【AI Agent 学习笔记task0】Hello-Agents 环境配置与首个 Agent 实战

RSFeegg

315人浏览 · 2026-03-17 02:05:07

RSFeegg · 2026-03-17 02:05:07 发布

【AI Agent 学习笔记task0】Hello-Agents 环境配置与首个 Agent 实战

本笔记记录学习 Datawhale 开源项目 hello-agents 的环境配置过程，以及运行第一个 AI Agent 的实战经验。

📚 前言

最近在学习 AI Agent 相关知识，发现了 Datawhale 开源的 hello-agents 项目。这是一个非常适合初学者的 AI Agent 教程，从基础概念到实战应用都有详细讲解。本文记录我配置开发环境并运行第一个 Agent 的全过程。

🛠️ 一、环境准备

1.1 检查 Python 版本

首先确认本地 Python 版本，项目需要 Python 3.x 环境：

python3 --version

输出：

Python 3.11.9

✅ 版本符合要求，可以继续。

1.2 克隆项目仓库

从 GitHub 克隆 hello-agents 项目：

git clone https://github.com/datawhalechina/hello-agents.git

⚠️ 遇到的问题： 由于网络原因，克隆过程中出现连接超时：

fatal: unable to access 'https://github.com/datawhalechina/hello-agents.git/': 
Failed to connect to github.com port 443 after 75022 ms: Couldn't connect to server

💡 解决方案： 开启魔法后成功克隆。

📦 二、虚拟环境配置

2.1 创建虚拟环境

进入项目目录，创建 Python 虚拟环境：

cd hello-agents
python3 -m venv venv

2.2 激活虚拟环境

source venv/bin/activate

激活后终端提示符会显示 (venv) 前缀，表示已在虚拟环境中。

🔧 三、安装依赖包

根据课程要求，需要安装以下核心依赖：

3.1 安装 requests

pip install requests

成功安装：requests-2.32.5 及其依赖（urllib3、idna、charset_normalizer、certifi）

3.2 安装 tavily-python

Tavily 是一个 AI 搜索引擎，用于 Agent 的信息检索：

pip install tavily-python

成功安装：tavily-python-0.7.23 及其依赖（tiktoken、httpx、regex 等）

3.3 安装 OpenAI SDK

pip install openai

成功安装：openai-2.28.0 及其依赖（pydantic、httpx、anyio 等）

3.4 安装 python-dotenv

用于管理环境变量：

pip install python-dotenv

成功安装：python-dotenv-1.2.2

🔐 四、配置 API 密钥

4.1 创建环境变量文件

在项目根目录创建 .env 文件：

touch .env

4.2 配置 .env

编辑 .env 文件

🚀 五、运行第一个 Agent

5.1 进入示例代码目录

cd code/chapter1

5.2 运行 Agent 测试程序

python3 FirstAgentTest.py

5.3 运行结果

Agent 执行流程：

========================================
--- 循环 1 ---

正在调用大语言模型...
大语言模型响应成功。
模型输出:
Thought: 用户想查询北京的天气，然后根据天气推荐旅游景点。我需要先调用 get_weather 工具查询北京的实时天气。
Action: get_weather(city="北京")

Observation: 北京当前天气：Clear，气温7摄氏度
========================================
--- 循环 2 ---

正在调用大语言模型...
大语言模型响应成功。
模型输出:
Thought: 我已经获取到北京的天气信息：晴天，气温7摄氏度。现在需要根据天气情况查询推荐的旅游景点。
Action: get_attraction(city="北京", weather="Clear")

Observation: Under clear weather, visit the Forbidden City, Temple of Heaven, and the Great Wall at Mutianyu for the best experience. These sites offer historical significance and stunning views.
========================================
--- 循环 3 ---

正在调用大语言模型...
大语言模型响应成功。
模型输出:
Thought: 我已经获取了北京的天气信息（晴天，7摄氏度）以及根据天气推荐的旅游景点（故宫、天坛和慕田峪长城）。现在可以给用户一个完整的回答了。
Action: Finish[今天北京的天气是晴天，气温7摄氏度。根据这个晴好的天气条件，我为您推荐以下旅游景点：故宫、天坛和慕田峪长城。这些景点在晴朗的天气下能提供最佳的历史文化体验和壮观的景色。]

任务完成，最终答案: 今天北京的天气是晴天，气温7摄氏度。根据这个晴好的天气条件，我为您推荐以下旅游景点：故宫、天坛和慕田峪长城。这些景点在晴朗的天气下能提供最佳的历史文化体验和壮观的景色。

🎯 六、Agent 工作原理解析

从运行结果可以看出，这个简单的 Agent 采用了 ReAct（Reasoning + Acting） 模式：

步骤	Thought（思考）	Action（行动）	Observation（观察）
1	分析用户需求，确定需要查询天气	调用 `get_weather` 工具	获取北京天气：晴天，7°C
2	获得天气信息，需要推荐景点	调用 `get_attraction` 工具	获取推荐景点列表
3	整合信息，生成最终回答	调用 `Finish` 结束任务	输出完整回答

📝 七、学习心得

7.1 环境配置要点

虚拟环境是必需：使用 venv 隔离项目依赖，避免与系统 Python 冲突
网络问题需耐心：GitHub 访问不稳定，克隆仓库可能需要多次尝试
API 密钥管理：使用 .env 文件管理密钥，不要硬编码到代码中

7.2 Agent 核心认知

通过本次实践，我对 AI Agent 有了初步理解：

Agent ≠ 简单的 LLM 调用
Agent = LLM（大脑）+ 工具（手脚）+ 循环（决策）
关键在于 让 LLM 学会"什么时候该用什么工具"

7.3 遇到的问题与解决

问题	原因	解决方案
GitHub 克隆失败	网络连接超时	多次重试，或配置代理
pip 安装警告	代理配置问题	检查网络环境，关闭代理后重试
Agent 第一次天气查询失败	API 解析错误	Agent 自动重试，成功获取数据