引言：从“聊天”到“做事”，你的第一个智能体之旅

　　你是否曾经想过，为什么别人做的AI能自动查天气、订机票、写周报，而你自己用的却只能一问一答?区别就在于——你用的是聊天机器人，而别人用的是智能体。

　　智能体(Agent)与传统AI的最大不同在于：它能感知环境、自主规划、调用工具、执行行动。简单来说，聊天机器人是“动口不动手”的君子，智能体是“说到做到”的行动派。

　　今天这篇文章，我将带你走完智能体搭建的全流程：从明确需求开始，到设计架构，再到代码实现。全程没有晦涩的理论，只有一步步可操作的实战。无论你是刚入门的开发者，还是想快速落地的产品经理，都能在30分钟内搭建出属于自己的第一个智能体。

　　第一步：需求定义——想清楚再动手

　　在写第一行代码之前，必须先回答三个问题：你的智能体要解决什么问题?为谁服务?能做什么不能做什么?

　　1.1 明确任务目标

　　智能体搭建的任务越具体，成功率越高。不要试图做一个“万能助手”，那往往是失败的开始。

　　好的任务目标示例：

　　“一个能查询实时天气并给出穿衣建议的助手”

　　“一个能根据用户症状推荐常见药品的医疗咨询助手”

　　“一个能自动整理Excel数据并生成报表的分析助手”

　　差的任务目标示例：

　　“一个智能助手”(太宽泛，无法聚焦)

　　“一个能解决所有问题的AI”(不现实)

　　以我们今天要搭建的智能体为例：一个能查询天气和进行简单计算的个人助理。这个目标足够具体，又涵盖了工具调用的核心能力。

　　1.2 角色设定与能力边界

　　给智能体一个“人设”，能让它更符合预期。同时，明确它能做什么、不能做什么，避免“幻觉”问题。

　　角色设定：

　　text

　　你是一个友好的个人助理，名叫“小助手”。

　　你的语气亲切但专业，回答简洁明了。

　　当用户询问天气时，你会调用天气工具查询实时信息。

　　当用户需要计算时，你会调用计算工具给出准确结果。

　　对于超出你能力范围的问题(如情感咨询、医疗诊断)，你会礼貌地告诉用户无法回答。

　　能力边界：

　　查询任意城市的实时天气

　　执行数学计算(加减乘除、括号运算)

　　不提供医疗建议

　　不进行情感分析

　　不访问实时新闻(除非未来扩展)

　　1.3 定义输入输出

　　智能体搭建的输入通常是用户的问题，输出则是自然语言回答。但对于有工具调用的场景，我们需要更清晰的输入输出规范。

　　输入示例：

　　“北京今天天气怎么样?”

　　“帮我算一下 (125 + 37) × 8 等于多少?”

　　输出示例：

　　“北京今天晴，气温22℃，东南风2级，适合户外活动。”

　　“计算结果：(125 + 37) × 8 = 162 × 8 = 1296”

　　第二步：架构设计——搭好骨架再填肉

　　明确了需求之后，我们来设计智能体的核心架构。一个标准的智能体通常包含四个核心模块：

　　2.1 核心四模块

　　感知层(Perception)：接收用户输入，可以是文本、语音或图像。我们初级阶段只处理文本输入。

　　大脑层(Reasoning)：大语言模型(LLM)负责理解问题、决定是否调用工具、生成最终回答。我们选择DeepSeek或通义千问作为基础模型。

　　记忆层(Memory)：短期记忆维护当前对话上下文，长期记忆存储用户偏好(可选)。我们先用短期记忆实现对话连贯性。

　　行动层(Action)：工具调用能力，通过函数调用(Function Calling)机制实现与外部世界的交互。

　　2.2 工作流程设计

　　智能体的核心工作流程是一个“思考-行动-观察”的循环，学术界称为ReAct模式：

　　text

　　用户输入 → LLM理解并推理 → 是否需要工具?

