在实际项目中智能体Agent已不再是实验室里的概念而是能够感知环境、自主决策并执行复杂任务的关键组件。无论是自动化客服、数据分析助手还是代码生成工具其核心都离不开一个设计良好的Agent架构。很多开发者初次接触时会感到概念庞杂从记忆、工具调用到多智能体协作不知从何下手。本文将从一个工程实践者的视角带你从零开始手把手搭建一个具备基础能力的智能体。我们将聚焦于一个可运行的最小闭环让智能体理解用户意图、调用工具例如查询天气并给出结构化回答。通过这个过程你会清晰掌握智能体的核心模块、数据流转链路以及开发调试中的关键要点为后续构建更复杂的多智能体系统打下坚实基础。1. 理解智能体核心组件与工作流在开始编码之前必须厘清智能体的基本构成。一个典型的智能体系统并非一个“黑盒”模型而是一个由多个协同工作的模块组成的架构。1.1 智能体是什么解决什么问题通俗地讲智能体是一个能够理解目标、规划步骤、使用工具并完成任务的软件实体。它解决了传统程序“输入-固定逻辑-输出”的僵化问题引入了基于大语言模型LLM的推理和决策能力使其能够处理非结构化、多步骤的开放性问题。例如用户说“帮我总结一下上周的销售数据并预测下周趋势”传统程序需要预先写好数据获取、总结、预测的所有代码。而智能体可以自主分解任务先调用数据库查询工具获取数据再调用数据分析工具进行总结最后调用预测模型生成趋势报告。从技术定义上看一个基础智能体通常包含以下几个核心组件大脑Brain/Core通常是大语言模型负责理解用户输入、进行逻辑推理、规划任务步骤并生成决策如下一步调用哪个工具。记忆Memory用于存储和检索与当前会话或任务相关的历史信息包括对话历史、工具执行结果等确保智能体具有上下文感知能力。工具Tools智能体扩展能力的手段。工具可以是任何可执行函数如调用API、查询数据库、运行计算、操作文件等。智能体通过模型决定在何时、以何种参数调用哪个工具。执行引擎Orchestrator负责协调上述组件的工作流程。它接收用户输入结合记忆调用模型进行思考解析模型输出以执行工具调用处理工具返回结果并最终生成给用户的响应。1.2 典型工作流从输入到响应的数据流转理解数据如何在各组件间流动至关重要这是后续调试和排查问题的基石。一个简化的工作流如下接收输入用户发起请求如“北京现在的天气怎么样”组织上下文执行引擎从记忆模块中检索出与本会话相关的历史对话和知识将用户当前问题与历史上下文拼接形成完整的提示Prompt输入给模型。模型推理大语言模型大脑接收提示进行思考。其输出通常被设计为一种结构化或半结构化的文本指示下一步动作。常见格式是JSON或特定标记例如{action: call_tool, tool_name: get_weather, tool_input: {city: 北京}}。解析与执行执行引擎解析模型的输出。如果解析出调用工具的指令则根据tool_name找到对应的工具函数传入tool_input参数并执行。处理结果工具执行后返回结果例如{temperature: 22°C, condition: 晴}。执行引擎将这个结果作为新的信息再次组织上下文通常会将工具结果附加到对话历史中然后第二次调用模型让模型基于工具结果生成面向用户的自然语言回答。输出与记忆将模型生成的最终回答返回给用户同时将本轮完整的交互用户输入、模型思考、工具调用及结果、最终输出存储到记忆模块中供后续交互使用。这个“思考-行动-观察”的循环是智能体工作的核心模式。在开发中我们需要用代码精确地实现这一流程。2. 环境准备与项目初始化我们将使用Python作为开发语言因为它拥有最丰富的AI开发生态。这里不依赖任何特定的商业Agent框架而是基于OpenAI API和LangChain的核心概念进行构建以便你透彻理解底层原理。2.1 基础环境与依赖首先确保你的开发环境满足以下要求项目要求说明Python3.8 或更高版本建议使用3.9或3.10以获得最佳兼容性。包管理器pip通常随Python安装。代码编辑器VS Code, PyCharm等任选其一。OpenAI API Key有效的密钥用于访问GPT模型可从OpenAI平台获取。创建一个新的项目目录并初始化虚拟环境这是管理项目依赖的最佳实践可以避免全局包冲突。# 创建项目目录并进入 mkdir simple_ai_agent cd simple_ai_agent # 创建虚拟环境以venv为例 python -m venv venv # 激活虚拟环境 # 在Windows上 venv\Scripts\activate # 在macOS/Linux上 source venv/bin/activate激活虚拟环境后你的命令行提示符前通常会显示(venv)。接下来安装核心依赖库。# 安装OpenAI Python SDK用于调用GPT模型 pip install openai # 安装LangChain。虽然我们不直接使用其高层Agent但会借鉴其Tool和Chain的思想并且它提供了很多工具类。 pip install langchain langchain-openai # 安装requests用于构建自定义工具如调用天气API pip install requests # 安装python-dotenv用于安全地管理环境变量如API Key pip install python-dotenv2.2 项目结构设计清晰的项目结构有助于代码管理和后续扩展。