收藏！什么是智能体？程序员大模型入门指南，手把手教你构建AI助手

作者：CSDN博客
1、 什么是智能体？

在人工智能技术体系中，智能体（Agents） 是具备环境感知、自主决策与目标驱动能力的核心实体。它能够实时捕捉外部环境信息，结合自身逻辑判断选择行动策略，最终通过执行操作达成预设目标。根据功能复杂度的差异，智能体可分为多个层级，从基础的“刺激-响应”模式到融合机器学习的自适应模式，覆盖了不同场景的应用需求。
1.1 常见智能体类型及特点

不同类型的智能体对应不同的功能定位，其核心差异体现在决策依据与环境交互方式上：

响应式智能体：无内部状态存储，仅依据实时环境刺激直接反馈。例如自动门感应系统，检测到人体信号后立即开门，无需记忆历史数据。基于模型的智能体：内置环境抽象模型，通过模拟环境变化预测结果后决策。比如天气预报系统，基于大气运动模型预测未来天气趋势。基于目标的智能体：以明确目标为导向，规划行动路径逐步趋近目标。典型案例是导航软件，输入目的地后自动规划最优行驶路线。基于效用的智能体：引入效用函数评估行动收益，选择最优结果。如电商平台的推荐系统，通过用户偏好模型计算商品匹配度，优先推荐高转化商品。

日常生活中，智能体的应用无处不在：客服聊天机器人通过响应式与目标式结合处理用户咨询，自动驾驶汽车依赖多模态感知与模型决策保障行驶安全，这些案例均体现了智能体的核心价值——通过自主协作提升任务执行效率。
1.2 智能体核心组成模块

一个完整的智能体系统需由四大核心组件协同工作，各模块功能分工明确：

模型模块：智能体的“大脑”，负责处理输入信息、生成决策逻辑。例如大语言模型（LLM）可解析用户文本需求，输出结构化指令。工具模块：执行具体任务的功能单元，是智能体与外部环境交互的接口。如数据查询工具、文件处理工具等，需满足“即调即用”的特性。工具箱模块：工具的集中管理中心，包含工具注册、检索与权限控制功能。支持智能体根据任务需求快速匹配可用工具，避免功能冗余。系统提示模块：定义智能体的行为准则与交互规范，包括任务边界、输出格式要求等。例如限定智能体仅在指定领域内回答问题，确保响应的准确性与安全性。

2、 智能体实战：从环境搭建到功能实现

掌握智能体的理论知识后，我们通过实际代码开发一个具备计算与文本处理功能的智能体。本次实践以本地部署为核心，选用Ollama作为模型管理工具，确保开发过程轻量高效。

2.1 前提条件

在运行代码之前，确保你的系统满足以下前提条件：
1. Python环境设置

你需要安装Python来运行AI智能体。按照以下步骤设置环境：
安装Python（如果尚未安装）

从python.org下载并安装Python（推荐3.8+版本）
验证安装：

1. python --version

复制代码

创建虚拟环境（推荐）

最好使用虚拟环境来管理依赖项：

1. python -m venv ai_agents_env
2. source ai_agents_env/bin/activate  # Windows上使用：ai_agents_env\Scripts\activate

复制代码

安装所需依赖

导航到仓库目录并安装依赖：

1.   pip install -r requirements.txt

复制代码

2. 在本地设置Ollama

Ollama用于高效运行和管理本地语言模型。按照以下步骤安装和配置：
下载并安装Ollama

访问Ollama官方网站并下载适合你操作系统的安装程序按照平台相应指导进行安装

验证Ollama安装

运行以下命令检查Ollama是否正确安装：

1.   ollama --version

复制代码

拉取模型（如需要）

某些智能体实现可能需要特定模型。你可以使用以下命令拉取模型：

1. ollama pull mistral  # 将'mistral'替换为所需模型

复制代码

我查了下有些模型是在ollama部署下不支持工具调用的。

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基本库。对于本教程，我们将使用requests、json和termcolor。此外，我们将使用dotenv来管理环境变量。