　　├─ 是 → 调用工具 → 获取结果 → LLM综合生成回答 → 返回用户

　　└─ 否 → 直接生成回答 → 返回用户

　　这个循环看起来简单，但背后涉及模型选择、工具定义、上下文管理等多个环节。接下来我们一步步实现。

　　2.3 技术选型

　　对于初学者，我推荐以下技术栈：

　　开发语言：Python 3.8+(生态最成熟)

　　大模型API：DeepSeek(性价比高)或通义千问(国内稳定)

　　开发框架：直接调用API，不依赖复杂框架(便于理解原理)

　　部署环境：本地开发 + 可选云函数部署

　　第三步：代码实现——从0到1跑起来

　　现在进入最激动人心的环节：写代码。我们将分三步实现：基础对话能力、工具定义、完整的智能体循环。

　　3.1 环境准备

　　首先，安装必要的Python库：

　　bash

　　pip install openai # DeepSeek兼容OpenAI SDK

　　pip install requests

　　然后，获取API密钥(以DeepSeek为例)：

　　访问DeepSeek官网注册账号

　　在控制台创建API Key

　　保存好密钥，等下要用

　　3.2 第一步：实现基础对话能力

　　先测试模型是否能正常调用，这是智能体的“大脑”：

　　python

　　f rom openai import OpenAI

　　import json

　　# 初始化客户端(以DeepSeek为例)

　　client = OpenAI(

　　api_key=”sk-你的密钥”, # 替换为真实密钥

　　base_url=”https://api.deepseek.com”

　　)

　　def basic_chat(user_input):

　　”””基础对话函数，验证模型通路”””

　　messages = [

　　{“role”: “system”, “content”: “你是一个友好的个人助手。”},

　　{“role”: “user”, “content”: user_input}

　　]

　　response = client.chat.completions.create(

　　model=”deepseek-chat”,

　　messages=messages,

　　temperature=0.7

　　)

　　return response.choices[0].message.content

　　# 测试

　　print(basic_chat(“你好，请介绍一下你自己”))

　　如果能看到模型回复，恭喜你，大脑已经接入了!

　　3.3 第二步：定义工具(Function Calling)

　　这是智能体“动手能力”的关键。我们需要用JSON Schema描述每个工具的功能和参数。

　　python

　　# 定义工具列表

　　tools = [

　　{

　　”type”: “function”,

　　”function”: {

　　”name”: “get_weather”,

　　”description”: “获取指定城市的实时天气信息”,

　　”parameters”: {

　　”type”: “object”,

　　”properties”: {

　　”city”: {

　　”type”: “string”,

　　”description”: “城市名称，如：北京、上海、广州”

　　},

　　”unit”: {

　　”type”: “string”,

　　”enum”: [“celsius”, “fahrenheit”],

　　”description”: “温度单位，默认摄氏度”

　　}

　　},

　　”required”: [“city”]

　　}

　　}

　　},

　　{

　　”type”: “function”,

　　”function”: {

　　”name”: “calculate”,

　　”description”: “执行数学计算”,

　　”parameters”: {

　　”type”: “object”,

　　”properties”: {

　　”expression”: {

　　”type”: “string”,

　　”description”: “数学表达式，例如：(23 + 5) * 2”

　　}

　　},

　　”required”: [“expression”]

　　}

　　}

　　}

　　]

　　# 实现工具函数

　　def get_weather(city, unit=”celsius”):

　　”””模拟天气查询(真实场景可接入高德/和风天气API)”””

　　# 这里用模拟数据，实际开发中应调用真实天气API

　　weather_db = {

　　”北京”: {“temp”: 22, “condition”: “晴”, “wind”: “东南风2级”},

　　”上海”: {“temp”: 25, “condition”: “多云”, “wind”: “东风3级”},

　　”广州”: {“temp”: 28, “condition”: “小雨”, “wind”: “南风2级”},

　　”深圳”: {“temp”: 27, “condition”: “阴”, “wind”: “微风”}

　　}

　　city_data = weather_db.get(city, {“temp”: 20, “condition”: “未知”, “wind”: “未知”})

　　# 单位转换

　　temp = city_data[“temp”]

　　if unit == “fahrenheit”:

　　temp = round(temp * 9/5 + 32)

　　unit_str = “°F”

　　else:

　　unit_str = “℃”

　　return json.dumps({

　　”city”: city,

　　”temperature”: f”{temp}{unit_str}”,

　　”condition”: city_data[“condition”],

　　”wind”: city_data[“wind”]

