【初识智能体】
·
1 智能体是什么？
1.1 智能体定义
智能体: 能感知外界环境、自己做决定、主动行动，最终完成既定目标的人工智能实体
1.1.1 四大基本组成
环境：智能体所处的外部世界（自动驾驶面对马路、交易算法面对股市）
传感器：眼睛 / 耳朵，用来收集外界信息（摄像头、雷达、数据接口 API都算）
执行器：手脚，用来改变外界环境（方向盘、机械臂、代码指令都算）
自主性：核心智能，不是死板执行预设代码，能结合收集的信息独立做判断
- 例: 自动驾驶领域，汽车上的摄像头、雷达等传感器时刻感知路况信息，包括道路标志、车辆位置、行人动态等环境。智能体根据这些信息，自主运用复杂的算法规划行驶路线、控制车速和方向，通过执行器操作方向盘、刹车和油门等部件，确保车辆安全、高效地运行。
1.2 传统智能体
按时间出现顺序
-
简单反射智能体(Simple Reflex Agent)：基于"条件–动作"规则(if–then), 只会按固定规则做事，只看当下、没有记忆。
例子：恒温器，温度高就制冷，不会预判、不会变通 -
基于模型的反射智能体(Model-Based Reflex Agent)：拥有内部世界模型(World Model)，用于追踪和理解环境中无法被直接感知的方面。自带记忆，能预判看不见的环境状态。
例子：隧道里自动驾驶，摄像头看不到前车，依旧能记住前车位置、速度 -
基于目标智能体(Goal-Based Agent)：带着目的主动规划行动，为了达成目标主动选路径,主要回答“如何才能达成目标？”
例子：GPS 导航，以抵达目的地为目标，自主规划最佳行车路线 -
基于效用智能体(Utility-Based Agent)：会权衡多个利弊目标，选最优最省心方案
例子：导航不止到目的地，还会权衡省钱、省时、避堵，选最优路线 -
学习型智能体(Learning Agent)：不靠人类预设规则，靠和环境试错、奖惩自主进化学习
例子：AlphaGo Zero，从零自学下棋，摸索出人类不知道的下棋技巧
1.3 智能体分类
1.3.1 按内部决策架构分类
依据智能体内部思考逻辑、决策复杂程度划分，也是最经典分类：
- 反应式智能体：只看当下环境，靠固定规则做事，无长远思考
- 模型式智能体：自带环境记忆，能记住看不到的环境状态
- 目标式智能体：明确最终目的，主动规划行动路线
- 效用式智能体：兼顾多重需求，权衡利弊选出最优方案
- 学习型智能体：可叠加在以上所有类型上，靠实战经验自主优化决策，越用越聪明
1.3.2 按决策速度与反应性分类
核心区分：立刻行动还是深思熟虑再行动
-
反应式智能体
收到信息马上响应，反应快、消耗资源少，适合紧急场景（安全气囊、高频交易）；缺点目光短浅，做不了复杂长线任务。 -
规划式智能体
行动前提前推演多种结果，擅长长远布局、统筹规划（制定行程、商业方案）；缺点思考耗时久，容易错过最佳时机。 -
混合式智能体
结合两者优势，底层快速应急反应，高层统筹长远规划。
如今主流大模型智能体都属于此类，先思考规划，再行动观察反馈，灵活适配各类复杂场景。
1.3.3 按知识存储与表达形式分类
决定智能体靠什么产生智慧，是 AI 两大主流路线融合
- 符号主义 AI
把知识整理成清晰文字、规则、逻辑公式，推理过程透明好解释；缺点死板，遇到没设定过的新问题容易出错。 - 亚符号主义 AI
不靠明文规则，从海量数据里自学规律，擅长识图、语音、自然语言；缺点是黑箱决策，说不清判断依据，还容易出现逻辑错误。 - 神经符号主义 AI（主流新式）
融合前两者优点，既拥有深度学习的直觉感知能力，又具备符号逻辑的严谨推理能力。
类比人类思维：凭直觉快速判断，靠逻辑理性思考，也是当下大模型智能体的核心发展方向。
1.3.4 按协作方式分类
- 单智能体：独立完成任务，无需与其他智能体协作；实现简单、调试方便，适合边界清晰的独立场景。
示例： 个人语音助手 - 多智能体：多个智能体通过协作 / 竞争共同完成复杂任务；能应对大规模分布式场景，容错性强，是解决复杂系统问题的关键范式。
示例: 交通信号协同控制、多机器人协作。
1.3.5 按自主分类
- 自主智能体
独立完成全流程决策，无需持续人工干预；可自主感知环境、规划行动并应对变化，适合高无人化场景。
示例: 火星探测车 - 半自主智能体
需部分依赖人类输入或关键节点确认；AI 提供方案与建议，人类负责决策把关，常见于医疗、金融等高风险辅助场景。
示例: 医疗诊断AI（医疗辅助决策） - 从属智能体
完全受控于用户或其他系统，仅执行预设指令；无独立目标，以响应外部请求为核心，
示例: 语音助手(Siri执行用户指令)
2 智能体的构成与运行原理
2.1 任务环境定义
2.1.1 PEAS 模型
PEAS 是描述智能体任务环境的核心框架，四个字母分别对应：
- Performance（性能度量）：衡量任务完成好坏的标准，比如旅行助手的 “预订成功率”“用户满意度”“行程规划合理性”
