“想入门 Agent 开发，但不知道从哪下手？” 其实不用一开始我们不用搞复杂的多模块协同，今天咱们用 50 行左右代码，开发一个能规划 “城市一日游” 的简易 Agent—— 不用高深技术，了解Python基础的就能搞定，看完就能上手实操！
一、先明确：我们要做个啥样的 Agent？
这次开发的 “简易旅游规划 Agent”，核心目标很简单：
用户输入 “城市 + 游玩偏好”（比如 “上海 + 喜欢文艺打卡”），Agent 能自动完成 3 件事：
- 拆解需求：提取 “上海”“文艺打卡” 等关键信息；
- 调用工具：查上海文艺类景点（用简易数据模拟工具调用）；
- 生成结果：输出含 “景点 + 推荐理由 + 大致时间” 的一日游行程。
在技术上我们不搞复杂的向量数据库或多模块，直接用 “LLM + 简易工具模拟” 去实现，重点帮大家理解 Agent“接收需求→执行任务→输出结果” 的核心逻辑。
二、开发前准备：3 分钟搞定环境
1. 技术选型（新手友好版）
- 核心大脑：用 OpenAI 的 GPT-3.5-turbo（也能用国内的文心一言、通义千问 API，用法类似）；
- 开发语言：Python 3.8+（最通用）；
- 必备库：
openai（调用 LLM）、python-dotenv（管理 API 密钥，避免泄露）。
2. 环境搭建（复制粘贴就行）
先安装需要的库：
pip install openai python-dotenv然后准备一个.env文件，把你的 OpenAI API 密钥放进去（密钥在 OpenAI 官网个人中心获取）：
OPENAI_API_KEY=你的API密钥三、核心代码：50 行实现旅游规划 Agent
咱们把 Agent 拆成 “需求解析”“工具调用”“结果生成” 3 个函数，逻辑和之前讲的 Agent 工作流程完全对应，每一步都有详细注释，跟着看就懂！
#!/usr/bin/env python3 # -*- coding: utf-8 -*- """ 旅游规划Agent - 改进版 功能：根据用户需求生成一日游行程 """ import os import json # 替换eval，安全解析JSON from openai import OpenAI from dotenv import load_dotenv # 加载API密钥（从.env文件里读，安全不泄露） load_dotenv() # 安全获取API密钥，避免密钥泄露风险 oai_api_key = os.getenv("OPENAI_API_KEY") if not oai_api_key: raise ValueError("未找到OpenAI API密钥，请在.env文件中设置OPENAI_API_KEY") client = OpenAI(api_key=oai_api_key) # 需求解析函数——把用户的话变成清晰指令 def parse_user_requirement(user_input): """让LLM提取用户需求里的城市和偏好""" try: response = client.chat.completions.create( model="gpt-3.5-turbo", messages=[ {"role": "system", "content": "你是需求解析助手，从用户输入中提取「城市」和「游玩偏好」，格式用JSON字典返回，例如{'city':'上海','preference':'文艺打卡'}，不要包含任何其他解释性文字"}, {"role": "user", "content": user_input} ] ) # 使用json.loads代替eval，安全解析JSON字符串 response_content = response.choices[0].message.content.strip() # 确保返回格式是有效的JSON if response_content.startswith('{') and response_content.endswith('}'): return json.loads(response_content) else: raise ValueError(f"LLM返回格式错误: {response_content}") except Exception as e: print(f"需求解析失败: {str(e)}") # 返回默认值或抛出异常 raise # 工具调用函数——模拟查景点（实际项目可换成调用高德/百度地图API） def call_attraction_tool(city, preference): """模拟调用“景点查询工具”，返回符合偏好的景点列表""" # 实际开发中，这里可以换成调用真实API（如高德地图“周边搜索”接口） # 为了方便新手，先用模拟数据演示 mock_attractions = { "上海": { "文艺打卡": ["武康路（老洋房+网红店，建议2小时）", "M50创意园（艺术展+涂鸦墙，建议1.5小时）", "愚园路（小众咖啡馆+文创店，建议2小时）"], "亲子游玩": ["上海迪士尼（一整天）", "上海动物园（建议3小时）", "奈尔宝家庭中心（室内游乐场，建议4小时）"] }, "北京": { "文艺打卡": ["798艺术区（展览+雕塑，建议3小时）", "五道营胡同（文艺小店+咖啡馆，建议2小时）", "杨梅竹斜街（小众书店+文创，建议1.5小时）"], "亲子游玩": ["北京动物园（看熊猫，建议3小时）", "中国科学技术馆（互动体验，建议4小时）", "环球影城（一整天）"] }, # 可以根据需要添加更多城市和景点类型 "广州": { "文艺打卡": ["红专厂创意园（艺术展+拍照，建议2小时）", "永庆坊（岭南文化+网红店，建议2小时）"], "美食探索": ["北京路（广式小吃，建议2小时）", "上下九（传统美食，建议3小时）"] } } # 根据城市和偏好返回对应景点 return mock_attractions.get(city, {}).get(preference, ["暂未找到符合的景点，换个城市试试吧！"]) # 结果生成函数——把景点整合成一日游行程 def generate_itinerary(attractions, city, preference): """让LLM把景点列表变成连贯的一日游行程""" try: response = client.chat.completions.create( model="gpt-3.5-turbo", messages=[ {"role": "system", "content": f"你是旅游规划师，根据{city}的{preference}类景点，生成一份一日游行程，要包含「时间安排」「推荐理由」，语言轻松易懂，适合手机阅读"}, {"role": "user", "content": f"景点列表：{attractions}，请生成一日游行程"} ] ) return response.choices[0].message.content except Exception as e: print(f"行程生成失败: {str(e)}") raise # 整合：打造完整的旅游规划Agent def travel_planning_agent(user_input): """ 旅游规划代理主函数 参数：user_input - 用户输入的需求文本 返回：生成的一日游行程文本 """ # 步骤1：解析用户需求 parsed_requirement = parse_user_requirement(user_input) city = parsed_requirement["city"] preference = parsed_requirement["preference"] print(f"已识别需求：城市={city}，偏好={preference}") # 步骤2：调用工具查景点 attractions = call_attraction_tool(city, preference) print(f"已找到景点：{attractions}") # 步骤3：生成最终行程 itinerary = generate_itinerary(attractions, city, preference) return itinerary # 测试Agent：让它跑起来！ if __name__ == "__main__": try: user_input = input("请告诉Agent你的需求（比如“上海+喜欢文艺打卡”）：") result = travel_planning_agent(user_input) print("\n===== 你的专属一日游行程 =====") print(result) except Exception as e: print(f"程序运行出错: {str(e)}") print("请检查API密钥配置或网络连接后重试")四、运行效果：输入需求，秒出行程
咱们测试一下，输入 “上海 + 喜欢文艺打卡”，Agent 的运行过程和结果如下：
- 需求解析：自动识别 “city = 上海，preference = 文艺打卡”；
- 工具调用：返回武康路、M50 创意园、愚园路等景点；
- 结果生成：输出带时间和理由的行程，比如：
===== 你的专属一日游行程 ===== 【上海文艺打卡一日游】 9:00-11:00 武康路 推荐理由：魔都文艺地标，沿街都是百年老洋房，还有网红武康大楼，适合拍照打卡，路上可以买杯咖啡慢慢逛～ 12:30-14:00 M50创意园 推荐理由：老厂房改造的艺术园区，有很多画廊和设计工作室，偶尔会有小众艺术展，人少清净，适合感受艺术氛围～ 15:00-17:00 愚园路 推荐理由：比武康路更小众的文艺街，有很多独立咖啡馆和文创小店，累了可以找家店坐下来看书，感受上海的慢生活～是不是很实用？而且代码里的 “模拟工具”，换成真实 API 就能查全国任意城市的景点！
五、新手进阶：3 个小改动，让 Agent 更强大
如果想让这个 Agent 更实用，不用重写代码，只需做 3 个小优化：
- 换成真实工具 API：把
call_attraction_tool里的模拟数据，换成 “高德地图周边搜索 API”（申请免费密钥就能用），就能实时查任意城市的景点、餐厅； - 加简单记忆：用字典存用户历史需求（比如 “用户上次要上海文艺行程”），下次用户输入 “再帮我规划一次”，Agent 能自动复用之前的城市和偏好；
六、总结：Agent 开发的核心逻辑，其实很简单
这次的小实例虽然简单，但已经包含了大模型 Agent 的核心逻辑：
接收需求→解析目标→调用工具→生成结果
复杂的 Agent（比如能订酒店、算预算的），只是在这个基础上多了 “记忆协同”“反馈优化” 等模块，本质都是 “把复杂任务拆成小步骤，一步步解决”。
下次想开发其他 Agent（比如 “美食推荐 Agent”“学习计划 Agent”），也能套用这个思路：先明确核心目标，再拆成小函数，最后整合起来 —— 新手也能快速上手！
如果在实操中遇到 API 调用、代码报错等问题，欢迎在评论区留言，咱们一起解决～
想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！
👇👇扫码免费领取全部内容👇👇
一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势
想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：
1. 100+本大模型方向电子书
2. 26 份行业研究报告：覆盖多领域实践与趋势
报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：
- 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
- 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
- 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
- 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。
3. 600+套技术大会 PPT：听行业大咖讲实战
PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：
- 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
- 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
- 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
- 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。
二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走
想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！
1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位
面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：
2. 102 道 AI 大模型真题：直击大模型核心考点
针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：
3. 97 道 LLMs 真题：聚焦大型语言模型高频问题
专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：
![]()
三、路线必明： AI 大模型学习路线图，1 张图理清核心内容
刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！
路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。
L1阶段:启航篇丨极速破界AI新时代
L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。
L2阶段：攻坚篇丨RAG开发实战工坊
L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。
L3阶段：跃迁篇丨Agent智能体架构设计
L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。
L4阶段：精进篇丨模型微调与私有化部署
L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。
L5阶段：专题集丨特训篇 【录播课】
![]()
四、资料领取：全套内容免费抱走，学 AI 不用再找第二份
不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：
👇👇扫码免费领取全部内容👇👇
2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！