创建如下文件和目录simple_ai_agent/ ├── .env # 存储敏感信息如API密钥切勿提交至Git ├── .gitignore # Git忽略文件 ├── requirements.txt # 项目依赖清单 ├── main.py # 主程序入口 ├── core/ │ ├── __init__.py │ ├── agent.py # 智能体核心逻辑执行引擎 │ └── prompts.py # 存放给模型的各种提示模板 ├── tools/ │ ├── __init__.py │ └── weather_tool.py # 自定义工具示例天气查询 └── memory/ ├── __init__.py └── simple_memory.py # 简单的记忆实现现在将当前安装的依赖导出到requirements.txt。pip freeze requirements.txt在.gitignore文件中添加以下内容确保不将虚拟环境和敏感信息提交到版本库。venv/ .env __pycache__/ *.pyc在.env文件中填入你的OpenAI API Key。OPENAI_API_KEYsk-your-actual-openai-api-key-here注意.env文件必须被妥善保护绝不能上传到公开的代码仓库。在生产环境中应使用更安全的密钥管理服务。3. 构建核心模块从工具与记忆开始我们采用自底向上的构建方式先实现工具和记忆这两个相对独立的模块最后用执行引擎将它们串联起来。3.1 实现一个自定义工具工具是智能体能力的延伸。我们实现一个简单的天气查询工具。首先你需要注册一个免费的天气API服务如OpenWeatherMap来获取API Key。这里我们使用一个模拟的API进行演示。创建tools/weather_tool.pyimport requests import json from typing import Dict, Any class WeatherTool: 一个模拟的天气查询工具。 name get_weather description 根据城市名称查询该城市的当前天气情况。输入应为包含city键的JSON字符串。 def _call_mock_api(self, city: str) - Dict[str, Any]: 模拟调用天气API。实际项目中应替换为真实的API调用。 # 这里模拟返回数据 mock_data { 北京: {temperature: 22°C, condition: 晴, humidity: 45%}, 上海: {temperature: 25°C, condition: 多云, humidity: 70%}, 广州: {temperature: 28°C, condition: 阵雨, humidity: 85%}, } return mock_data.get(city, {temperature: N/A, condition: 未知, humidity: N/A}) def run(self, tool_input: str) - str: 执行工具。 Args: tool_input: 模型传来的输入期望是一个JSON字符串如{city: 北京}。 Returns: 工具执行结果的字符串表示。 try: # 解析模型传来的输入 input_dict json.loads(tool_input) city input_dict.get(city) if not city: return 错误输入中未找到city字段。 # 调用模拟API weather_info self._call_mock_api(city) # 将结果格式化为字符串便于模型理解 result_str f{city}的天气温度{weather_info[temperature]}天气{weather_info[condition]}湿度{weather_info[humidity]}。 return result_str except json.JSONDecodeError: return 错误工具输入不是有效的JSON格式。 except Exception as e: return f调用天气API时发生未知错误{str(e)}关键点解释name和description属性至关重要。模型大脑正是通过阅读工具的description来决定是否以及如何使用该工具。run方法是工具的入口它接收一个字符串参数tool_input。我们约定模型以JSON字符串格式传递参数因此在工具内部需要先进行解析。工具返回的结果也应是字符串这个字符串会被反馈给模型作为其生成下一步回答的依据。3.2 实现一个简单的记忆模块记忆模块负责维护对话的上下文。我们实现一个基于列表的简易对话历史记忆。创建memory/simple_memory.pyfrom typing import List, Dict, Any class SimpleConversationMemory: 一个简单的对话记忆仅保存最近的对话历史。 def __init__(self, max_turns: int 10): Args: max_turns: 最大记忆轮数防止上下文过长。 self.memory: List[Dict[str, str]] [] # 每条记录格式{role: user/assistant, content: ...} self.max_turns max_turns def add_user_message(self, message: str): 添加用户消息到记忆。 self.memory.append({role: user, content: message}) self._trim_memory() def add_assistant_message(self, message: str): 添加助手智能体消息到记忆。 self.memory.append({role: assistant, content: message}) self._trim_memory() def add_system_message(self, message: str): 添加系统消息到记忆通常用于初始提示。 # 系统消息通常放在最前面我们简单实现为插入到开头 self.memory.insert(0, {role: system, content: message}) def get_conversation_history(self) - List[Dict[str, str]]: 获取当前的完整对话历史。 return self.memory.copy() def clear(self): 清空记忆。 self.memory.clear() def _trim_memory(self): 修剪记忆只保留最近N轮对话根据max_turns计算。 # 只保留最近 max_turns*2 条消息因为一轮对话包含user和assistant各一条 if len(self.memory) self.max_turns * 2: # 保留系统消息如果在开头和最近的对话 system_msg None if self.memory and self.memory[0][role] system: system_msg self.memory[0] recent_messages self.memory[-(self.max_turns * 2):] self.memory [system_msg] recent_messages else: self.memory self.memory[-(self.max_turns * 2):]关键点解释记忆存储了完整的对话历史格式与OpenAI Chat API要求的消息列表格式兼容方便直接使用。_trim_memory方法实现了简单的上下文窗口管理。当对话轮数过多时会丢弃早期的对话只保留最近的max_turns轮。这是为了避免超出模型的最大上下文长度限制并控制API调用成本。在实际复杂应用中记忆可能分为短期记忆对话历史、长期记忆向量数据库等这里我们仅实现最基础的短期记忆。4. 组装智能体构建执行引擎与提示工程执行引擎是智能体的调度中心。它将模型、工具和记忆粘合在一起并管理“思考-行动”的循环。4.1 设计提示模板提示Prompt是与模型沟通的“语言”设计的好坏直接决定智能体的表现。我们在core/prompts.py中定义几个关键的提示模板。# core/prompts.py # 系统提示用于设定智能体的角色和行为准则 SYSTEM_PROMPT 你是一个乐于助人的AI助手。你可以使用工具来获取信息以更好地回答用户的问题。 当你需要用到工具时请严格按照以下格式输出 Action: 工具名称 Action Input: 工具的输入参数必须是一个JSON字符串 当工具返回结果后我会把结果以“Observation: ”为前缀提供给你。 然后你应该根据观察到的结果进行思考并给出最终回答。 你的最终回答应以“Final Answer: ”开头。 记住不要编造你不知道的信息。如果工具无法提供答案就如实告知用户。 # 当模型需要调用工具时我们用它之前的回复和工具结果组合成新的提示让它继续 def format_tool_prompt(previous_ai_response: str, tool_result: str) - str: 格式化工具调用后的提示。 Args: previous_ai_response: 模型之前输出的包含Action的文本。 tool_result: 工具执行返回的结果字符串。 Returns: 组合后的提示字符串。 return f{previous_ai_response}\nObservation: {tool_result}\n现在请根据以上观察给出你的最终回答。关键点解释SYSTEM_PROMPT定义了智能体的角色、可用工具的调用格式以及交互协议。明确的格式要求如Action:Action Input:是引导模型进行结构化输出的关键。format_tool_prompt函数用于在工具执行后将结果反馈给模型并提示它进行下一步。这种“链式思考”Chain-of-Thought的提示方式能显著提升模型推理的可靠性。4.2 实现智能体执行引擎现在在core/agent.py中创建智能体的核心类。# core/agent.py import json import re from typing import List, Dict, Any, Optional from openai import OpenAI from dotenv import load_dotenv import os # 加载.env文件中的环境变量 load_dotenv() from core.prompts import SYSTEM_PROMPT, format_tool_prompt from memory.simple_memory import SimpleConversationMemory from tools.weather_tool import WeatherTool class SimpleAgent: 一个简单的智能体执行引擎。 def __init__(self, model: str gpt-3.5-turbo): Args: model: 使用的OpenAI模型名称。 self.client OpenAI(api_keyos.getenv(OPENAI_API_KEY)) self.model model self.memory SimpleConversationMemory(max_turns5) # 注册可用工具 self.tools { get_weather: WeatherTool() } # 将系统提示加入记忆 self.memory.add_system_message(SYSTEM_PROMPT) def _call_llm(self, messages: List[Dict[str, str]]) - str: 调用OpenAI Chat API。 