　　}, ensure_ascii=False)

　　def calculate(expression):

　　”””执行数学计算(生产环境请用更安全的eval方式)”””

　　try:

　　# 简单计算，实际应用可考虑使用numexpr等更安全的库

　　result = eval(expression)

　　return json.dumps({“expression”: expression, “result”: result})

　　except Exception as e:

　　return json.dumps({“error”: f”计算失败: {str(e)}”})

　　3.4 第三步：实现完整的智能体循环

　　这是最核心的部分——让模型能够自主决定是否调用工具，并根据工具结果生成最终回答。

　　python

　　def run_agent(user_input, conversation_history=None):

　　”””运行智能体主循环”””

　　if conversation_history is None:

　　conversation_history = []

　　# 将用户输入加入历史

　　conversation_history.append({“role”: “user”, “content”: user_input})

　　# 第一次调用：让模型判断是否需要调用工具

　　response = client.chat.completions.create(

　　model=”deepseek-chat”,

　　messages=conversation_history,

　　tools=tools,

　　tool_choice=”auto” # 让模型自动选择

　　)

　　response_message = response.choices[0].message

　　conversation_history.append(response_message) # 将模型响应加入历史

　　# 检查模型是否要求调用工具

　　tool_calls = response_message.tool_calls

　　if tool_calls:

　　print(f” 智能体决定调用工具: {[tool.function.name for tool in tool_calls]}”)

　　for tool_call in tool_calls:

　　func_name = tool_call.function.name

　　func_args = json.loads(tool_call.function.arguments)

　　# 根据函数名分发到对应的工具函数

　　if func_name == “get_weather”:

　　tool_result = get_weather(**func_args)

　　elif func_name == “calculate”:

　　tool_result = calculate(**func_args)

　　else:

　　tool_result = json.dumps({“error”: “未知工具”})

　　# 将工具执行结果作为tool消息追加

　　conversation_history.append({

　　”role”: “tool”,

　　”tool_call_id”: tool_call.id,

　　”content”: tool_result

　　})

　　# 第二次调用：让模型基于工具结果生成最终回答

　　second_response = client.chat.completions.create(

　　model=”deepseek-chat”,

　　messages=conversation_history

　　)

　　final_reply = second_response.choices[0].message.content

　　conversation_history.append({“role”: “assistant”, “content”: final_reply})

　　else:

　　# 不需要调用工具，直接使用模型的回答

　　final_reply = response_message.content

　　return final_reply, conversation_history

　　# 测试智能体

　　def test_agent():

　　history = []

　　# 测试天气查询

　　query1 = “北京今天天气怎么样?”

　　reply1, history = run_agent(query1, history)

　　print(f” 用户: {query1}”)

　　print(f” 智能体: {reply1}n”)

　　# 测试计算功能

　　query2 = “帮我算一下 (125 + 37) × 8 等于多少?”

　　reply2, history = run_agent(query2, history)

　　print(f” 用户: {query2}”)

　　print(f”智能体: {reply2}n”)

　　# 测试多轮对话(智能体应该记得刚才的对话)

　　query3 = “刚才那个城市的气温用华氏度是多少?”

　　reply3, history = run_agent(query3, history)

　　print(f” 用户: {query3}”)

　　print(f” 智能体: {reply3}”)

　　if __name__ == “__main__”:

　　test_agent()

　　3.5 运行效果

　　执行上面的代码，你会看到类似这样的输出：

　　text

　　 用户: 北京今天天气怎么样?

　　 智能体决定调用工具: [‘get_weather’]

　　 智能体: 北京今天晴，气温22℃，东南风2级。天气不错，适合外出活动。

　　 用户: 帮我算一下 (125 + 37) × 8 等于多少?

　　智能体决定调用工具: [‘calculate’]

　　智能体: (125 + 37) × 8 = 162 × 8 = 1296。计算完成!

　　用户: 刚才那个城市的气温用华氏度是多少?

