1.什么是智能体

在探索任何一个复杂概念时，我们最好从一个简洁的定义开始。在人工智能领域，智能体被定义为任何能够通过传感器（Sensors）感知其所处环境（Environment），并自主地通过执行器（Actuators）采取行动（Action）以达成特定目标的实体。

智能体的四个基本要素可概括为：环境，即智能体所处并需要感知的外部世界；传感器，用于持续感知环境状态；执行器，用于对环境施加影响并采取行动；自主性，使智能体能够基于感知和内部状态独立决策，以达成目标，从而形成“感知→决策→行动”的闭环。

2. 智能体的核心组成

下图展示了四个核心组件之间的协作关系：大模型作为中枢负责理解与决策，规划负责拆解任务，工具负责执行具体操作，记忆负责保存上下文与经验。

flowchart TD
    A[用户输入] --> B[大模型 LLM]
    B --> C[规划 Planning]
    C --> D[工具 Tools]
    D --> E[执行结果]
    E --> B
    B --> F[记忆 Memory]
    F --> B
    B --> G[最终回答]

数据流向说明：用户输入首先进入大模型，大模型结合记忆中的上下文进行理解与推理，生成任务规划；规划进一步拆解为可执行的子步骤并调用相应工具；工具执行后把结果返回给大模型，大模型综合工具结果与记忆信息生成最终回答，同时将本次交互写入记忆，供后续任务复用。

一个完整的智能体通常由以下四个核心部分组成：

• 大模型（LLM）：智能体的「大脑」，负责理解用户意图、生成推理和决策。
• 规划（Planning）：将复杂任务拆解为可执行的子步骤，并决定执行顺序。
• 工具（Tools）：智能体调用外部能力（如搜索、代码执行、API 调用）来完成具体操作。
• 记忆（Memory）：保存短期对话上下文和长期经验，帮助智能体持续改进。

3. 智能体与普通程序的区别

普通程序按照预设逻辑线性执行，而智能体能够根据环境反馈动态调整策略。两者的关键差异体现在以下几个方面：

对比维度	普通程序	智能体
执行方式	固定流程	动态决策
环境感知	有限	持续感知与反馈
目标导向	完成指定步骤	自主拆解并达成目标
学习能力	无	可通过记忆与经验改进

4. 一个简单的智能体示例

4.1 提示工程（Prompt Engineering)

驱动真实 LLM 的关键在于提示工程（Prompt Engineering）。我们需要设计一个“指令模板”，告诉 LLM 它应该扮演什么角色、拥有哪些工具、以及如何格式化它的思考和行动。这是我们智能体的“说明书”，它将作为system_prompt传递给 LLM。

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，并使用可用工具一步步地解决问题。

# 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

请开始吧！
"""

4.2 工具函数构建

我们将构建 get_weather 使用免费的天气查询服务 wttr.in，它能以 JSON 格式返回指定城市的天气数据。同时我们定义一个新工具 get_attraction，它会根据城市和天气状况，在互联网上搜索合适的景点,新建tools.py文件

import requests
import os
from tavily import TavilyClient

def get_weather(city: str) -> str:
    """
    通过调用 wttr.in API 查询真实的天气信息。
    """
    # API端点，我们请求JSON格式的数据
    url = f"https://wttr.in/{city}?format=j1"
    
    try:
        # 发起网络请求
        response = requests.get(url)
        # 检查响应状态码是否为200 (成功)
        response.raise_for_status() 
        # 解析返回的JSON数据
        data = response.json()
        
        # 提取当前天气状况
        current_condition = data['current_condition'][0]
        weather_desc = current_condition['weatherDesc'][0]['value']
        temp_c = current_condition['temp_C']
        
        # 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}"


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密钥
    api_key = os.environ.get("TAVILY_API_KEY")
    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"'{city}' 在'{weather}'天气下最值得去的旅游景点推荐及理由"
    
    try:
        # 4. 调用API，include_answer=True会返回一个综合性的回答
        response = tavily.search(query=query, search_depth="basic", include_answer=True)
        
        # 5. Tavily返回的结果已经非常干净，可以直接使用
        # 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，则格式化原始结果
        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，为您找到以下信息:\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,
}

4.3 构建agent

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。并整合所有组件到主循环中，并通过格式化后的 Prompt 驱动 LLM 进行决策。

import re
import os
from openai import OpenAI
from tools import available_tools

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},
                {'role': 'user', 'content': prompt}
            ]
            response = self.client.chat.completions.create(
                model=self.model,
                messages=messages,
                stream=False
            )
            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。"


# --- 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"
TAVILY_API_KEY="YOUR_Tavily_KEY"
os.environ['TAVILY_API_KEY'] = "YOUR_TAVILY_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}"]

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
    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)

4.4 agent 结果输出如下所示：

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: 用户需要先了解北京今天的天气，我再根据天气推荐合适的旅游景点。现在先查询北京实时天气。
Action: get_weather(city="北京")

Observation: 北京当前天气:Smoky haze，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: 已获取北京当前天气为烟霾（Smoky haze），气温22摄氏度。烟霾天气不适合户外剧烈活动，接下来根据天气搜索合适的旅游景点。
Action: get_attraction(city="北京", weather="Smoky haze")

Observation: In smoky haze, visit Mutianyu Great Wall for less crowds, Forbidden City for history, and Universal Studios Beijing for fun.
========================================
--- 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: 已获取北京天气和景点推荐信息，可以给出最终推荐。
Action: Finish[北京今天天气为烟霾，气温22°C。烟霾天气建议减少户外长时间活动，推荐前往故宫博物院：可参观室内展览与历史文物，兼顾文化体验和避霾，是今天较合适的旅游景点。]

任务完成，最终答案: 北京今天天气为烟霾，气温22°C。烟霾天气建议减少户外长时间活动，推荐前往故宫博物院：可参观室内展览与历史文物，兼顾文化体验和避霾，是今天较合适的旅游景点。