try: response self.client.chat.completions.create( modelself.model, messagesmessages, temperature0.1, # 低温度使输出更确定更适合工具调用 max_tokens500 ) return response.choices[0].message.content.strip() except Exception as e: raise Exception(f调用模型API失败{str(e)}) def _parse_model_response(self, response: str) - Dict[str, Any]: 解析模型的响应判断是直接回答还是调用工具。 返回一个字典例如 - 直接回答: {type: final_answer, content: ...} - 调用工具: {type: action, tool_name: ..., tool_input: ...} response response.strip() # 匹配 Action: 和 Action Input: 模式 action_match re.search(rAction:\s*(.), response) action_input_match re.search(rAction Input:\s*(.), response) if action_match and action_input_match: tool_name action_match.group(1).strip() tool_input action_input_match.group(1).strip() return { type: action, tool_name: tool_name, tool_input: tool_input } else: # 如果没有匹配到工具调用格式则认为是最终回答。 # 尝试提取以“Final Answer: ”开头的内容 final_match re.search(rFinal Answer:\s*(.), response, re.DOTALL) if final_match: content final_match.group(1).strip() else: # 如果也没有Final Answer标记则将整个响应作为回答 content response return {type: final_answer, content: content} def run(self, user_input: str) - str: 执行一轮智能体循环。 Args: user_input: 用户输入的问题。 Returns: 智能体的最终回答。 # 1. 将用户输入加入记忆 self.memory.add_user_message(user_input) # 2. 获取当前对话历史包含系统提示 messages self.memory.get_conversation_history() # 3. 进入“思考-行动”循环最多允许循环5次以避免死循环 max_iterations 5 for i in range(max_iterations): # 4. 调用模型 llm_response self._call_llm(messages) print(f[Agent思考 {i1}] 模型原始输出:\n{llm_response}\n) # 5. 解析模型响应 parsed self._parse_model_response(llm_response) if parsed[type] final_answer: # 6. 如果是最终答案则加入记忆并返回 final_answer parsed[content] self.memory.add_assistant_message(final_answer) return final_answer elif parsed[type] action: # 7. 如果是工具调用则执行工具 tool_name parsed[tool_name] tool_input parsed[tool_input] if tool_name not in self.tools: # 如果工具不存在将错误信息作为Observation反馈给模型 tool_result f错误工具 {tool_name} 不存在。 else: # 执行工具 tool self.tools[tool_name] print(f[Agent行动] 调用工具 {tool_name}输入: {tool_input}) tool_result tool.run(tool_input) print(f[工具结果] {tool_result}) # 8. 将工具结果格式化并作为新的用户消息模拟Observation加入上下文让模型继续思考 # 注意这里我们把工具结果伪装成一次“Observation”遵循我们提示词中的约定。 follow_up_prompt format_tool_prompt(llm_response, tool_result) # 将模型的上一次输出包含Action和工具结果组合作为新的消息追加。 # 这里简化处理将组合后的提示作为一条用户消息。 messages.append({role: user, content: follow_up_prompt}) # 注意我们暂时不将这次中间交互存入长期记忆只用于本次循环。 