智能体开发：给大模型装上手脚，代码只要十几行

聊天机器人只会说话，智能体会做事。它能自己判断“现在该查天气”，调用工具拿到结果，再决定“要不要提醒带伞”。智能体开发听起来高深，核心其实就一句话：大模型 + 工具 + 循环。

一、智能体的最小公式

一个能跑的智能体，通常包含四样东西：

• 大脑：大模型，负责理解、推理、决策；
• 工具：函数或API，负责查天气、搜网页、算数据、发邮件；
• 循环：思考 → 行动 → 观察 → 再思考；
• 记忆：短期对话、长期知识库、任务状态。

少了循环，它只是会调函数的模型；少了工具，它只是会聊天的模型。两者合在一起，才像“智能体”。

二、一个最小智能体循环

下面这段 Python 只有十几行，演示了智能体最核心的 ReAct 循环：模型先输出动作，程序执行工具，再把观察结果喂回模型。

import os, re
from openai import OpenAI

client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))
tools = {"天气": lambda city: f"{city}：晴，25℃"}

def run(q):
    prompt = f"可用工具：天气。格式：Action: 天气 / Action Input: 北京\n问题：{q}"
    for _ in range(3):
        msg = client.chat.completions.create(
            model="gpt-4o-mini",
            messages=[{"role": "user", "content": prompt}]
        ).choices[0].message.content
        if "Action:" not in msg:
            return msg
        name = re.search(r"Action:\s*(.+)", msg).group(1).strip()
        arg = re.search(r"Action Input:\s*(.+)", msg).group(1).strip()
        prompt += f"\n{msg}\nObservation: {tools[name](arg)}"
    return "达到最大步数"

print(run("北京天气怎么样？"))

运行前把 API Key 放进环境变量。它会先让模型决定是否调用“天气”工具，执行后再把结果交回模型，直到模型给出最终回答。真实项目里，你可以换成 function calling、LangGraph 或 AutoGen，但底层逻辑不变。

三、提示词比框架更重要

智能体最容易翻车的地方，不是代码，而是提示词。一个好提示词要写清四件事：

1. 角色：你是谁，目标是什么；
2. 工具：有哪些工具，参数怎么填；
3. 格式：必须按什么结构输出；
4. 停止条件：什么时候直接回答，什么时候继续行动。

例如：“你是任务助手。可用工具：天气(city)。需要天气时，只输出 Action 和 Action Input；否则直接回答。最多行动3次。” 这比堆一堆框架参数更有效。

四、记忆和状态

没有记忆的智能体，每轮都像失忆。短期记忆可以保存对话历史；长期记忆可以用向量数据库存知识；任务状态可以用 JSON 记录“已完成、待办、失败原因”。但别一上来就上复杂架构，先用列表和字典把单任务跑通。

五、多智能体：先别急

多智能体很火，但两个智能体互相聊天，很容易变成“开会不干活”。更稳的做法是：先做一个能调用工具的单智能体，再按职责拆分。比如“研究员”负责搜资料，“写手”负责成稿，“审查员”负责查事实。每个智能体只做一件事，通过明确格式交接。

六、评测与安全

智能体开发不是“跑通一次”就结束。你要持续看四个指标：任务成功率、平均步数、单次成本、危险操作次数。涉及发邮件、删文件、付款等工具，必须加权限确认和日志。否则，智能体越能干，闯祸越快。

七、结语

智能体开发，代码可以很少，但责任很大。大模型负责想，工具负责做，循环负责推进，你负责定义边界。先写一个十几行的最小循环，再慢慢加工具、记忆和评测。

记住：智能体不是更长的提示词，而是让模型在“思考”和“行动”之间来回走。代码只是脚手架，真正决定它价值的，是你给它的目标和约束。