1. pip install requests termcolor python-dotenv

复制代码

步骤2：定义模型类

首先，我们需要一个处理用户输入的模型。我们将创建一个OllamaModel类，它与本地API交互以生成响应。
基本实现如下：

1. from termcolor import colored
2. import os
3. from dotenv import load_dotenv
4. load_dotenv()### Modelsimport requests
5. import json
6. import operator
7. classOllamaModel:
8. def__init__(self, model, system_prompt, temperature=0, stop=None):
9. """
10.         使用给定参数初始化OllamaModel。
12.         参数:
13.         model (str): 要使用的模型名称。
14.         system_prompt (str): 要使用的系统提示。
15.         temperature (float): 模型的温度设置。
16.         stop (str): 模型的停止令牌。
17.         """
18.         self.model_endpoint ="http://localhost:11434/api/generate"
19.         self.temperature = temperature
20.         self.model = model
21.         self.system_prompt = system_prompt
22.         self.headers ={"Content-Type":"application/json"}
23.         self.stop = stop
25. defgenerate_text(self, prompt):
26. """
27.         根据提供的提示从Ollama模型生成响应。
29.         参数:
30.         prompt (str): 要生成响应的用户查询。
32.         返回:
33.         dict: 模型响应的字典形式。
34.         """
35.         payload ={"model": self.model,
36. "format":"json",
37. "prompt": prompt,
38. "system": self.system_prompt,
39. "stream": False,
40. "temperature": self.temperature,
41. "stop": self.stop
42.         }
44. try:
45.             request_response = requests.post(
46.                 self.model_endpoint,
47.                 headers=self.headers,
48.                 data=json.dumps(payload))
50.             print("请求响应", request_response)
51.             request_response_json = request_response.json()
52.             response = request_response_json['response']
53.             response_dict = json.loads(response)
55.             print(f"\n\nOllama模型的响应: {response_dict}")return response_dict
56. except requests.RequestException as e:
57.             response ={"error": f"调用模型时出错！{str(e)}"}return response