- Environment（环境）：智能体所处的外部世界，比如旅行助手要面对的航班系统、酒店平台、天气数据、用户需求变化
- Actuators（执行器）：智能体用来改变环境的工具，比如调用预订接口、发送行程通知、修改订单信息
- Sensors（传感器）：智能体用来感知环境的方式，比如读取用户输入、查询 API 数据、接收预订平台的反馈
示例: 智能旅行助手的 PEAS 描述
| 维度 | 描述 |
|---|---|
| Performance（性能度量） | 在预算和时间内，最大化用户满意度与行程合理性 |
| Environment（环境） | 航旅预定网站、地图服务、天气预报API等网络服务 |
| Actuators（执行器） | 调用API的函数、向用户界面生成和显示格式化文本 |
| Sensors（传感器） | 解析API返回的数据(如JSON、HTML)、读取用户输入的自然语言 |
2.2 智能体的运行机制
明确智能体依托 PEAS 模型适配差异化任务环境、适配各类环境特性后，想要落地自主交互、完成目标决策，就需要一套标准化、可闭环的底层运行流程，这套支撑智能体自主运转、联动环境交互的核心底层运行机制，就是智能体循环（Agent Loop）。
智能体循环：就是智能体和外界持续交互、一步步推进任务的核心运行闭环，全程不断重复运转，直到完成目标。
- 感知阶段
作为循环起始，依靠各类感知渠道收集环境信息，接收用户指令、环境变动、上一轮行动带来的反馈数据，掌握当下整体现状。 - 思考阶段
智能体核心决策环节，由大模型完成内部推理- 规划：结合现有信息与自身记忆，梳理任务方向，把复杂大目标拆分成简单可执行的小任务，调整行动方案
- 工具选择：依照制定好的计划，匹配最合适的执行工具，确定调用方式与相关参数
- 行动阶段
依据思考得出的决策，通过执行器执行具体操作，调用对应工具作用于外部环境，主动改变环境现有状态。
第二轮循环
行动改变环境后，环境自动生成全新状态与观测结果，再次传回智能体进入新一轮感知，形成感知 — 思考 — 行动 完整循环。
智能体依靠反复运行这套循环，持续调整策略、逐步推进流程，最终平稳完成既定任务目标，才结束该智能体循环。
2.3 智能体的感知与行动
为了让 LLM 能稳定、可控地驱动这套 “感知 - 思考 - 行动” 闭环，我们需要一套明确的交互协议来规范它与外部环境的信息交换。
这套协议的核心，是对智能体每一步输出进行结构化定义，让 LLM 的推理过程和行动指令变得可被机器解析，也让环境反馈能被 LLM 理解。它主要由三部分构成，共同支撑起循环的运转：
- Thought（思考）：智能体的决策过程快照，用自然语言清晰阐述当前情境分析、上一步反馈复盘、问题分解与下一步规划，相当于把 “脑内思考过程” 外化呈现。
- Action（行动）：基于思考得出的具体操作指令，通常以标准化函数调用格式表示，比如调用天气查询、搜索引擎等工具，是对外部环境的可执行指令。
# 一个正在规划旅行的智能体可能会生成如下格式化的输出
Thought: 用户想知道北京的天气。我需要调用天气查询工具。
Action: get_weather("北京") # 外部解析器会捕捉到该指令，并调用get_weather函数
- Observation（观察）：环境对行动的反馈结果，会被感知系统从原始机器数据（如 JSON）处理成简洁自然语言文本，作为下一轮循环的输入。
get_weather: {
"city": "北京",
"weather": "晴",
"temperature": 25,
"wind": "微风",
"unit": "摄氏度"
} # get_weather的输出内容
Observation: 北京当前天气为晴，气温25摄氏度，微风。 # 感知系统处理后的内容
通过这个由 Thought、Action、Observation 构成的严谨循环，LLM 智能体得以将内部的语言推理能力，与外部环境的真实信息和工具操作能力有效地结合起来。
2.4 智能体核心功能
AI 智能体是可感知外界、自主行动并达成目标的智能系统，具备六大核心能力：
- 感知功能
- 环境感知：借助摄像头、麦克风、雷达及各类传感装置，全方位捕捉外部环境动态变化，实时获取场景、距离、状态等各类实景信息。
- 信息提取与理解：对采集到的海量原始数据进行清洗整合，剔除无效冗余信息，深度解析数据内涵，精准读懂场景信息与用户下达的实际指令。
- 决策功能
- 基于规则的决策：严格遵循人工预先编写的逻辑条例与业务流程，依照固定模式快速做出对应判断，输出规范统一的处理结果。
- 基于学习的决策：深度挖掘海量行业数据与用户行为数据，自主总结场景运行规律与用户行为偏好，脱离死板规则实现智能化自主决断。