　　 智能体决定调用工具: [‘get_weather’]

　  智能体: 北京今天气温22℃，换算成华氏度约为72°F(22 × 9/5 + 32 = 71.6°F)。

　　恭喜!你已经成功搭建了第一个能“思考并行动”的智能体。它不仅能回答问题，还能自主决定调用工具，并根据工具结果给出更准确的回答。

　　常见问题解答

　　Q1：为什么我的智能体不调用工具?

　　A：常见原因有三个：1)模型本身不支持函数调用(检查使用的模型版本);2)提示词中没有明确告诉它可以调用工具;3)工具定义有格式错误。建议先用支持的模型(如deepseek-chat或gpt-4o)，并确保tools参数正确传入。

　　Q2：工具调用时出现“参数错误”怎么办?

　　A：检查JSON Schema定义是否与函数实际参数一致。例如，函数定义中参数名是city，但JSON Schema中写成location就会导致错误。

　　Q3：多轮对话后智能体会忘记上下文怎么办?

　　A：我们的代码已经通过conversation_history维护了短期记忆。如果对话特别长，可以考虑使用滑动窗口或向量数据库进行记忆压缩。

　　Q4：如何添加新的工具?

　　A：三步走：1)在tools列表中添加工具定义(JSON Schema);2)实现对应的工具函数;3)在工具分发逻辑中添加新的elif分支。这样就完成了扩展。

　　Q5：智能体回答太随机，如何让它更稳定?

　　A：调整temperature参数，值越低(如0.3)回答越确定;值越高(如0.9)越有创造性。同时，优化系统提示词，给模型更清晰的指令。

　　Q6：生产环境如何部署?

　　A：建议将智能体封装为HTTP服务(使用FastAPI等框架)，部署在云函数或容器服务上。同时需要添加监控、日志和熔断机制保障稳定性。

　　结语：你的智能体，只是开始

　　从需求定义到架构设计，从基础对话到工具调用，你已经走完了智能体开发的全流程。那个能查天气、能算算术的“小助手”，虽然简单，却蕴含着智能体的核心思想：感知-规划-行动的闭环。

　　回顾开篇的问题——为什么别人的AI能做事，你的只能聊天?现在答案很清楚了：关键在于工具调用和自主规划能力。而你，已经掌握了这一切。

　　接下来，你可以往这几个方向迭代：

　　添加更多工具：接入真实天气API、数据库查询、邮件发送等

　　优化记忆机制：用向量数据库实现长期记忆

　　探索多智能体协作：让多个智能体分工完成复杂任务

　　部署上线：封装成API，集成到微信、钉钉等应用中

　　这需求、设计、实现三步走的过程中，你觉得哪一步最让你豁然开朗?或者你在动手实践中遇到了什么问题?欢迎在评论区分享交流。

　　【途傲科技实用指南】

　　如果你正在寻找专业的智能体开发人才，或者需要外包AI应用项目，途傲科技平台汇聚了百万技术服务商，能帮你快速匹配到合适的开发团队。

　　在任务大厅发布需求时，建议这样描述：“我们需要一个AI智能体开发工程师，搭建一个客服咨询智能体。技术要求：1)熟悉大模型API调用和Function Calling机制;2)有扣子或Dify等低代码平台实战经验者优先;3)需设计多轮对话流程和知识库检索;4)提供过往AI项目案例。预算范围XXXX元，可长期合作。”

　　在人才大厅寻找开发者时，可重点关注具备以下背景的服务商：有AI智能体或聊天机器人开发案例、熟悉主流LLM API集成、在提示词工程方面有经验、过往客户评价中“交付质量”评分高。

　　途傲科技的服务大厅提供智能匹配功能，输入你的需求关键词，系统会推荐符合条件的优质服务商。入驻平台的商铺可查看服务商的过往案例、客户评价和技术栈详情，帮助你做出更明智的选择。

　　雇主攻略学习：建议新用户先浏览平台上的“AI应用开发外包攻略”专题，了解从需求发布到项目验收的全流程注意事项。平台还提供一品商城服务，可以直接选购标准化的AI开发服务套餐，适合预算有限或需求明确的项目。

　　加入V客优享会员，能够获得专属顾问对接、优先推荐优质服务商、需求加急等权益，彻底改变你的工作方式，让专业的事交给专业的人。途傲科技，汇聚百万服务商，为你提供从AI开发到创意设计的全方位技术服务。