欢迎来到《Python + AI Agent 实战开发完全指南》专栏！在前面的课程中，我们让 Agent 掌握了 RAG 检索与 ReAct 推理的能力。但这仅仅是“内功”的修炼。在真实的企业级场景中，很多任务是无法仅靠文本交互完成的——比如：自动抓取竞品网页数据、填写复杂的在线表单，甚至运行一段 Python 脚本进行数据清洗。在这一讲中，我们将带领 Agent 走出纯文本的世界，为它装上真正的

你可以把它理解为一个"存档点"。每次Agent执行一步操作，Checkpointer就会自动把当前的messages状态保存到内存或数据库中。下次用户提问时，它会通过一个唯一的thread_id（线程ID）自动加载之前的对话历史。

研究员 Agent：只负责收集和整理事实信息 researcher_prompt = SystemMessage(content = """你是一个严谨的行业研究员。你的唯一任务是搜集并总结客观事实和数据。不要发表主观评价，不要写文章。请将收集到的信息以要点列表的形式返回。""") # 作家 Agent：只负责基于现有素材进行内容创作 writer_prompt = SystemMessage(c

ReAct 是 Reasoning（推理）和 Acting（行动）的合成词。让大语言模型交替进行“内部思考”与“外部行动”。在传统的纯推理模式（如思维链 CoT）中，AI 只是在脑海中演算，无法获取外界新信息；而在纯行动模式中，AI 盲目调用工具，缺乏全局规划。Thought（思考）：分析当前状态，决定下一步该做什么。Action（行动）：调用具体的工具（如搜索、计算）去执行操作。Observat

欢迎来到《Python + AI Agent 实战开发完全指南》专栏！经过前面十四讲的“打怪升级”，我们的多智能体系统已经成功跑通，并且实现了 Docker 容器化部署。但说实话，很多开发者在把 Agent 推向生产环境时，往往会面临两个极其致命的痛点：一是大模型调用费用像流水一样控制不住，二是稍微遇到一点恶意输入，Agent 就执行了危险操作甚至泄露数据。所以今天作为本专栏的收官之作，我们不讲新

这是最关键的一步。你必须用极其精确的结构化语言告诉大模型这个工具是干嘛的、需要什么参数。# 向大模型声明的工具元数据"description": "获取指定城市当前的实时天气信息","city": {"type": "string", "description": "中国城市名称，例如：北京"},},

欢迎来到《Python + AI Agent 实战开发完全指南》专栏！在前面的课程中，我们已经成功打造了具备异步处理能力的多智能体协作系统（FastAPI + Celery + Redis）。但说实话，很多开发者在本地跑通代码后，一到服务器部署环节就会因为环境不一致、依赖冲突等问题抓狂。所以今天这一讲，我们不整虚的，直接带你把整个 Agent 后端工程进行，并套上一个高颜值的 Streamlit

欢迎来到《Python + AI Agent 实战开发完全指南》专栏！在前面的课程中，我们使用 FastAPI 将多智能体系统封装为了 RESTful API。但在真实的生产环境中，AI 推理和多智能体协作往往需要几秒甚至几分钟的时间。如果用户在发起请求后一直等待 HTTP 响应，不仅体验极差，还容易导致网关超时（Timeout）或服务器线程阻塞。在这一讲中，我们将引入工业界标准的解决方案：异步任

欢迎来到《Python + AI Agent 实战开发完全指南》专栏！在前面的课程中，我们使用 FastAPI 将多智能体系统封装为了 RESTful API。但在真实的生产环境中，AI 推理和多智能体协作往往需要几秒甚至几分钟的时间。如果用户在发起请求后一直等待 HTTP 响应，不仅体验极差，还容易导致网关超时（Timeout）或服务器线程阻塞。在这一讲中，我们将引入工业界标准的解决方案：异步任

欢迎来到《Python + AI Agent 实战开发完全指南》专栏！在前面的课程中，我们使用 FastAPI 将多智能体系统封装为了 RESTful API。但在真实的生产环境中，AI 推理和多智能体协作往往需要几秒甚至几分钟的时间。如果用户在发起请求后一直等待 HTTP 响应，不仅体验极差，还容易导致网关超时（Timeout）或服务器线程阻塞。在这一讲中，我们将引入工业界标准的解决方案：异步任