- 基于优化的决策：结合场景实际需求运用智能优化算法，多维度对比各类可行执行方案，权衡时间、成本、效率选出综合最优决策。
- 行动功能
- 物理行动：精准联动工业机械臂、无人机、自动驾驶设备等实体硬件，下达操控指令，完成搬运、巡检、行驶、组装等各类实体作业。
- 信息交互行动：依托网络接口与各类应用系统建立连接，开展线上消息传递、指令下发、结果反馈，完成数字化业务对接与日常对话沟通。
- 学习功能
- 监督学习：利用已做好分类标注的标准数据集开展模型训练，精准掌握事物特征，熟练完成图像识别、内容判别、趋势预测等定向任务。
- 无监督学习：无需依靠人工标注样本，自主探索海量原始数据内部联系，自动完成数据聚类划分，挖掘潜藏在数据中的隐藏规律与特征。
- 强化学习：持续与真实环境开展交互试探，依据环境给出的奖励与惩罚反馈不断复盘调整行为，循序渐进优化策略，提升综合任务完成能力。
- 交互功能
- 人机交互：兼容语音、文字、图形界面等多种沟通形式，贴合人类交流习惯顺畅对话，快速响应日常咨询、事务办理、办公协助等各类需求。
- 智能体间交互：同系统内多个智能体可自由互通信息、共享资源数据，合理划分工作任务、协调运行节奏，协同攻克单一智能体无法完成的复杂任务。
- 自适应功能
- 环境自适应：面对环境局势、外界条件、运行状态发生突发变动时，无需人工重新设定，自动调整运行逻辑与执行方案，快速适配全新运行场景。
- 用户自适应：长期记录并分析用户使用习惯、消费倾向与功能偏好，动态更新服务模式与推荐内容，持续优化输出结果，适配不同用户个性化使用需求。
3 动手体验, 制作一个智能体
目标：构建一个能处理分步任务的智能旅行助手。需要解决的用户任务定义为：“你好，请帮我查询一下今天北京的天气，然后根据天气推荐一个合适的旅游景点。” 要完成这个任务，智能体必须展现出清晰的逻辑规划能力。它需要先调用天气查询工具，并将获得的观察结果作为下一步的依据。在下一轮循环中，它再调用景点推荐工具，从而得出最终建议。
3.1 准备工作
想要在 Python 程序调用网络接口(通过wttr.in查询天气)与大模型服务，可借助三款常用工具库：requests用于发送网络请求、访问通用网络 API；tavily-python是 AI 搜索专用客户端，可调取实时全网搜索数据；openai为官方 SDK，专门对接 GPT 系列大模型。使用前需执行对应命令完成库的安装配置。环境配置
- 需要配置
- 获取大模型的API_KEY
- 获取tavily的API
# python 版本 > 3.10
# 创建虚拟环境
# 1. 进入项目目录
cd "hello-agents"
# 2. 创建虚拟环境
python -m venv venv
# 3. 激活虚拟环境
# Windows:
venv\Scripts\activate
# macOS/Linux:
source venv/bin/activate
# 安装依赖包
pip install requests tavily-python openai
3.1.1 LLM的提示词
想要顺利调用真实大语言模型搭建智能体，核心在于提示工程。通过定制专属指令模板，明确设定大模型的身份角色、可用工具，以及思考与行动的标准输出格式，将这套完整规则作为**系统提示词(system_prompt)**传入大模型，以此规范智能体整体运行逻辑。
# 系统提示词
AGENT_SYSTEM_PROMPT = """
你是一个智能旅行助手。你的任务是分析用户的请求, 并使用工具一步步解决问题。
# 可用工具:
- `get_weather(city: str)`: 查询指定城市的实时天气。
- `get_attraction(city: str, weather: str)`: 根据城市和天气搜索推荐的旅游景点。
# 输出格式要求:
你的每次回复必须严格遵循以下格式，包含一对Thought和Action：
Thought: [你的思考过程和下一步计划]
Action: [你要执行的具体行动]
Action的格式必须是以下之一：
1. 调用工具：function_name(arg_name="arg_value")
2. 结束任务：Finish[最终答案]
# 重要提示:
- 每次只输出一对Thought-Action
- Action必须在同一行，不要换行
- 当收集到足够信息可以回答用户问题时，必须使用 Action: Finish[最终答案] 格式结束
# 正确示例
Thought: 用户需要北京天气，先调用天气工具
Action: get_weather(city="北京")
Thought: 已拿到天气，调用景点推荐工具
Action: get_attraction(city="北京",weather="晴")
Thought: 信息齐全，整理答案结束对话
Action: Finish[北京今日晴天，适合前往故宫游玩...]