复制代码

这个类以模型名称、系统提示、温度和停止令牌进行初始化。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

下一步是创建我们的智能体可以使用的工具。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例子：

1. defbasic_calculator(input_str):
2. """
3.     根据输入字符串或字典对两个数字执行数学运算。
5.     参数:
6.     input_str (str或dict): 可以是表示包含'num1'、'num2'和'operation'键的字典的JSON字符串，
7.                          或直接是字典。例如：'{"num1": 5, "num2": 3, "operation": "add"}'
8.                          或 {"num1":67869, "num2":9030393, "operation":"divide"}
10.     返回:
11.     str: 操作结果的格式化字符串。
13.     异常:
14.     Exception: 如果在操作过程中发生错误（例如，除以零）。
15.     ValueError: 如果请求了不支持的操作或输入无效。
16.     """
17. try:
18. # 处理字典和字符串输入if isinstance(input_str, dict):
19.             input_dict = input_str
20. else:
21. # 清理并解析输入字符串
22.             input_str_clean = input_str.replace("'", """)
23.             input_str_clean = input_str_clean.strip().strip(""")
24.             input_dict = json.loads(input_str_clean)# 验证必需字段
25. ifnot all(key in input_dict forkeyin['num1', 'num2', 'operation']):
26. return"错误：输入必须包含'num1'、'num2'和'operation'"
28.         num1 = float(input_dict['num1'])# 转换为浮点数以处理小数
29.         num2 = float(input_dict['num2'])
30.         operation = input_dict['operation'].lower()# 不区分大小写
31. except (json.JSONDecodeError, KeyError) as e:
32. return"输入格式无效。请提供有效的数字和操作。"
33. except ValueError as e:
34. return"错误：请提供有效的数值。"# 定义支持的操作及错误处理
35.     operations ={'add': operator.add,
36. 'plus': operator.add,  # add的替代词'subtract': operator.sub,
37. 'minus': operator.sub,  # subtract的替代词'multiply': operator.mul,
38. 'times': operator.mul,  # multiply的替代词'divide': operator.truediv,
39. 'floor_divide': operator.floordiv,
40. 'modulus': operator.mod,
41. 'power': operator.pow,
42. 'lt': operator.lt,
43. 'le': operator.le,
44. 'eq': operator.eq,
45. 'ne': operator.ne,
46. 'ge': operator.ge,
47. 'gt': operator.gt
48.     }# 检查操作是否支持if operation notin operations:
49. returnf"不支持的操作：'{operation}'。支持的操作有：{', '.join(operations.keys())}"
51. try:
52. # 处理除以零的特殊情况if(operation in['divide', 'floor_divide', 'modulus']) and num2 ==0:
53. return"错误：不允许除以零"# 执行操作
54.         result = operations[operation](num1, num2)# 根据类型格式化结果if isinstance(result, bool):
55.             result_str ="真"if result else"假"elif isinstance(result, float):
56. # 处理浮点精度
57.             result_str = f"{result:.6f}".rstrip('0').rstrip('.')
58. else:
59.             result_str = str(result)
61. returnf"答案是：{result_str}"
62. except Exception as e:
63. returnf"计算过程中出错：{str(e)}"
65. defreverse_string(input_string):
66. """
67.     反转给定字符串。
69.     参数:
70.     input_string (str): 要反转的字符串。
72.     返回:
73.     str: 反转后的字符串。
74.     """
75. # 检查输入是否为字符串
76. ifnot isinstance(input_string, str):
77. return"错误：输入必须是字符串"# 使用切片反转字符串
78.     reversed_string = input_string[::-1]# 格式化输出
79.     result = f"反转后的字符串是：{reversed_string}"return result

复制代码

这些函数设计用于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类存储智能体可以使用的所有工具，并为每个工具提供描述：

1. classToolBox:
2. def__init__(self):
3.         self.tools_dict ={}
5. defstore(self, functions_list):
6. """
7.         存储列表中每个函数的字面名称和文档字符串。
9.         参数:
10.         functions_list (list): 要存储的函数对象列表。
12.         返回:
13.         dict: 以函数名为键，其文档字符串为值的字典。
14.         """
15. forfuncin functions_list:
16.             self.tools_dict[func.__name__]= func.__doc__
17. return self.tools_dict
19. deftools(self):
20. """
21.         以文本字符串形式返回store中创建的字典。
23.         返回:
24.         str: 存储的函数及其文档字符串的字典，以文本字符串形式。
25.         """
26.         tools_str =""for name, doc in self.tools_dict.items():
27.             tools_str += f"{name}: "{doc}"\n"return tools_str.strip()

