AI Agent 入门指南：从核心概念到第一个智能体实现

1次阅读

没有评论

共计 2219 个字符，预计需要花费 6 分钟才能阅读完成。

AI Agent（人工智能代理）是一种能够感知环境、自主决策并执行动作的智能程序。与传统程序最大的区别在于：

自主性：能根据目标主动采取行动，而非被动响应
适应性：通过反馈持续优化行为策略
目标导向：围绕明确目标组织行为逻辑

举个生活化的例子：传统天气 APP 像自动售货机（固定输入对应固定输出），而天气查询 AI Agent 则像私人管家——你问 ” 周末适合爬山吗 ”，它能综合地理位置、天气预报、历史数据给出个性化建议。

典型 AI Agent 包含三大核心组件：

感知模块
接收文本 / 语音 / 图像等输入
示例：用户提问 ” 北京明天会下雨吗 ”
决策模块
理解意图（天气查询）
规划行动步骤（调用天气 API）
示例：解析出地点 = 北京，时间 = 明天
执行模块
执行具体操作（API 调用）
返回结构化结果
示例：” 北京明天晴，最高温度 28℃”

下面用 Python 实现一个基础版天气 Agent，关键技术栈：
– OpenAI GPT-3.5：理解自然语言
– requests：调用天气 API
– python-dotenv：管理 API 密钥

pip install openai requests python-dotenv

import openai
import requests
import os
from dotenv import load_dotenv

# 加载环境变量
load_dotenv()
openai.api_key = os.getenv("OPENAI_API_KEY")

# 天气 API 封装
def get_weather(city: str, date: str) -> str:
    """调用公开天气 API（示例用模拟数据）"""
    # 实际开发替换为真实 API 如和风天气
    weather_data = {"北京": {"2023-08-20": "晴, 22-28℃"},
        "上海": {"2023-08-20": "多云, 25-30℃"}
    }
    return weather_data.get(city, {}).get(date, "未找到天气信息")

# 自然语言理解
def parse_user_input(user_input: str) -> dict:
    """使用 GPT 提取查询参数"""
    prompt = f"""
    从用户输入中提取天气查询参数，输出 JSON 格式：输入: {user_input}
    输出示例: {{"city": "北京", "date": "明天"}}
    输出:
    """

    response = openai.ChatCompletion.create(
        model="gpt-3.5-turbo",
        messages=[{"role": "user", "content": prompt}],
        temperature=0
    )
    return eval(response.choices[0].message.content)

# Agent 主逻辑
def weather_agent(user_input: str) -> str:
    """处理完整查询流程"""
    try:
        # 参数提取
        params = parse_user_input(user_input)

        # 日期转换（实际项目需更健壮的逻辑）date_map = {"今天": "2023-08-19", "明天": "2023-08-20"}
        date = date_map.get(params["date"], params["date"])

        # 获取天气
        weather = get_weather(params["city"], date)
        return f"{params['city']}{params['date']}天气: {weather}"
    except Exception as e:
        return f"查询失败: {str(e)}"

# 测试用例
if __name__ == "__main__":
    print(weather_agent("北京明天天气怎么样"))
    print(weather_agent("查询上海后天天气"))