1. 项目概述动手实现你的第一个AI Agent这个标题背后隐藏着当前技术领域最炙手可热的话题之一。作为一名在自动化系统和智能代理领域摸爬滚打多年的开发者我清楚地记得第一次成功让AI Agent自主完成任务时的那种兴奋感。不同于简单的脚本或程序一个真正的AI Agent具备感知环境、自主决策和持续学习的能力这正是它令人着迷的地方。本章将带你从零开始构建一个具备基础能力的AI Agent。不同于市面上大多数教程只展示片段代码我会完整呈现一个可运行的天气查询Agent实现包含详细的代码注释和设计思路。这个Agent能够理解自然语言指令调用外部API获取实时天气数据并以人性化的方式反馈给用户。2. 核心设计思路2.1 AI Agent的基本架构一个典型的AI Agent由以下几个核心组件构成感知模块负责接收和处理输入信息决策引擎基于输入和内部状态做出判断行动模块执行具体操作或输出响应记忆单元存储历史交互和学到的知识学习机制根据反馈优化行为模式在我们的天气查询Agent中这些组件将这样实现class WeatherAgent: def __init__(self): self.memory {} # 记忆最近查询过的城市天气 self.api_key YOUR_API_KEY # 天气API密钥 def perceive(self, user_input): 解析用户输入 pass def decide(self, parsed_input): 决定如何响应 pass def act(self, decision): 执行具体操作 pass def learn(self, feedback): 根据用户反馈优化 pass2.2 技术选型考量为什么选择Python作为实现语言主要基于以下几点考虑丰富的AI生态Python拥有最完善的机器学习和NLP库开发效率高快速原型开发适合教学演示跨平台性代码可以在各种环境中运行社区支持遇到问题容易找到解决方案对于天气API我们选用OpenWeatherMap因为它提供免费基础套餐数据更新及时接口文档清晰全球覆盖范围广3. 详细实现步骤3.1 环境准备与依赖安装首先确保你的Python环境是3.8或更高版本。我们需要安装以下关键库pip install requests python-dotenv langchain openai创建一个.env文件存放敏感信息OPENWEATHER_API_KEYyour_api_key_here OPENAI_API_KEYyour_openai_key_here重要提示永远不要将API密钥直接硬编码在代码中使用环境变量是最佳实践。3.2 核心代码实现以下是完整Agent实现我添加了详细注释说明每个部分的作用import os import requests from dotenv import load_dotenv from langchain.llms import OpenAI from langchain.prompts import PromptTemplate load_dotenv() # 加载环境变量 class WeatherAgent: def __init__(self): self.llm OpenAI(temperature0.7) # 初始化语言模型 self.memory {} # 用于缓存天气数据 self.api_key os.getenv(OPENWEATHER_API_KEY) # 定义提示模板 self.prompt_template PromptTemplate( input_variables[city], template生成一段关于{city}天气的友好回复包含温度、湿度和天气状况描述。 ) def get_weather_data(self, city): 调用OpenWeatherMap API获取天气数据 if city in self.memory: return self.memory[city] try: url fhttp://api.openweathermap.org/data/2.5/weather?q{city}appid{self.api_key}unitsmetric response requests.get(url) data response.json() if response.status_code 200: weather_data { temp: data[main][temp], humidity: data[main][humidity], description: data[weather][0][description] } self.memory[city] weather_data # 缓存数据 return weather_data else: return None except Exception as e: print(f获取天气数据出错: {e}) return None def generate_response(self, city, weather_data): 使用LLM生成自然语言响应 if not weather_data: return f抱歉我无法获取{city}的天气信息。 prompt self.prompt_template.format(citycity) response self.llm(prompt) return response def run(self, city): 主运行方法 print(f正在查询{city}的天气...) weather_data self.get_weather_data(city) response self.generate_response(city, weather_data) return response # 使用示例 if __name__ __main__: agent WeatherAgent() while True: city input(请输入城市名称(输入quit退出): ) if city.lower() quit: break print(agent.run(city)) print(\n *50 \n)3.3 代码解析与关键点记忆缓存机制使用简单的字典缓存最近查询结果减少API调用次数提升响应速度适合小型应用生产环境建议使用Redis错误处理对API调用进行try-catch包装检查HTTP状态码提供友好的错误反馈LLM集成使用LangChain简化LLM交互通过PromptTemplate控制输出格式temperature参数控制创造性4. 进阶优化方向4.1 性能优化技巧异步请求 使用aiohttp代替requests实现并发import aiohttp async def fetch_weather(session, city): async with session.get(url) as response: return await response.json()缓存过期 添加TTL机制避免使用过时数据from datetime import datetime, timedelta self.memory { city: { data: {...}, expires: datetime.now() timedelta(hours1) } }4.2 功能扩展思路多城市比较def compare_weather(self, cities): results {} for city in cities: results[city] self.get_weather_data(city) return self.llm(f比较以下城市天气{results})天气预报 调用OpenWeatherMap的forecast接口获取5天预报用户偏好记忆 存储用户常查询的城市提供快捷访问5. 常见问题与解决方案5.1 API相关问题Q获取天气数据时返回401错误A检查以下几点API密钥是否正确配置在.env文件是否在OpenWeatherMap激活了免费套餐密钥是否包含多余空格Q响应速度慢A可能原因网络延迟 - 考虑使用本地缓存API限制 - 检查免费套餐的调用频率限制同步请求 - 改为异步实现5.2 语言模型问题Q生成的回复不自然A调整方案修改prompt模板提供更明确的指令降低temperature值减少随机性添加few-shot示例Q处理非英语城市名出错A解决方案在调用API前进行城市名标准化使用地理编码API转换城市名添加备选名称映射表6. 生产环境部署建议当你想把这个Demo Agent投入实际使用时需要考虑安全性增强添加API调用速率限制实现用户认证日志记录和监控可扩展架构graph LR A[客户端] -- B[API网关] B -- C[Agent服务] C -- D[缓存层] C -- E[天气API] C -- F[LLM服务]持续改进收集用户反馈优化promptA/B测试不同响应格式监控API调用成功率这个天气查询Agent虽然简单但包含了AI Agent开发的核心模式。通过这个基础框架你可以继续扩展更复杂的功能如多Agent协作、长期记忆存储、复杂任务分解等。我在实际项目中发现从这样的小型Agent开始迭代往往比一开始就设计庞大系统更易成功。
