一、什么是智能体？

智能体是一种能够感知其所处环境、做出决策并采取行动以实现特定目标的自主实体。智能体的复杂程度各不相同，从简单的对刺激做出反应的反应式智能体，到能够随着时间推移进行学习和适应的更高级的智能体。常见的智能体类型包括：

• 反应式智能体：直接对环境变化做出反应，没有内部记忆。
• 基于模型的智能体：利用对世界的内部模型来做出决策。
• 基于目标的智能体：根据要实现的特定目标来规划行动。
• 基于效用的智能体：基于效用函数评估潜在行动，以实现结果的最大化。

聊天机器人、推荐系统和自动驾驶汽车都是智能体的实际应用例子，它们各自利用不同类型的智能体来高效且智能地执行任务。

我们构建的智能体核心组件包括：

• 模型：智能体的 “大脑”，负责处理输入并生成响应。
• 工具：根据用户请求，智能体可以执行的预定义函数。
• 工具箱：智能体可使用的工具集合。
• 系统提示：指导智能体如何处理用户输入并选择正确工具的指令集。

二、实现过程

现在，让我们挽起袖子，开始动手构建吧！

2.1 准备工作

本教程的完整代码可在AI智能体的GitHub仓库中获取。你可以在 “Build an Agent from Scratch” 这里找到具体实现。在运行代码之前，请确保你的系统满足以下先决条件：

1. Python环境设置

运行AI智能体需要安装Python。按照以下步骤来设置你的环境：

• 安装Python（如果尚未安装）：从python.org下载并安装Python（推荐3.8及以上版本）。
• 验证安装：在命令行中输入python --version，查看是否正确安装。
• 创建虚拟环境（推荐）：使用虚拟环境来管理依赖项是个不错的选择。在命令行中输入python -m venv ai_agents_env创建虚拟环境，然后通过source ai_agents_env/bin/activate激活它。
• 安装所需依赖项：导航到代码仓库目录，然后在命令行中输入pip install -r requirements.txt来安装所需的依赖库。

2. 本地设置Ollama

Ollama用于高效地运行和管理本地语言模型。按照以下步骤安装和配置它：

• 下载并安装Ollama：访问Ollama的官方网站，下载适合你操作系统的安装程序，并按照平台对应的说明进行安装。
• 验证Ollama安装：在命令行中运行ollama --version，检查Ollama是否正确安装。
• 拉取模型（如有需要）：有些智能体实现可能需要特定的模型。你可以使用ollama pull mistral命令拉取模型。

2.2 实现步骤

步骤1：设置环境

除了Python，我们还需要安装一些必要的库。在本教程中，我们将使用requests、json和termcolor库。另外，我们会使用dotenv来管理环境变量。在命令行中输入pip install requests termcolor python-dotenv进行安装。

步骤2：定义模型类

我们首先需要一个能够处理用户输入的模型。我们将创建一个OllamaModel类，它通过与本地API进行交互来生成响应。以下是基本实现代码：

from termcolor import coloredimport osfrom dotenv import load_dotenvload_dotenv()import requestsimport jsonimport operatorclass OllamaModel:    def __init__(self, model, system_prompt, temperature=0, stop=None):        """        用给定的参数初始化OllamaModel。        参数:        model (str): 要使用的模型名称。        system_prompt (str): 要使用的系统提示。        temperature (float): 模型的温度设置。        stop (str): 模型的停止标记。        """        self.model_endpoint = "http://localhost:11434/api/generate"        self.temperature = temperature        self.model = model        self.system_prompt = system_prompt        self.headers = {"Content-Type": "application/json"}        self.stop = stop    def generate_text(self, prompt):        """        根据提供的提示从Ollama模型生成响应。        参数:        prompt (str): 用于生成响应的用户查询。        返回:        dict: 模型的响应，以字典形式返回。        """        payload = {            "model": self.model,            "format": "json",            "prompt": prompt,            "system": self.system_prompt,            "stream": False,            "temperature": self.temperature,            "stop": self.stop        }        try:            request_response = requests.post(                self.model_endpoint,                headers=self.headers,                data=json.dumps(payload)            )            print("REQUEST RESPONSE", request_response)            request_response_json = request_response.json()            response = request_response_json['response']            response_dict = json.loads(response)            print(f"\n\nResponse from Ollama model: {response_dict}")            return response_dict        except requests.RequestException as e:            response = {"error": f"Error in invoking model! {str(e)}"}            return response