请开始吧！
"""
3.1.2 工具1： 查询真实天气
wttr.in 是一个免费的天气 API 服务，支持全球城市查询。
通过 wttr.in 来创建一个查询真是天气的工具
wttr.in返回结果: json格式
wttr.in返回结果: 网页格式
# 工具1: 查询真实天气
import requests
def get_weather(city: str) -> str:
"""
通过调用 wttr.in API 查询真实的天气信息
"""
# wttr.in 是一个免费的天气 API 服务，支持全球城市查询
# API端点, 我们请求JSON格式的数据
url = f"https://wttr.in/{city}?format=j1"
# print("get_weather city: ", city)
try:
# 发起网络请求
response = requests.get(url)
print(f"get_weather response: {response}")
# 检查响应码: 200(成功)
response.raise_for_status()
# 解析返回的JSON数据 | 把 API 返回的 JSON 格式数据，转换成 Python 里的字典（dict）对象
data = response.json()
# print(f"get_weather data: {data}")
# 提取当前天气状况
current_condition = data["current_condition"][0] # 当前实时天气
weather_desc = current_condition["weatherDesc"][0]["value"] # 天气状况（英文）
temp_c = current_condition["temp_C"] # 实时气温(摄氏度)
# 格式化成自然语言返回
return f"{city}当前天气: {weather_desc}, 气温{temp_c}摄氏度"
except requests.exceptions.RequestException as e:
# 处理网络错误
return f"错误:查询天气时遇到网络问题 - {e}"
except (KeyError, IndexError) as e:
# 处理数据解析错误
return f"错误: 解析天气数据失败, 可能是城市名称无效 - {e}"
# get_weather 中的data数据
# {
# 'current_condition': # 当前实时天气(重点)
# [
# {
# 'FeelsLikeC': '27', # 体感温度(摄氏度)
# 'FeelsLikeF': '81', # 体感温度(华氏度)
# 'cloudcover': '0', # 云量覆盖率(百分比)
# 'humidity': '35', # 空气湿度(百分比)
# 'observation_time': '11:11 AM', # 气象数据观测时间
# 'precipInches': '0.0', # 降雨量(英寸)
# 'precipMM': '0.0', # 降雨量(毫米)
# 'pressure': '1009', # 大气压强(百帕)
# 'pressureInches': '30', # 大气压强(英寸汞柱)
# 'temp_C': '28', # 实时气温(摄氏度)
# 'temp_F': '83', # 实时气温(华氏度)
# 'uvIndex': '0', # 紫外线指数
# 'visibility': '10', # 能见度(公里)
# 'visibilityMiles': '6', # 能见度(英里)
# 'weatherCode': '116', # 天气状况数字编码
# 'weatherDesc': [{'value': 'Partly Cloudy '}], # 天气状况英文描述
# 'weatherIconUrl': [{'value': 'https://cdn.worldweatheronline.com/images/wsymbols01_png_64/wsymbol_0002_sunny_intervals.png'}], # 天气图标链接
# 'winddir16Point': 'SSW', # 风向16方位缩写
# 'winddirDegree': '198', # 风向角度
# 'windspeedKmph': '18', # 风速(千米/小时)
# 'windspeedMiles': '11' # 风速(英里/小时)
# }
# ],
# 'nearest_area': [{...}], # 城市地区信息
# 'request': [{...}], # 请求信息
# 'weather': [{...},{...},{...}] # 未来3天天气预报
#
# }
3.1.3 工具2：搜索并推荐旅游景点
定义一个依据Tavily 通过提供的城市和天气状况, 在互联网上搜索合适的景点：
# 工具2: 搜索并推荐旅游景点
import os
from tavily import TavilyClient
def get_attraction(city: str, weather: str) -> str:
""" 根据城市和天气, 使用Tavily Search API搜索并返回优化后的景点推荐 """
# 1. 从环境变量中读取API秘钥
api_key = os.environ.get("TAVILY_API_KEY") # 要配置自己的环境变量
if not api_key:
return "错误: 未配置TAVILY_API_KEY环境变量。"
# 2. 初始化Tavily客户端
tavily = TavilyClient(api_key=api_key)
# 3. 构造一个精确的查询
query = f"'f{city}' 在'{weather}'天气下值得去的旅游景点推荐及理由"
try:
# 4. 调用API, include_answer=True会返回一个综合整理后的回答
# search_depth: 搜索深度, basic=轻量模式, 速度快，适合普通场景 | advanced = 搜索更深入但耗时更长
response = tavily.search(query=query, search_depth="basic", include_answer=True)
