AI Agent 工程师入门指南：从零构建你的第一个智能体

1次阅读

没有评论

共计 2784 个字符，预计需要花费 7 分钟才能阅读完成。

AI Agent 与传统程序最大的区别在于其具备感知 - 决策 - 执行的闭环能力。让我们用一个外卖点餐的场景来理解：

感知能力 ：Agent 能理解用户说 ” 我想吃附近评分高的川菜 ”，这涉及自然语言处理(NLP) 技术。传统程序只能处理结构化输入如勾选菜品类型。
决策能力：Agent 会先查询地理位置，再筛选 4.5 分以上的川菜馆，最后考虑配送时间。传统程序是按固定流程执行 if-else 判断。
执行能力：Agent 可以自动调用地图 API 查位置、爬取点评数据，甚至帮你完成下单支付。传统程序通常只能在封闭系统内操作。

目前主流的两个开发框架各有特点：

LangChain：适合 Python 技术栈
优势：生态丰富，有大量现成工具链(text splitters, vector DB 等)
劣势：异步支持较弱
Semantic Kernel：适合 C#/Java 技术栈
优势：微软系产品集成好
劣势：社区资源较少

新手建议：从 LangChain 开始，因为：
1. Python 学习曲线平缓
2. 遇到问题容易找到解决方案
3. 调试工具更完善

先安装必要依赖：

pip install openai langchain requests

from langchain.chat_models import ChatOpenAI

llm = ChatOpenAI(
    model="gpt-3.5-turbo",
    temperature=0  # 降低随机性
)

def parse_intent(user_query: str) -> dict:
    prompt = f"""将用户问题解析为 JSON 格式:\n"""
    response = llm.predict(prompt + user_query)
    return eval(response)  # 实际项目应该用 json.loads

创建天气查询工具：

import requests
from typing import Optional

WEATHER_API_KEY = "your_key"  # 实际项目用环境变量

def get_weather(city: str, date: Optional[str] = None) -> dict:
    url = f"https://api.weatherapi.com/v1/forecast.json?key={WEATHER_API_KEY}&q={city}&days=1"
    try:
        resp = requests.get(url, timeout=5)
        resp.raise_for_status()
        return {
            "city": city,
            "temp_c": resp.json()["current"]["temp_c"],
            "condition": resp.json()["current"]["condition"]["text"]
        }
    except Exception as e:
        return {"error": str(e)}

使用简单的上下文对象：

class DialogState:
    def __init__(self):
        self.history = []
        self.current_goal = None

    def update(self, user_input: str, agent_response: str):
        self.history.append({
            "user": user_input,
            "agent": agent_response
        })
        # 控制上下文长度
        if len(self.history) > 5:
            self.history = self.history[-5:]

# weather_agent.py
import os
from typing import Dict, Any

class WeatherAgent:
    def __init__(self):
        self.llm = ChatOpenAI(model="gpt-3.5-turbo")
        self.dialog = DialogState()

    def run_query(self, user_input: str) -> Dict[str, Any]:
        # 第一步：意图识别
        intent = self._parse_intent(user_input)

        # 第二步：参数验证
        if not self._validate_intent(intent):
            return {"error": "请提供有效的城市名称"}

        # 第三步：调用工具
        weather_data = get_weather(intent["city"])

        # 第四步：生成回复
        response = self._format_response(weather_data)

        # 更新对话状态
        self.dialog.update(user_input, response)

        return {"response": response}

    def _parse_intent(self, text: str) -> Dict[str, str]:
        prompt = """ 从文本提取城市名称，输出 JSON 格式：示例输入："上海明天天气怎样？"
        示例输出：{"city": "上海"}
        实际输入：{input}
        """
        return self.llm.predict(prompt.format(input=text))

    def _validate_intent(self, intent: Dict) -> bool:
        return "city" in intent and len(intent["city"]) > 0

    def _format_response(self, data: Dict) -> str:
        if "error" in data:
            return f"查询失败：{data['error']}"
        return (f"{data['city']}当前气温{data['temp_c']}℃，"
            f"天气状况：{data['condition']}"
        )