Agent讲解：从零构建你的第一个智能代理系统

1次阅读

共计 1778 个字符，预计需要花费 5 分钟才能阅读完成。

Agent（智能代理）可以理解为一个能自主感知环境、做出决策并执行动作的 AI 程序单元。和传统程序最大的区别在于：传统程序是「输入 - 输出」的固定流水线，而 Agent 具备自主决策能力——就像人类员工接到任务后，会自己判断怎么完成。

典型应用场景包括：

电商客服机器人（自动理解用户问题并推荐解决方案）
游戏 NPC（根据玩家行为动态调整对话和动作）
智能家居中枢（分析传感器数据后控制家电）

我们用一个天气预报查询 Agent 演示基本架构，包含感知、决策、执行三个核心环节：

class WeatherAgent:
    def __init__(self):
        self.memory = {}  # 记忆最近查询过的城市

    # 感知环节：接收用户输入
    def perceive(self, user_input):
        city = user_input.strip().lower()
        return {'city': city, 'from_memory': city in self.memory}

    # 决策环节：判断是否查询新数据
    def decide(self, perception):
        if perception['from_memory']:
            return 'respond_from_memory'
        return 'fetch_new_data'

    # 执行环节：具体动作实现
    def act(self, decision, perception):
        if decision == 'respond_from_memory':
            return f"{perception['city']}的天气是{self.memory[perception['city']]}"
        else:
            # 模拟 API 调用（实际项目替换为真实请求）weather_data = {"sunny": "晴天", "rainy": "雨天"}
            result = weather_data.get(perception['city'], "未知")
            self.memory[perception['city']] = result  # 存入记忆
            return f"{perception['city']}的天气是{result}"

# 使用示例
agent = WeatherAgent()
print(agent.act(agent.decide(agent.perceive("sunny")),  # 决策链调用
    agent.perceive("sunny")
))

关键点说明：

perceive() 处理原始输入（如去除空格、转小写）
decide() 根据业务逻辑选择策略（这里优先使用缓存）
act() 执行具体操作并更新内部状态

避免全局变量：像示例中用 self.memory 封装状态
重要操作加日志：决策前后打印print(f'Decision: {decision}')
定期清理记忆：长时间运行的 Agent 需要设置 memory 过期时间

典型问题：当 Agent 还在处理上个请求时，新请求已经修改了共享状态。解决方案：

from threading import Lock

class SafeAgent(WeatherAgent):
    def __init__(self):
        super().__init__()
        self.lock = Lock()

    def act(self, decision, perception):
        with self.lock:  # 确保线程安全
            return super().act(decision, perception)