# 5. Tavily返回结果非常干净, 可直接使用
# response['answer'] 是一个基于所有搜索结果的总结性回答.
if response.get("answer"):
return response["answer"]
# 如果没有综合性回答, 这格式化原始结果
formatted_results = []
for result in response.get("results", []):
formatted_results.append(f"- {result['title']}: {result['content']}")
if not formatted_results:
return "抱歉, 没有找到相关的旅游景点推荐。"
return "根据搜索, 为你找到以下信息: \n" + "\n".join(formatted_results)
except Exception as e:
return f"错误: 执行Tavily搜索时出现问题 - {e}"
# 将所有工具函数放入一个字典, 方便后续调用
available_tools = {
"get_weather": get_weather,
"get_attraction": get_attraction,
}
3.2 接入大语言模型
当前，许多 LLM 服务提供商（包括 OpenAI、Azure、DeepSeek以及众多开源模型服务框架如 Ollama、vLLM 等）都遵循了与 OpenAI API 相似的接口规范。这种标准化为开发者带来了极大的便利。智能体的自主决策能力来源于 LLM。我们将实现一个通用的客户端 OpenAICompatibleClient，它可以连接到任何兼容 OpenAI 接口规范的 LLM 服务。
from openai import OpenAI
class OpenAICompatibleClient:
"""
一个用于调用任何兼容OpenAI接口的LLM服务的客户端。
"""
def __init__(self, model: str, api_key: str, base_url: str):
self.model = model
self.client = OpenAI(api_key=api_key, base_url=base_url)
def generate(self, prompt: str, system_prompt: str) -> str:
"""调用LLM API来生成回应。"""
print("正在调用大语言模型...")
try:
messages = [
{'role': 'system', 'content': system_prompt}, # system_message
{'role': 'user', 'content': prompt} # human_message
]
response = self.client.chat.completions.create(
model=self.model,
messages=messages,
stream=False # 不用流式输出, 一次展示所有结果
)
answer = response.choices[0].message.content
print("大语言模型响应成功。")
return answer
except Exception as e:
print(f"调用LLM API时发生错误: {e}")
return "错误:调用语言模型服务时出错。"
- LLM调用的返回结构说明
# response = self.client.chat.completions.create(
# model=self.model,
# messages=messages,
# stream=False
# )
# response: ChatCompletion(
# id='chatcmpl-c8592ddb-c16c-9f40-9e5d-838ac572a5e8', # 本次对话请求唯一标识ID
# choices=[ # 模型返回的回答结果列表，多条候选回复
# Choice(
# finish_reason='stop', # 结束原因：正常完整生成完毕
# index=0, # 当前这条回复在候选列表里的索引序号
# logprobs=None, # 词语概率对数信息，此处未开启返回
# message=ChatCompletionMessage( # 模型输出的消息主体对象
# content='Thought: 用户需要查询北京天气并推荐景点，首先需要获取实时天气信息作为前提条件\n\nAction: get_weather(city="北京")', # 模型思考+工具调用指令正文
# refusal=None, # 拒绝回复内容，无拒绝则为空
# role='assistant', # 消息角色：assistant助手角色
# annotations=None, # 附加标注信息，暂无
# audio=None, # 语音音频相关数据，暂无
# function_call=None, # 传统函数调用字段，未使用
# tool_calls=None, # 工具调用结构化字段，未启用
# reasoning_content='用户请求我查询北京的天气，然后根据天气推荐旅游景点。我需要按照以下步骤进行：\n\n1. 首先调用get_weather工具查询北京天气\n2. 然后根据天气结果调用get_attraction工具获取推荐景点\n3. 最后整理信息结束对话\n\n让我开始第一步，调用天气查询工具。' # 模型内部深度思考过程文本
# ),
# )
# ],
# created=1782055651, # 接口响应生成时间戳
# model='qwen3.5-flash', # 本次调用使用的大模型名称
# object='chat.completion', # 接口返回数据类型标识
# moderation=None, # 内容审核相关结果，暂无
# service_tier=None, # 服务调用档位，暂无配置
# system_fingerprint=None, # 模型版本指纹标识
# usage=CompletionUsage( # 本次对话消耗token统计对象
# completion_tokens=97, # 模型生成回复所用token数量
# prompt_tokens=313, # 输入提示词所用token数量
# total_tokens=410, # 本次请求总共消耗token数量
# completion_tokens_details=CompletionTokensDetails( # 生成端token细分统计
# accepted_prediction_tokens=None, # 预测采纳token，无数据
# audio_tokens=None, # 音频类token，无数据
# reasoning_tokens=63, # 模型思考内容占用token数
# rejected_prediction_tokens=None # 废弃预测token，无数据
# ),
# prompt_tokens_details=PromptTokensDetails( # 输入端token细分统计
# audio_tokens=None, # 输入音频token，无数据
# cached_tokens=None, # 缓存命中token数量，无数据
# text_tokens=313 # 纯文本输入占用token数
# )
# )
# )
3.3 执行主循环
