1. 什么是智能体？
智能体（Agents）是一种能够感知环境、做出决策并采取行动来实现特定目标的自主实体。智能体的复杂程度各不相同，从简单的响应式智能体（对刺激直接做出反应）到更高级的智能体（能够学习和适应）都有。常见的智能体类型包括：
- 响应式智能体：直接对环境变化作出反应，没有内部记忆。
- 基于模型的智能体：使用内部世界模型来做决策。
- 基于目标的智能体：基于特定目标规划行动。
- 基于效用的智能体：通过效用函数评估潜在行动，以优化结果。
智能体的例子包括聊天机器人、推荐系统和自动驾驶汽车，它们各自使用不同类型的智能体来高效智能地执行任务。
我们智能体的核心组件有：
- 模型：智能体的大脑，负责处理输入并生成响应。
- 工具：智能体可以根据用户请求执行的预定义函数。
- 工具箱：智能体可用工具的集合。
- 系统提示：指导智能体如何处理用户输入并选择合适工具的指令集。
2. 实现
现在，让我们卷起袖子开始构建吧！
构建智能体
2.1 前提条件
在运行代码之前，确保你的系统满足以下前提条件：
1. Python环境设置
你需要安装Python来运行AI智能体。按照以下步骤设置环境：
安装Python（如果尚未安装）
从python.org下载并安装Python（推荐3.8+版本）
验证安装：
python --version
创建虚拟环境（推荐）
最好使用虚拟环境来管理依赖项：
python -m venv ai_agents_env source ai_agents_env/bin/activate # Windows上使用：ai_agents_env\Scripts\activate
安装所需依赖
导航到仓库目录并安装依赖：
pip install -r requirements.txt
2. 在本地设置Ollama
Ollama用于高效运行和管理本地语言模型。按照以下步骤安装和配置：
下载并安装Ollama
- 访问Ollama官方网站并下载适合你操作系统的安装程序
- 按照平台相应指导进行安装
验证Ollama安装
运行以下命令检查Ollama是否正确安装：
ollama --version
拉取模型（如需要）
- 某些智能体实现可能需要特定模型。你可以使用以下命令拉取模型：
ollama pull mistral # 将'mistral'替换为所需模型我查了下有些模型是在ollama部署下不支持工具调用的。
2.2 实现步骤
步骤1：设置环境
除了Python，我们还需要安装一些基本库。对于本教程，我们将使用requests、json和termcolor。此外，我们将使用dotenv来管理环境变量。
pip install requests termcolor python-dotenv步骤2：定义模型类
首先，我们需要一个处理用户输入的模型。我们将创建一个OllamaModel类，它与本地API交互以生成响应。
基本实现如下：
from termcolor import colored import os from dotenv import load_dotenv load_dotenv() ### Models import requests import json import operator class OllamaModel: def __init__(self, model, system_prompt, temperature=0, stop=None): """ 使用给定参数初始化OllamaModel。 参数: model (str): 要使用的模型名称。 system_prompt (str): 要使用的系统提示。 temperature (float): 模型的温度设置。 stop (str): 模型的停止令牌。 """ self.model_endpoint = "http://localhost:11434/api/generate" self.temperature = temperature self.model = model self.system_prompt = system_prompt self.headers = {"Content-Type": "application/json"} self.stop = stop def generate_text(self, prompt): """ 根据提供的提示从Ollama模型生成响应。 参数: prompt (str): 要生成响应的用户查询。 返回: dict: 模型响应的字典形式。 """ payload = { "model": self.model, "format": "json", "prompt": prompt, "system": self.system_prompt, "stream": False, "temperature": self.temperature, "stop": self.stop } try: request_response = requests.post( self.model_endpoint, headers=self.headers, data=json.dumps(payload) ) print("请求响应", request_response) request_response_json = request_response.json() response = request_response_json['response'] response_dict = json.loads(response) print(f"\n\nOllama模型的响应: {response_dict}") return response_dict except requests.RequestException as e: response = {"error": f"调用模型时出错！{str(e)}"} return response这个类以模型名称、系统提示、温度和停止令牌进行初始化。generate_text方法向模型API发送请求并返回响应。
步骤3：为智能体创建工具
下一步是创建我们的智能体可以使用的工具。这些工具是执行特定任务的简单Python函数。以下是一个基本计算器和字符串反转器的例子：
def basic_calculator(input_str): """ 根据输入字符串或字典对两个数字执行数学运算。 参数: input_str (str或dict): 可以是表示包含'num1'、'num2'和'operation'键的字典的JSON字符串， 或直接是字典。例如：'{"num1": 5, "num2": 3, "operation": "add"}' 或 {"num1": 67869, "num2": 9030393, "operation": "divide"} 返回: str: 操作结果的格式化字符串。 异常: Exception: 如果在操作过程中发生错误（例如，除以零）。 ValueError: 如果请求了不支持的操作或输入无效。 """ try: # 处理字典和字符串输入 if isinstance(input_str, dict): input_dict = input_str else: # 清理并解析输入字符串 input_str_clean = input_str.replace("'", "\"") input_str_clean = input_str_clean.strip().strip("\"") input_dict = json.loads(input_str_clean) # 验证必需字段 if not all(key in input_dict for key in ['num1', 'num2', 'operation']): return "错误：输入必须包含'num1'、'num2'和'operation'" num1 = float(input_dict['num1']) # 转换为浮点数以处理小数 num2 = float(input_dict['num2']) operation = input_dict['operation'].lower() # 不区分大小写 except (json.JSONDecodeError, KeyError) as e: return "输入格式无效。