else: # 未知的解析结果返回错误 return 智能体内部错误无法解析模型响应。 # 如果循环超过最大次数返回超时错误 return 智能体思考超时可能陷入了循环。请简化您的问题。关键点解释_call_llm方法封装了对OpenAI API的调用。temperature设置为较低的0.1是为了让模型在决定工具调用时输出更稳定、更可预测。_parse_model_response方法是核心解析器。它使用正则表达式从模型返回的文本中提取结构化指令。这是连接非结构化语言模型和结构化程序逻辑的桥梁。run方法实现了主循环。其逻辑是接收用户输入存入记忆。获取包含所有历史的对话消息。调用模型。解析响应如果是最终答案则返回如果是工具调用则执行工具。将工具结果包装成新的提示再次调用模型。循环步骤3-5直到得到最终答案或达到最大循环次数。循环次数限制max_iterations是必要的安全措施防止智能体因逻辑错误或模型“幻觉”而陷入无限的工具调用循环。5. 运行验证与结果分析现在让我们创建一个主程序来测试这个智能体。创建main.py# main.py from core.agent import SimpleAgent def main(): print(初始化智能体...) agent SimpleAgent(modelgpt-3.5-turbo) # 也可使用 gpt-4 print(智能体就绪。输入‘退出’或‘quit’结束对话。\n) while True: try: user_input input(用户: ) if user_input.lower() in [退出, quit, exit]: print(对话结束。) break if not user_input.strip(): continue print(\n *50) print(智能体正在思考...) response agent.run(user_input) print(f\n助手: {response}) print(*50 \n) except KeyboardInterrupt: print(\n\n程序被中断。) break except Exception as e: print(f\n发生错误{e}) break if __name__ __main__: main()运行程序前请再次确认.env文件中的OPENAI_API_KEY已正确设置。然后在终端中执行python main.py5.1 测试案例与输出分析让我们通过几个测试案例观察智能体的内部工作流程。案例一简单查询无需工具用户: 你好预期内部流程记忆中加入用户消息“你好”。模型收到包含系统提示和“你好”的上下文。模型判断无需调用工具直接生成问候语如“Final Answer: 你好有什么可以帮你的吗”解析器识别为final_answer直接返回。案例二需要调用工具的查询用户: 北京天气怎么样预期内部流程与输出[Agent思考 1] 模型原始输出: 我需要查询北京的天气信息。 Action: get_weather Action Input: {city: 北京} [Agent行动] 调用工具 get_weather输入: {city: 北京} [工具结果] 北京的天气温度22°C天气晴湿度45%。 [Agent思考 2] 模型原始输出: Observation: 北京的天气温度22°C天气晴湿度45%。 现在请根据以上观察给出你的最终回答。 Final Answer: 北京现在的天气是晴天温度22摄氏度湿度45%。 助手: 北京现在的天气是晴天温度22摄氏度湿度45%。流程分析模型第一次响应规划了行动Action并给出了符合格式的输入。解析器成功提取tool_name和tool_input。执行引擎找到get_weather工具并传入JSON字符串{city: 北京}。工具运行返回模拟的天气结果字符串。执行引擎将工具结果包装成Observation连同模型上一次的思考组合成新的提示再次调用模型。模型第二次响应基于观察到的天气数据生成了面向用户的自然语言回答Final Answer。解析器识别为最终答案返回给用户。案例三工具调用错误处理假设用户输入一个工具不支持的格式。用户: 用get_weather查一下天气城市是上海。模型可能会输出Action Input: 上海缺少JSON格式。我们的WeatherTool.run()方法会捕获JSONDecodeError并返回错误信息。这个错误信息会作为Observation反馈给模型模型可能会在下一轮尝试纠正或直接告知用户输入有误。这体现了智能体的容错和迭代能力。6. 常见问题排查与调试技巧搭建和运行智能体过程中你可能会遇到以下典型问题。下面提供排查思路。6.1 模型不按格式输出无法解析Action现象智能体陷入死循环或者直接返回了非结构化的文本没有Action:关键字。可能原因与解决方案可能原因检查与解决方案系统提示词不清晰检查SYSTEM_PROMPT确保对Action/Action Input/Observation/Final Answer的格式描述非常明确、无歧义。可以增加示例Few-shot。模型温度temperature过高在_call_llm中将temperature调低如0.1。高温会增加输出的随机性不利于结构化输出。模型能力不足gpt-3.5-turbo在复杂工具调用上可能不如gpt-4稳定。如果问题持续尝试切换到gpt-4模型需有相应API权限。上下文历史干扰过长的对话历史可能导致模型“忘记”格式要求。检查SimpleConversationMemory的max_turns适当调小或在系统提示中每次重申格式。调试技巧在_parse_model_response函数中添加详细的日志打印出模型返回的原始文本仔细检查其内容。