将模拟agent的内部决策过程, 整合所有组件, 通过格式化后的 Prompt 驱动 LLM进行决策
import re
# --- 1. 配置LLM客户端 ---
# 请根据您使用的服务，将这里替换成对应的凭证和地址
# API_KEY = "YOUR_API_KEY"
# BASE_URL = "YOUR_BASE_URL"
# MODEL_ID = "YOUR_MODEL_ID"
API_KEY = os.environ.get("DASHSCOPE_API_KEY")
BASE_URL = "https://dashscope.aliyuncs.com/compatible-mode/v1"
MODEL_ID = "qwen3.5-flash" # 模型名称
# print(f"API_KEY: {API_KEY}") # 查询是否充环境变量中多去到API_KEY，
# 若是新增加的环境变量, 关闭所有的Pycharm项目后重新启动, 即可加载初API_KEY
llm = OpenAICompatibleClient(
model=MODEL_ID,
api_key=API_KEY,
base_url=BASE_URL
)
# --- 2. 初始化 ---
user_prompt = "你好，请帮我查询一下今天北京的天气，然后根据天气推荐一个合适的旅游景点。"
prompt_history = [f"用户请求: {user_prompt}"] # 消息列表
print(f"用户输入: {user_prompt}\n" + "="*40)
# --- 3. 运行主循环 ---
for i in range(5): # 设置最大循环次数
print(f"--- 循环 {i+1} ---\n")
# 3.1. 构建Prompt
full_prompt = "\n".join(prompt_history)
# 3.2. 调用LLM进行思考
llm_output = llm.generate(full_prompt, system_prompt=AGENT_SYSTEM_PROMPT)
# 模型可能会输出多余的Thought-Action，需要截断
# 强制约束大模型一次只输出一次思考 + 一次行动，截断多余多轮思考，保证智能体按顺序串行执行工具。
match = re.search(r'(Thought:.*?Action:.*?)(?=\n\s*(?:Thought:|Action:|Observation:)|\Z)', llm_output, re.DOTALL)
if match:
truncated = match.group(1).strip()
if truncated != llm_output.strip():
llm_output = truncated
print("已截断多余的 Thought-Action 对")
print(f"模型输出:\n{llm_output}\n")
prompt_history.append(llm_output)
# 3.3. 解析并执行行动
action_match = re.search(r"Action: (.*)", llm_output, re.DOTALL)
if not action_match:
observation = "错误: 未能解析到 Action 字段。请确保你的回复严格遵循 'Thought: ... Action: ...' 的格式。"
observation_str = f"Observation: {observation}"
print(f"{observation_str}\n" + "="*40)
prompt_history.append(observation_str)
continue
action_str = action_match.group(1).strip()
if action_str.startswith("Finish"):
final_answer = re.match(r"Finish\[(.*)\]", action_str).group(1)
print(f"任务完成，最终答案: {final_answer}")
break
tool_name = re.search(r"(\w+)\(", action_str).group(1)
args_str = re.search(r"\((.*)\)", action_str).group(1)
kwargs = dict(re.findall(r'(\w+)="([^"]*)"', args_str))
if tool_name in available_tools:
observation = available_tools[tool_name](**kwargs)
else:
observation = f"错误:未定义的工具 '{tool_name}'"
# 3.4. 记录观察结果
observation_str = f"Observation: {observation}"
print(f"{observation_str}\n" + "="*40)
prompt_history.append(observation_str)
代码解释
# 正则整体作用：从大模型输出文本里，精准截取【单轮完整思考(Thought)+动作(Action)】片段
# 规则：匹配从 Thought: 开始，到下一轮标记出现前为止的内容，实现单轮分割
match = re.search(
r'(Thought:.*?Action:.*?)' # 主体匹配区域
r'(?=\n\s*(?:Thought:|Action:|Observation:)|\Z)', # 后置边界断言（停止条件）
llm_output,
re.DOTALL # 单行模式开关：让 . 能匹配换行符
)