复制代码

这个类将帮助智能体了解哪些工具可用以及每个工具的功能。
步骤5：创建智能体类

智能体需要思考、决定使用哪个工具并执行它。以下是智能体类：

1. agent_system_prompt_template ="""
2. 你是一个拥有特定工具访问权限的智能AI助手。你的回答必须始终使用这种JSON格式：
3. {{"tool_choice":"工具名称",
4.     "tool_input":"给工具的输入"}}
6. 工具及其使用时机：
8. 1. basic_calculator：用于任何数学计算
9.    - 输入格式：{{"num1": 数字, "num2": 数字, "operation":"add/subtract/multiply/divide"}}
10.    - 支持的操作：add/plus, subtract/minus, multiply/times, divide
11.    - 输入和输出示例：
12.      输入："计算15加7"
13.      输出：{{"tool_choice":"basic_calculator", "tool_input":{{"num1":15, "num2":7, "operation":"add"}}}}
15.      输入："100除以5等于多少？"
16.      输出：{{"tool_choice":"basic_calculator", "tool_input":{{"num1":100, "num2":5, "operation":"divide"}}}}2. reverse_string：用于任何涉及文本反转的请求
17.    - 输入格式：仅作为字符串的要反转的文本
18.    - 当用户提到"反转"、"倒序"或要求反转文本时，始终使用此工具
19.    - 输入和输出示例：
20.      输入："'你好世界'的反转是什么？"
21.      输出：{{"tool_choice":"reverse_string", "tool_input":"你好世界"}}
23.      输入："Python反过来是什么？"
24.      输出：{{"tool_choice":"reverse_string", "tool_input":"Python"}}3. no tool：用于一般对话和问题
25.    - 输入和输出示例：
26.      输入："你是谁？"
27.      输出：{{"tool_choice":"no tool", "tool_input":"我是一个AI助手，可以帮你进行计算、反转文本以及回答问题。我可以执行数学运算和反转字符串。今天我能为你做些什么？"}}
29.      输入："你好吗？"
30.      输出：{{"tool_choice":"no tool", "tool_input":"我运行得很好，谢谢你的关心！我可以帮你进行计算、文本反转或回答任何问题。"}}
32. 严格规则：
33. 1. 关于身份、能力或感受的问题：
34.    - 始终使用"no tool"
35.    - 提供完整、友好的回应
36.    - 提及你的能力
38. 2. 对于任何文本反转请求：
39.    - 始终使用"reverse_string"
40.    - 仅提取要反转的文本
41.    - 删除引号、"反转"等额外文本
43. 3. 对于任何数学运算：
44.    - 始终使用"basic_calculator"
45.    - 提取数字和操作
46.    - 将文本数字转换为数字
48. 这是你的工具列表及其描述：
49. {tool_descriptions}
51. 记住：你的回应必须始终是带有"tool_choice"和"tool_input"字段的有效JSON。
52. """
53. classAgent:
54. def__init__(self, tools, model_service, model_name, stop=None):
55. """
56.         使用工具列表和模型初始化智能体。
58.         参数:
59.         tools (list): 工具函数列表。
60.         model_service (class): 带有generate_text方法的模型服务类。
61.         model_name (str): 要使用的模型名称。
62.         """
63.         self.tools = tools
64.         self.model_service = model_service
65.         self.model_name = model_name
66.         self.stop = stop
68. defprepare_tools(self):
69. """
70.         在工具箱中存储工具并返回其描述。
72.         返回:
73.         str: 工具箱中存储的工具描述。
74.         """
75.         toolbox = ToolBox()
76.         toolbox.store(self.tools)
77.         tool_descriptions = toolbox.tools()return tool_descriptions
79. defthink(self, prompt):
80. """
81.         使用系统提示模板和工具描述在模型上运行generate_text方法。
83.         参数:
84.         prompt (str): 要生成回答的用户查询。
86.         返回:
87.         dict: 模型响应的字典形式。
88.         """
89.         tool_descriptions = self.prepare_tools()
90.         agent_system_prompt = agent_system_prompt_template.format(tool_descriptions=tool_descriptions)# 创建带有系统提示的模型服务实例if self.model_service == OllamaModel:
91.             model_instance = self.model_service(model=self.model_name,
92.                 system_prompt=agent_system_prompt,
93.                 temperature=0,
94.                 stop=self.stop
95.             )
96. else:
97.             model_instance = self.model_service(model=self.model_name,
98.                 system_prompt=agent_system_prompt,
99.                 temperature=0)# 生成并返回响应字典
100.         agent_response_dict = model_instance.generate_text(prompt)return agent_response_dict
102. defwork(self, prompt):
103. """
104.         解析从think返回的字典并执行适当的工具。
106.         参数:
107.         prompt (str): 要生成回答的用户查询。
109.         返回:
110.         执行适当工具的响应，如果没有找到匹配的工具则返回tool_input。
111.         """
112.         agent_response_dict = self.think(prompt)
113.         tool_choice = agent_response_dict.get("tool_choice")
114.         tool_input = agent_response_dict.get("tool_input")fortoolin self.tools:
115. if tool.__name__ == tool_choice:
116.                 response = tool(tool_input)
117.                 print(colored(response, 'cyan'))return
119.         print(colored(tool_input, 'cyan'))return