请提供有效的数字和操作。" except ValueError as e: return "错误：请提供有效的数值。" # 定义支持的操作及错误处理 operations = { 'add': operator.add, 'plus': operator.add, # add的替代词 'subtract': operator.sub, 'minus': operator.sub, # subtract的替代词 'multiply': operator.mul, 'times': operator.mul, # multiply的替代词 'divide': operator.truediv, 'floor_divide': operator.floordiv, 'modulus': operator.mod, 'power': operator.pow, 'lt': operator.lt, 'le': operator.le, 'eq': operator.eq, 'ne': operator.ne, 'ge': operator.ge, 'gt': operator.gt } # 检查操作是否支持 if operation not in operations: return f"不支持的操作：'{operation}'。支持的操作有：{', '.join(operations.keys())}" try: # 处理除以零的特殊情况 if (operation in ['divide', 'floor_divide', 'modulus']) and num2 == 0: return "错误：不允许除以零" # 执行操作 result = operations[operation](num1, num2) # 根据类型格式化结果 if isinstance(result, bool): result_str = "真" if result else "假" elif isinstance(result, float): # 处理浮点精度 result_str = f"{result:.6f}".rstrip('0').rstrip('.') else: result_str = str(result) return f"答案是：{result_str}" except Exception as e: return f"计算过程中出错：{str(e)}" def reverse_string(input_string): """ 反转给定字符串。 参数: input_string (str): 要反转的字符串。 返回: str: 反转后的字符串。 """ # 检查输入是否为字符串 if not isinstance(input_string, str): return "错误：输入必须是字符串" # 使用切片反转字符串 reversed_string = input_string[::-1] # 格式化输出 result = f"反转后的字符串是：{reversed_string}" return result这些函数设计用于根据提供的输入执行特定任务。basic_calculator处理算术运算，而reverse_string则反转给定的字符串。
步骤4：构建工具箱
ToolBox类存储智能体可以使用的所有工具，并为每个工具提供描述：
class ToolBox: def __init__(self): self.tools_dict = {} def store(self, functions_list): """ 存储列表中每个函数的字面名称和文档字符串。 参数: functions_list (list): 要存储的函数对象列表。 返回: dict: 以函数名为键，其文档字符串为值的字典。 """ for func in functions_list: self.tools_dict[func.__name__] = func.__doc__ return self.tools_dict def tools(self): """ 以文本字符串形式返回store中创建的字典。 返回: str: 存储的函数及其文档字符串的字典，以文本字符串形式。 """ tools_str = "" for name, doc in self.tools_dict.items(): tools_str += f"{name}: \"{doc}\"\n" return tools_str.strip()这个类将帮助智能体了解哪些工具可用以及每个工具的功能。
步骤5：创建智能体类
智能体需要思考、决定使用哪个工具并执行它。以下是智能体类：
agent_system_prompt_template = """ 你是一个拥有特定工具访问权限的智能AI助手。你的回答必须始终使用这种JSON格式： {{ "tool_choice": "工具名称", "tool_input": "给工具的输入" }} 工具及其使用时机： 1. basic_calculator：用于任何数学计算 - 输入格式：{{"num1": 数字, "num2": 数字, "operation": "add/subtract/multiply/divide"}} - 支持的操作：add/plus, subtract/minus, multiply/times, divide - 输入和输出示例： 输入："计算15加7" 输出：{{"tool_choice": "basic_calculator", "tool_input": {{"num1": 15, "num2": 7, "operation": "add"}}}} 输入："100除以5等于多少？" 输出：{{"tool_choice": "basic_calculator", "tool_input": {{"num1": 100, "num2": 5, "operation": "divide"}}}} 2. reverse_string：用于任何涉及文本反转的请求 - 输入格式：仅作为字符串的要反转的文本 - 当用户提到"反转"、"倒序"或要求反转文本时，始终使用此工具 - 输入和输出示例： 输入："'你好世界'的反转是什么？" 输出：{{"tool_choice": "reverse_string", "tool_input": "你好世界"}} 输入："Python反过来是什么？" 输出：{{"tool_choice": "reverse_string", "tool_input": "Python"}} 3. no tool：用于一般对话和问题 - 输入和输出示例： 输入："你是谁？" 输出：{{"tool_choice": "no tool", "tool_input": "我是一个AI助手，可以帮你进行计算、反转文本以及回答问题。我可以执行数学运算和反转字符串。今天我能为你做些什么？"}} 输入："你好吗？" 输出：{{"tool_choice": "no tool", "tool_input": "我运行得很好，谢谢你的关心！我可以帮你进行计算、文本反转或回答任何问题。"}} 严格规则： 1. 