# 1. 主体捕获组 (Thought:.*?Action:.*?)
# Thought:：精准匹配思考语句开头固定标识
# .*?：非贪婪匹配，尽可能少匹配字符，避免跨轮内容粘连
# Action:：匹配动作调用开头固定标识
# 整体含义：抓取 从思考开头 → 动作结尾 的一整轮思维 + 调用内容
# 2. 后置零宽断言 (?=\n\s*(?:Thought:|Action:|Observation:)|\Z)
# (?=...)：正向先行断言
# 特点：只判定后面是什么内容，不占用、不捕获、不吞掉字符，只当作截断边界
# 内部拆解：
# \n：匹配换行符，区分不同轮次
# \s*：匹配任意数量空格 / 缩进，兼容排版空格
# (?:Thought:|Action:|Observation:)
# (?:)：非捕获分组，只用来多选匹配，不单独存结果
# 含义：遇到下一轮(Thought:|Action:|Observation)中任意一种开头标记就停止截取
# |\Z：或者匹配文本最末尾，适配最后一轮没有下一条内容的场景
# 3. 修饰符 re.DOTALL
# 正常 . 不能匹配换行
# 加上此参数：. 可以跨行匹配，解决思考 / 动作分行书写的场景
# # 正则：匹配以 Action: 开头的整行/整段指令内容
action_match = re.search(r"Action: (.*)", llm_output, re.DOTALL)
示例:
llm_output: 'Thought: 用户需要查询北京天气并推荐景点，首先需要获取实时天气信息作为前提条件\n\nAction: get_weather(city="北京")'
action_match: Action: get_weather(city="北京")
action_match.group(1): 'get_weather(city="北京")'
# Action:
# 精准匹配固定前缀文本 Action:，必须严格一致
# 空格
# 匹配冒号后面紧跟的空格
# (.*)
# () 捕获分组，用来取出后面所有内容
# . 匹配任意字符
# * 匹配零个或多个任意字符
# 作用：抓取Action:后面全部剩余内容
# re.DOTALL
# 让.可以匹配换行符，支持Action:内容跨行书写
# action_str = get_attraction(city="北京", weather="晴")
tool_name = re.search(r"(\w+)\(", action_str).group(1) # tool_name: get_attraction
# (\w+)\( : \w+ 字母数字下划线，匹配函数名；\( 转义左括号
args_str = re.search(r"\((.*)\)", action_str).group(1) # args_str: city="北京", weather="晴"
# \( 左括号，\) 右括号，.* 括号内所有内容
kwargs = dict(re.findall(r'(\w+)="([^"]*)"', args_str)) # kwargs: {'city': '北京', 'weather': '晴'}
# (\w+)：参数名 | =：等于号 | "：双引号 | [^"]*：除双引号外所有字符，精准截取引号内值，不越界
# 执行对应工具函数，并传入解析好的关键字参数，拿到执行结果赋值给观测值
bservation = available_tools[tool_name](**kwargs)
# (** kwargs) 把解析得到的参数字典解包传参
# kwargs = {"city":"北京", "weather":"晴"}
# 等价于：
# get_weather(city="北京", weather="晴")
3.4 运行案例分析
以下输出完整地展示了一个成功的智能体执行流程。通过对这个三轮循环的分析，我们可以清晰地看到智能体解决问题的核心能力。
这个简单的旅行助手案例，集中演示了基于Thought-Action-Observation范式的智能体所具备的四项基本能力：任务分解、工具调用、上下文理解和结果合成。正是通过这个循环的不断迭代，智能体才得以将一个模糊的用户意图，转化为一系列具体、可执行的步骤，并最终达成目标。
用户输入: 你好, 请帮我查询一下今天北京的天气, 然后根据天气推荐一个合适的旅游景点。
========================================
--- 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: 用户需要查询北京今天的天气，并据此推荐旅游景点。我首先需要获取北京的实时天气信息。
Action: get_weather(city="北京")
Observation: 北京当前天气: Clear , 气温22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: 已获取到北京的天气信息（晴天，22摄氏度），现在需要根据这个天气信息推荐适合的旅游景点。
Action: get_attraction(city="北京",weather="晴")
Observation: On sunny days in Beijing, visit the Forbidden City, the Great Wall at Badaling, and the Temple of Heaven for great views and historical significance.
========================================
--- 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: 已获取天气信息并调用景点推荐工具，现在整合信息生成最终答案。
Action: Finish[今日北京晴朗，气温适宜22℃。推荐前往：1.故宫（历史建筑与开阔庭院适合晴天游览）；2.八达岭长城（视野清晰利于欣赏壮丽景色）；3.天坛（园林景观在晴天时更显葱郁）]
任务完成: 最终答案: 今日北京晴朗，气温适宜22℃。推荐前往：1.故宫（历史建筑与开阔庭院适合晴天游览）；2.八达岭长城（视野清晰利于欣赏壮丽景色）；3.天坛（园林景观在晴天时更显葱郁）
prompt_history最终结果
========================消息列表==================================
对话历史轮数： 6
===== 第1轮 =====
用户请求: 你好, 请帮我查询一下今天北京的天气, 然后根据天气推荐一个合适的旅游景点。
===== 第2轮 =====
Thought: 用户需要查询北京今天的天气，并据此推荐旅游景点。我首先需要获取北京的实时天气信息。
Action: get_weather(city="北京")
===== 第3轮 =====
Observation: 北京当前天气: Clear , 气温22摄氏度
===== 第4轮 =====
Thought: 已获取到北京的天气信息（晴天，22摄氏度），现在需要根据这个天气信息推荐适合的旅游景点。
Action: get_attraction(city="北京",weather="晴")
===== 第5轮 =====
Observation: On sunny days in Beijing, visit the Forbidden City, the Great Wall at Badaling, and the Temple of Heaven for great views and historical significance.