这个类使用模型名称、系统提示、温度和停止标记进行初始化。generate_text方法向模型API发送请求并返回响应。

步骤3：为智能体创建工具

接下来是为我们的智能体创建可用的工具。这些工具是执行特定任务的简单Python函数。以下是一个基本计算器和字符串反转器的示例：

def basic_calculator(input_str):    """    根据输入字符串或字典对两个数字执行数值运算。    参数:    input_str (str或dict): 要么是表示包含'num1'、'num2'和'operation'键的字典的JSON字符串，    要么是直接的字典。例如: '{"num1": 5, "num2": 3, "operation": "add"}'    或{"num1": 67869, "num2": 9030393, "operation": "divide"}    返回:    str: 运算的格式化结果。    抛出:    Exception: 如果在运算过程中发生错误（例如，除以零）。    ValueError: 如果请求了不支持的运算或输入无效。    """    try:        if isinstance(input_str, dict):            input_dict = input_str        else:            input_str_clean = input_str.replace("'", "\"")            input_str_clean = input_str_clean.strip().strip("\"")            input_dict = json.loads(input_str_clean)        if not all(key in input_dict for key in ['num1', 'num2', 'operation']):            return "Error: Input must contain 'num1', 'num2', and 'operation'"        num1 = float(input_dict['num1'])        num2 = float(input_dict['num2'])        operation = input_dict['operation'].lower()    except (json.JSONDecodeError, KeyError) as e:        return "Invalid input format. Please provide valid numbers and operation."    except ValueError as e:        return "Error: Please provide valid numerical values."    operations = {        'add': operator.add,        'plus': operator.add,      'subtract': operator.sub,      'minus': operator.sub,      'multiply': operator.mul,        'times': operator.mul,        'divide': operator.truediv,        'floor_divide': operator.floordiv,      'modulus': operator.mod,        'power': operator.pow,        'lt': operator.lt,        'le': operator.le,        'eq': operator.eq,        'ne': operator.ne,        'ge': operator.ge,        'gt': operator.gt    }    if operation not in operations:        return f"Unsupported operation: '{operation}'. Supported operations are: {', '.join(operations.keys())}"    try:        if (operation in ['divide', 'floor_divide','modulus']) and num2 == 0:            return "Error: Division by zero is not allowed"        result = operations[operation](num1, num2)        if isinstance(result, bool):            result_str = "True" if result else "False"        elif isinstance(result, float):            result_str = f"{result:.6f}".rstrip('0').rstrip('.')        else:            result_str = str(result)        return f"The answer is: {result_str}"    except Exception as e:        return f"Error during calculation: {str(e)}"def reverse_string(input_string):    """    反转给定的字符串。    参数:    input_string (str): 要反转的字符串。    返回:    str: 反转后的字符串。    """    if not isinstance(input_string, str):        return "Error: Input must be a string"    reversed_string = input_string[::-1]    result = f"The reversed string is: {reversed_string}"    return result

这些函数根据提供的输入执行特定任务。basic_calculator处理算术运算，而reverse_string则反转给定的字符串。

步骤4：构建工具箱

ToolBox类用于存储智能体可以使用的所有工具，并为每个工具提供描述：

class ToolBox:    def __init__(self):        self.tools_dict = {}    def store(self, functions_list):        """        存储列表中每个函数的名称和文档字符串。        参数:        functions_list (list): 要存储的函数对象列表。        返回:        dict: 以函数名称为键，其文档字符串为值的字典。        """        for func in functions_list:            self.tools_dict[func.__name__] = func.__doc__        return self.tools_dict    def tools(self):        """        将store方法中创建的字典转换为文本字符串返回。        返回:        str: 存储的函数及其文档字符串的字典，以文本字符串形式返回。        """        tools_str = ""        for name, doc in self.tools_dict.items():            tools_str += f"{name}: \"{doc}\"\n"        return tools_str.strip()

