怎么办？

Q：工具调用失败怎么处理？

Q：怎么让 Agent 更"听话"？

总结

关注 HotHub，获取 AI 工具、热点和教程更新

微信公众号

企业微信 / 社群

AI Agent 开发教程：从零构建你的第一个智能体

实操审校说明

建议测试环境

实操前置条件

可验证结果

版本风险提示

AI Agent 开发教程：从零构建你的第一个智能体

一、AI Agent 是什么？

🤔 大模型 vs AI Agent

💡 一句话理解

🌟 典型案例

二、AI Agent 核心架构

四个核心组件

三、环境准备

四、最简单的 Agent：一个会搜索的 AI

4.1 核心代码

4.2 运行效果

五、进阶：带记忆的多轮对话 Agent

六、进阶：自定义工具——让 Agent 能做更多

七、实战：做一个数据分析 Agent

八、主流 AI Agent 框架对比

九、常见问题

Q：Agent 陷入死循环怎么办？

Q：工具调用失败怎么处理？

Q：怎么让 Agent 更"听话"？

总结

关注 HotHub，获取 AI 工具、热点和教程更新

微信公众号

企业微信 / 社群

相关推荐

Ollama 本地部署大模型教程：在电脑上运行开源 LLM

企业微信自动回复机器人教程：FastAPI 接收消息并调用 AI 回复

Coze 工作流进阶教程：搭建可复用的 AI 自动化流程

Hermes Agent 部署教程（新手入门）