===== 第6轮 =====
Thought: 已获取天气信息并调用景点推荐工具，现在整合信息生成最终答案。
Action: Finish[今日北京晴朗，气温适宜22℃。推荐前往：1.故宫（历史建筑与开阔庭院适合晴天游览）；2.八达岭长城（视野清晰利于欣赏壮丽景色）；3.天坛（园林景观在晴天时更显葱郁）]
========================消息列表==================================
4 智能体应用的协作模式
随着智能体应用愈发普及，人类更多转为使用者与协作参与者。依据智能体自主性与任务定位，协作模式分为两类：一是充当实用工具，深度融入日常工作流程辅助办公；二是成为独立协作主体，和其他智能体相互配合，共同攻克各类复杂任务。
4.1 作为开发者工具的智能体
开发者工具模式下智能体深度融入开发流程，定位为辅助工具而非替代人力，自动承接重复繁琐工作，让开发者聚焦核心创意研发，有效提升开发效率与项目质量。当下主流 AI 编程工具各有特色：
- GitHub Copilot 嵌入主流编辑器，主打实时代码补全，兼具对话编程能力；
- Claude Code 依托终端运行，可通读项目代码库，支持全流程开发与自动化部署场景；
- Trae 体量轻便响应迅速，擅长代码智能生成与重构，适配快速迭代开发；
- Cursor 原生 AI 代码编辑器，深度理解全局项目上下文，深耕代码调试与整体重构。
整体行业趋势清晰可见，AI 全面渗透软件开发全流程，以人机协同新模式，持续革新传统开发方式。
4.2 作为自主协作者的智能体
自主协作者模式，区别于工具式辅助，人类仅下达高层整体目标，无需全程分步指导。智能体可独立完成规划、推理、执行与复盘，人机关系从命令-执行转变为目标-委托，智能体主动向着任务目标自主推进。
目前诞生众多成熟智能体开发框架，例如：CrewAI、AutoGen、MetaGPT、LangGraph 等，优秀框架主流架构分为三类：
- 单智能体自主循环
依托单一智能体搭建"思考-规划-执行-反思"闭环，依靠自我迭代完成开放式复杂任务，是早期自主智能体主流形式。 - 多智能体团队协作
模拟人类团队分工配合完成任务，既可以设定不同角色对话协同，也能搭建标准化工作流程组建虚拟团队，同时支持自由灵活的智能体交互形式。
例：- 组织化工作流：以 MetaGPT、CrewAI 为代表，搭建分工清晰的虚拟团队体系。为每个智能体划定专属职责与标准作业流程，依托层级统筹、顺序推进的方式协同配合，可高效产出完整项目代码、专业研究报告等高质量复杂成果。
- 灵活交互模式：以 AutoGen、AgentScope 为代表，支持自由多变的对话交互形式，开发者可自主搭建搭建智能体之间多元复杂的通信协作网络，适配多样化协作场景。
- 高级控制流架构
诸如 LangGraph 等框架，以状态图形式搭建底层运行逻辑，灵活实现流程循环、分支跳转、任务回溯与人机介入，大幅提升智能体运行稳定性与流程可控性。
各类架构不断完善，推动自主协作智能体落地实用，能够高效处理各类真实场景复杂任务。
4.3 Workflow 和 Agent 的差异
简单理解： Workflow 是让 AI 按部就班地执行指令，而 Agent 则是赋予 AI 自由度去自主达成目标。
-
**WorkFlow(工作流)**属于静态自动化范式，提前固定好全部执行步骤与判断条件，流程顺序、分支规则均预先写死，仅能机械按既定流程执行，灵活性较差, 稳定性强，每个输入都可以得到固定的输出。
- 例：企业新员工入职审批工作流
整套流程、审核门槛、流转节点全部提前录入系统，判定规则固定，流程如下：- 人事部门提交完整新员工入职资料，发起入职审批流程，流程正式触发；
- 系统判定员工定岗薪资：若月度薪资≤8000元，仅直属部门负责人单人审核即可；
- 若月度薪资＞8000元，执行多级流转：先由部门负责人审核岗位匹配度，审核通过后自动流转至人力资源总监复核薪资职级，复核无误后，最终交由公司总经理终审；
- 任意节点审核驳回，流程直接退回人事部修改资料，重新发起审批；
- 全部审批节点通过后，系统自动办理工号开立、办公设备登记、考勤账户开通，同步发送入职通知邮件给员工本人。
- 例：企业新员工入职审批工作流
-
Agent则是以目标为导向的自主系统，依靠大模型充当决策核心，无需固定流程模板。可自主拆分任务、按需调用工具，结合实时信息动态推理判断，依据不同场景灵活调整执行方案，摆脱死板规则限制，自适应完成多样化任务。
- 例：上一章节写的智能旅行助手
用户指令：“你好，请帮我查询一下今天北京的天气，然后根据天气推荐一个合适的旅游景点。” 它的处理过程充分展现了其自主性-
规划与工具调用： Agent 首先会把任务拆解为两个步骤：① 查询天气；② 基于天气推荐景点。随即，它会自主选择并调用“天气查询 API”，并将“北京”作为参数传入。
-
推理与决策： 假设 API 返回结果为“晴朗，微风”。Agent 的 LLM 大脑会基于这个信息进行推理：“晴天适合户外活动”。接着，它会根据这个判断，在它的知识库或通过搜索引擎这个工具中，筛选出北京的户外景点，如故宫、颐和园、天坛公园等。
-
生成结果： 最后，Agent 会综合信息，给出一个完整的、人性化的回答：“今天北京天气晴朗，微风，非常适合户外游玩。为您推荐前往【颐和园】，您可以在昆明湖上泛舟，欣赏美丽的皇家园林景色。”
-
- 例：上一章节写的智能旅行助手
参考内容
AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。
更多推荐
4
0- 0
已为社区贡献1条内容
所有评论(0)