6.2 工具执行失败或返回意外结果现象日志显示调用了工具但工具结果异常导致模型无法给出合理回答。排查清单检查工具输入格式确认模型生成的Action Input是否是有效的JSON字符串并且键名与工具期望的如city完全匹配。可以在tool.run()方法起始处打印tool_input。检查工具内部逻辑在WeatherTool._call_mock_api或真实API调用处添加异常捕获和日志。确认网络请求、API密钥、参数传递是否正确。验证工具返回值确保工具返回的是清晰的字符串。避免返回复杂的Python对象如字典、列表应先将其序列化为字符串。模型需要阅读这个字符串。6.3 智能体陷入无限循环现象智能体反复调用同一个工具或者在不该调用工具时反复尝试调用。原因与解决循环终止条件不足我们的run方法设置了max_iterations这是最后防线。通常循环超过3次就说明逻辑可能有问题。工具结果未能满足模型预期模型根据工具结果决定下一步。如果工具结果总是“错误”或“未找到”模型可能会尝试其他方式导致循环。确保工具在失败时返回明确、可理解的错误信息模型能据此决定停止尝试。提示工程问题在系统提示中明确强调“如果你已经得到了足够的信息请直接给出Final Answer不要重复调用工具。”6.4 API调用失败或超时现象程序抛出openai.APIError或网络超时异常。解决方案检查API密钥确认.env文件中的OPENAI_API_KEY正确且没有过期或超出额度。检查网络连接确保你的开发环境可以访问OpenAI的API服务。添加重试机制在生产环境中应在_call_llm方法中加入指数退避的重试逻辑以应对暂时的网络波动或API限流。import time from tenacity import retry, stop_after_attempt, wait_exponential class SimpleAgent: # ... 其他代码 ... retry(stopstop_after_attempt(3), waitwait_exponential(multiplier1, min4, max10)) def _call_llm(self, messages: List[Dict[str, str]]) - str: # ... 原有代码 ...需要安装tenacity库pip install tenacity7. 扩展方向与最佳实践你现在已经拥有一个可运行的基础智能体。要将其用于更严肃的项目或扩展功能请参考以下方向和建议。7.1 扩展智能体能力增加更多工具仿照WeatherTool创建新工具类并在SimpleAgent的__init__中注册。例如CalculatorTool: 进行数学计算。WebSearchTool: 调用搜索引擎API。DatabaseTool: 执行简单的数据库查询。FileReadTool: 读取指定文件内容。关键为每个工具编写清晰、准确的name和description这是模型能否正确使用工具的关键。实现更复杂的记忆向量记忆使用langchain的VectorStore和嵌入模型将对话或知识片段存入向量数据库如Chroma实现基于语义的长期记忆检索。摘要记忆当对话轮数过多时不是简单丢弃旧消息而是用模型对早期对话进行摘要保留核心信息节省上下文窗口。引入规划与反思高级智能体不是简单的一步动作。可以在主循环中加入“规划”阶段让模型先输出任务分解步骤和“反思”阶段在得到最终答案后让模型自我评估答案的准确性并修正。7.2 生产环境最佳实践配置管理不要将API密钥、模型参数、服务器地址等硬编码在代码中。使用配置管理库如pydantic-settings或环境变量区分开发、测试、生产环境。日志与监控为智能体的关键步骤接收输入、调用模型、调用工具、返回输出添加结构化日志如使用structlog或loggingJSON格式。监控API调用耗时、费用、工具调用成功率等指标。限流与降级对用户请求进行限流防止滥用。当核心模型API不可用时应有降级策略如返回缓存答案、切换到更简单的规则引擎。安全性工具权限不是所有工具都应被所有用户调用。实现基于用户或会话的工具权限检查。输入输出过滤对用户输入和模型输出进行必要的安全检查防止提示注入攻击或输出有害内容。沙箱环境对于执行代码、访问文件系统等高风险工具应在安全的沙箱环境中运行。测试为智能体编写单元测试和集成测试。测试应包括工具解析、简单对话、多轮工具调用、错误处理等场景。可以使用pytest框架。7.3 从零到一后的学习路线在掌握了这个最小可行系统后你可以按以下路径深入学习深入研究LangChain/AutoGen等框架这些框架提供了更成熟、功能更全的Agent、Chain、Memory实现。理解我们手写代码的原理后再学习这些框架会事半功倍。你可以用LangChain重写本项目对比异同。学习提示工程高级技巧如思维链CoT、少样本提示Few-shot、ReAct范式等这些能极大提升智能体在复杂任务上的表现。探索开源模型与本地部署考虑使用开源LLM如Llama、Qwen系列搭配ollama、vLLM或LM Studio在本地部署以降低成本和控制数据隐私。构建多智能体系统当单个智能体难以处理复杂任务时可以设计多个具有不同专长的智能体并通过一个协调者Coordinator进行任务分配和结果汇总这就是多智能体协作Multi-Agent Collaboration的雏形。搭建智能体的过程本质上是将大语言模型的“思考”能力与程序化的“执行”能力相结合。核心挑战不在于编写每一个孤立的模块而在于设计稳定、可靠的交互协议和数据流转管道。从这个小项目出发不断迭代工具、优化提示、完善记忆和错误处理你就能逐步构建出真正强大、实用的AI智能体应用。