这个类将帮助智能体了解哪些工具可用以及每个工具的用途。

步骤5：创建智能体类

智能体需要进行思考、决定使用哪个工具并执行它。以下是Agent类的代码：

agent_system_prompt_template = """你是一个智能AI助手，可以使用特定的工具。你的回复必须始终采用以下JSON格式：{    "tool_choice": "name_of_the_tool",    "tool_input": "inputs_to_the_tool"}工具及使用场景：1. basic_calculator：用于任何数学计算    - 输入格式: {{"num1": number, "num2": number, "operation": "add/subtract/multiply/divide"}}    - 支持的运算: add/plus, subtract/minus, multiply/times, divide    - 示例输入和输出:        - 输入: "Calculate 15 plus 7"        - 输出: {{"tool_choice": "basic_calculator", "tool_input": {{"num1": 15, "num2": 7, "operation": "add"}}}}        - 输入: "What is 100 divided by 5?"        - 输出: {{"tool_choice": "basic_calculator", "tool_input": {{"num1": 100, "num2": 5, "operation": "divide"}}}}2. reverse_string：用于任何涉及反转文本的请求    - 输入格式: 仅需反转的文本字符串    - 当用户提到“reverse”、“backwards”或要求反转文本时，始终使用此工具    - 示例输入和输出:        - 输入: "Reverse of 'Howwwww'?"        - 输出: {{"tool_choice": "reverse_string", "tool_input": "Howwwww"}}        - 输入: "What is the reverse of Python?"        - 输出: {{"tool_choice": "reverse_string", "tool_input": "Python"}}3. no tool：用于一般对话和问题    - 示例输入和输出:        - 输入: "Who are you?"        - 输出: {{"tool_choice": "no tool", "tool_input": "I am an AI assistant that can help you with calculations, reverse text, and answer questions. I can perform mathematical operations and reverse strings. How can I help you today?"}}        - 输入: "How are you?"        - 输出: {{"tool_choice": "no tool", "tool_input": "I'm functioning well, thank you for asking! I'm here to help you with calculations, text reversal, or answer any questions you might have."}}严格规则：1. 对于关于身份、能力或感受的问题：    - 始终使用“no tool”    - 提供完整、友好的回复    - 提及你的能力2. 对于任何文本反转请求：    - 始终使用“reverse_string”    - 仅提取要反转的文本    - 去除引号、“reverse of”和其他多余文本3. 对于任何数学运算：    - 始终使用“basic_calculator”    - 提取数字和运算    - 将文本形式的数字转换为数字以下是你的工具列表及其描述：{tool_descriptions}记住：你的回复必须始终是包含“tool_choice”和“tool_input”字段的有效JSON。"""class Agent:    def __init__(self, tools, model_service, model_name, stop=None):        """        用工具列表和模型初始化智能体。        参数:        tools (list): 工具函数列表。        model_service (class): 具有generate_text方法的模型服务类。        model_name (str): 要使用的模型名称。        """        self.tools = tools        self.model_service = model_service        self.model_name = model_name        self.stop = stop    def prepare_tools(self):        """        将工具存储在工具箱中并返回其描述。        返回:        str: 存储在工具箱中的工具的描述。        """        toolbox = ToolBox()        toolbox.store(self.tools)        tool_descriptions = toolbox.tools()        return tool_descriptions    def think(self, prompt):        """        使用系统提示模板和工具描述在模型上运行generate_text方法。        参数:        prompt (str): 用于生成响应的用户查询。        返回:        dict: 模型的响应，以字典形式返回。        """        tool_descriptions = self.prepare_tools()        agent_system_prompt = agent_system_prompt_template.format(tool_descriptions=tool_descriptions)        if self.model_service == OllamaModel:            model_instance = self.model_service(                model=self.model_name,                system_prompt=agent_system_prompt,                temperature=0,                stop=self.stop            )        else:            model_instance = self.model_service(                model=self.model_name,                system_prompt=agent_system_prompt,                temperature=0            )        agent_response_dict = model_instance.generate_text(prompt)        return agent_response_dict    def work(self, prompt):        """        解析think方法返回的字典并执行相应的工具。        参数:        prompt (str): 用于生成响应的用户查询。        返回:        执行相应工具的响应，如果未找到匹配的工具，则返回tool_input。        """        agent_response_dict = self.think(prompt)        tool_choice = agent_response_dict.get("tool_choice")        tool_input = agent_response_dict.get("tool_input")        for tool in self.tools:            if tool.__name__ == tool_choice:                response = tool(tool_input)                print(colored(response, 'cyan'))                return        print(colored(tool_input, 'cyan'))        return

这个类有三个主要方法：

• prepare_tools：存储并返回工具的描述。
• think：根据用户提示决定使用哪个工具。
• work：执行选择的工具并返回结果。

步骤6：运行智能体

最后，让我们把所有内容整合起来，运行我们的智能体。在脚本的主程序部分，初始化智能体并开始接受用户输入：

if __name__ == "__main__":    """    使用此智能体的说明：    你可以尝试的示例查询：    1. 计算器运算:        - "Calculate 15 plus 7"        - "What is 100 divided by 5?"        - "Multiply 23 and 4"    2. 字符串反转:        - "Reverse the word 'hello world'"        - "Can you reverse 'Python Programming'?"    3. 一般问题（将得到直接回复）:        - "Who are you?"        - "What can you help me with?"    Ollama命令（在终端中运行这些命令）:        - 查看可用模型:    'ollama list'        - 查看正在运行的模型:      'ps aux | grep ollama'        - 列出模型标签:          'curl http://localhost:11434/api/tags'        - 拉取新模型:         'ollama pull mistral'        - 运行模型服务器:         'ollama serve'    """    tools = [basic_calculator, reverse_string]    model_service = OllamaModel    model_name = "llama2"    stop = "<|eot_id|>"    agent = Agent(tools=tools, model_service=model_service, model_name=model_name, stop=stop)    print("\nWelcome to the AI Agent! Type 'exit' to quit.")    print("You can ask me to:")    print("1. Perform calculations (e.g., 'Calculate 15 plus 7')")    print("2. Reverse strings (e.g., 'Reverse hello world')")    print("3. Answer general questions\n")    while True:        prompt = input("Ask me anything: ")        if prompt.lower() == "exit":            break        agent.work(prompt)

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】