关于身份、能力或感受的问题： - 始终使用"no tool" - 提供完整、友好的回应 - 提及你的能力 2. 对于任何文本反转请求： - 始终使用"reverse_string" - 仅提取要反转的文本 - 删除引号、"反转"等额外文本 3. 对于任何数学运算： - 始终使用"basic_calculator" - 提取数字和操作 - 将文本数字转换为数字 这是你的工具列表及其描述： {tool_descriptions} 记住：你的回应必须始终是带有"tool_choice"和"tool_input"字段的有效JSON。 """ class Agent: def __init__(self, tools, model_service, model_name, stop=None): """ 使用工具列表和模型初始化智能体。 参数: tools (list): 工具函数列表。 model_service (class): 带有generate_text方法的模型服务类。 model_name (str): 要使用的模型名称。 """ self.tools = tools self.model_service = model_service self.model_name = model_name self.stop = stop def prepare_tools(self): """ 在工具箱中存储工具并返回其描述。 返回: str: 工具箱中存储的工具描述。 """ toolbox = ToolBox() toolbox.store(self.tools) tool_descriptions = toolbox.tools() return tool_descriptions def think(self, prompt): """ 使用系统提示模板和工具描述在模型上运行generate_text方法。 参数: prompt (str): 要生成回答的用户查询。 返回: dict: 模型响应的字典形式。 """ tool_descriptions = self.prepare_tools() agent_system_prompt = agent_system_prompt_template.format(tool_descriptions=tool_descriptions) # 创建带有系统提示的模型服务实例 if self.model_service == OllamaModel: model_instance = self.model_service( model=self.model_name, system_prompt=agent_system_prompt, temperature=0, stop=self.stop ) else: model_instance = self.model_service( model=self.model_name, system_prompt=agent_system_prompt, temperature=0 ) # 生成并返回响应字典 agent_response_dict = model_instance.generate_text(prompt) return agent_response_dict def work(self, prompt): """ 解析从think返回的字典并执行适当的工具。 参数: prompt (str): 要生成回答的用户查询。 返回: 执行适当工具的响应，如果没有找到匹配的工具则返回tool_input。 """ agent_response_dict = self.think(prompt) tool_choice = agent_response_dict.get("tool_choice") tool_input = agent_response_dict.get("tool_input") for tool in self.tools: if tool.__name__ == tool_choice: response = tool(tool_input) print(colored(response, 'cyan')) return print(colored(tool_input, 'cyan')) return这个类有三个主要方法：
- prepare_tools：存储并返回工具的描述。
- think：根据用户提示决定使用哪个工具。
- work：执行所选工具并返回结果。
步骤6：运行智能体
最后，让我们把所有内容放在一起并运行我们的智能体。在脚本的主要部分，初始化智能体并开始接受用户输入：
# 示例用法 if __name__ == "__main__": """ 使用此智能体的说明： 你可以尝试的示例查询： 1. 计算器操作： - "计算15加7" - "100除以5等于多少？" - "把23乘以4" 2. 字符串反转： - "反转'你好世界'这个词" - "你能反转'Python编程'吗？" 3. 一般问题（将得到直接回应）： - "你是谁？" - "你能帮我做什么？" Ollama命令（在终端中运行）： - 检查可用模型： 'ollama list' - 检查运行中的模型：'ps aux | grep ollama' - 列出模型标签： 'curl http://localhost:11434/api/tags' - 拉取新模型： 'ollama pull mistral' - 运行模型服务器： 'ollama serve' """ tools = [basic_calculator, reverse_string] # 取消下面的注释以使用OpenAI # model_service = OpenAIModel # model_name = 'gpt-3.5-turbo' # stop = None # 使用Ollama的llama2模型 model_service = OllamaModel model_name = "llama2" # 可以更改为其他模型，如'mistral'、'codellama'等 stop = "<|eot_id|>" agent = Agent(tools=tools, model_service=model_service, model_name=model_name, stop=stop) print("\n欢迎使用AI智能体！输入'exit'退出。") print("你可以让我：") print("1. 执行计算（例如，'计算15加7'）") print("2. 反转字符串（例如，'反转你好世界'）") print("3. 回答一般问题\n") while True: prompt = input("问我任何问题：") if prompt.lower() == "exit": break agent.work(prompt)实测效果如下：
3. 总结
在这篇博文中，我们探索了智能体的概念，并一步步实现了它。我们设置了环境，定义了模型，创建了基本工具，并构建了一个结构化的工具箱来支持我们智能体的功能。最后，我们通过运行智能体将所有内容整合在一起。
这种结构化方法为构建能够自动执行任务并做出明智决策的智能交互式智能体提供了坚实的基础。随着AI智能体不断发展，它们的应用将扩展到各个行业，推动效率和创新。敬请关注更多见解和改进，将你的AI智能体提升到新的水平！
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！2026 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👇👇
2026 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”！