复制代码

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：执行所选工具并返回结果。

步骤6：运行智能体

最后，让我们把所有内容放在一起并运行我们的智能体。在脚本的主要部分，初始化智能体并开始接受用户输入：

1. # 示例用法if __name__ =="__main__":"""
2.     使用此智能体的说明：
4.     你可以尝试的示例查询：
5.     1. 计算器操作：
6.        - "计算15加7"
7.        - "100除以5等于多少？"
8.        - "把23乘以4"2. 字符串反转：
9.        - "反转'你好世界'这个词"
10.        - "你能反转'Python编程'吗？"3. 一般问题（将得到直接回应）：
11.        - "你是谁？"
12.        - "你能帮我做什么？"
14.     Ollama命令（在终端中运行）：
15.     - 检查可用模型：    'ollama list'
16.     - 检查运行中的模型：'ps aux | grep ollama'
17.     - 列出模型标签：    'curl http://localhost:11434/api/tags'
18.     - 拉取新模型：      'ollama pull mistral'
19.     - 运行模型服务器：  'ollama serve'"""
21.     tools =[basic_calculator, reverse_string]# 取消下面的注释以使用OpenAI# model_service = OpenAIModel# model_name = 'gpt-3.5-turbo'# stop = None# 使用Ollama的llama2模型
22.     model_service = OllamaModel
23.     model_name ="llama2"# 可以更改为其他模型，如'mistral'、'codellama'等
24.     stop ="<|eot_id|>"
26.     agent = Agent(tools=tools, model_service=model_service, model_name=model_name, stop=stop)
28.     print("\n欢迎使用AI智能体！输入'exit'退出。")
29.     print("你可以让我：")
30.     print("1. 执行计算（例如，'计算15加7'）")
31.     print("2. 反转字符串（例如，'反转你好世界'）")
32.     print("3. 回答一般问题\n")
34. whileTrue:
35.         prompt = input("问我任何问题：")if prompt.lower()=="exit":break
37.         agent.work(prompt)

复制代码

实测效果如下：

3. 总结

在这篇博文中，我们探索了智能体的概念，并一步步实现了它。我们设置了环境，定义了模型，创建了基本工具，并构建了一个结构化的工具箱来支持我们智能体的功能。最后，我们通过运行智能体将所有内容整合在一起。
这种结构化方法为构建能够自动执行任务并做出明智决策的智能交互式智能体提供了坚实的基础。随着AI智能体不断发展，它们的应用将扩展到各个行业，推动效率和创新。敬请关注更多见解和改进，将你的AI智能体提升到新的水平！
那么，如何系统的去学习大模型LLM？

作为一名从业五年的资深大模型算法工程师，我经常会收到一些评论和私信，我是小白，学习大模型该从哪里入手呢？我自学没有方向怎么办？这个地方我不会啊。如果你也有类似的经历，一定要继续看下去！这些问题啊，也不是三言两语啊就能讲明白的。
所以我综合了大模型的所有知识点，给大家带来一套全网最全最细的大模型零基础教程。在做这套教程之前呢，我就曾放空大脑，以一个大模型小白的角度去重新解析它，采用基础知识和实战项目相结合的教学方式，历时3个月，终于完成了这样的课程，让你真正体会到什么是每一秒都在疯狂输出知识点。
由于篇幅有限，⚡️ 朋友们如果有需要全套 《2025全新制作的大模型全套资料》，扫码获取~

为什么要学习大模型？

我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。