从零搭建AI Agent：技术选型与实战避坑指南

1次阅读

共计 2189 个字符，预计需要花费 6 分钟才能阅读完成。

最近两年，AI Agent（智能代理）突然成了技术圈的热门话题。简单来说，它就是一个能自动完成特定任务的智能程序。和传统脚本不同，Agent 具备记忆能力、决策能力，还能调用各种工具。我最早接触这个概念是因为要做一个智能客服系统，结果发现：

用户问完地址问营业时间，传统机器人就懵了
对接的天气 API 经常超时，程序直接卡死
高峰期请求量上来后，服务器内存飙升

市面上主流的 Agent 框架有这么几个：

LangChain：生态丰富但臃肿，适合快速验证想法
Semantic Kernel：微软出品，C# 友好但 Python 支持晚半拍
自定义框架：轻量但需要造轮子

我最后选了 LangChain + 自定义组件的方案，因为：

他们的 Chain 概念确实简化了任务编排
社区遇到的问题基本都能搜到解决方案
关键模块可以随时替换成自己的实现

from langchain.agents import AgentExecutor, create_react_agent
from langchain_core.prompts import ChatPromptTemplate

# 这是核心决策引擎
prompt = ChatPromptTemplate.from_template("""
你是一个专业客服，请根据工具返回的信息回答问题。问题：{input}
""")

# 工具可以是函数 /API/ 其他 LLM
tools = [fetch_weather_tool, query_database_tool]
agent = create_react_agent(llm, tools, prompt)

executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

用户聊到一半刷新页面？得用 Redis 存会话状态：

import redis
from pickle import dumps, loads

r = redis.Redis()

def save_session(user_id, state):
    r.set(f"agent:{user_id}", dumps(state))

def load_session(user_id):
    return loads(r.get(f"agent:{user_id}"))

用 Celery 处理耗时操作（比如生成报表）：

from celery import Celery

app = Celery('tasks', broker='redis://localhost')

@app.task(bind=True)
def generate_report(self, user_id):
    try:
        return expensive_operation()  # 耗时操作
    except Exception as e:
        self.retry(exc=e, countdown=60)  # 1 分钟后重试

第三方 API 挂掉时快速失败：

from tenacity import retry, stop_after_attempt, wait_exponential

@retry(stop=stop_after_attempt(3),
    wait=wait_exponential(multiplier=1, min=4, max=10)
)
def call_unreliable_api():
    response = requests.get("https://flaky-service.com/api")
    response.raise_for_status()
    return response.json()

现象：服务运行几天后就开始卡顿

排查：

python -m cProfile -o profile_stats.py my_agent.py

发现是对话历史没做清理，解决方案：

# 在 LangChain 配置里加这个
agent_executor = AgentExecutor(
    max_iterations=15,  # 限制对话轮次
    early_stopping_method="generate"
)

现象：凌晨定时任务集中触发导致队列堵塞

解决方案：

对 Celery 任务设置不同的优先级队列
用 celery inspect 命令实时监控堆积情况

现象：用户上传 PDF 后，Agent 忘记之前聊的内容

修复方案：

# 在工具调用前后手动维护上下文
def tool_wrapper(text, session_id):
    history = load_session(session_id)
    result = real_tool(text)
    save_session(session_id, history + [("tool", result)])
    return result

其实 Agent 开发最难的从来不是代码本身，而是对业务场景的理解。有次我们花两周做的「智能导购」Agent，最后发现用户最需要的只是简单查库存。建议大家在开干前先回答三个问题：