Agent技术与应用：十几行代码，从会聊天到会做事

大模型会聊天，但不会自己查资料、改数据、发邮件。Agent 补的正是这块：它让模型不只回答问题，还能规划、调用工具、观察结果、继续行动。技术听起来复杂，最小实现其实十几行就能跑。

一、Agent 和普通应用的本质差别

普通程序：人写死流程，机器执行。 Agent：人给目标和工具，模型自己决定下一步做什么。

差别就在“决策权”转移了。传统软件里，if-else 是人写好的；Agent 里，走哪条路由模型动态判断。这也意味着：能力更大，风险更大。

二、Agent 的四个核心部件

少任何一个，都不是完整 Agent。只有大脑是聊天机器人，只有工具是自动化脚本。

三、最小 Agent 循环：十几行跑通

下面这段 Python 展示了 Agent 最核心的 ReAct 循环，代码不长，但骨架完整。

import os, json
from openai import OpenAI

c = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))
tools = {"搜索": lambda q: f"关于{q}的资料", "计算": lambda e: str(eval(e))}

def run(task):
    m = [{"role": "system", "content": f"工具：{list(tools)}。需要时输出JSON{{tool,args}}，否则{{reply}}。"},
         {"role": "user", "content": task}]
    for _ in range(5):
        o = c.chat.completions.create(model="gpt-4o-mini", messages=m).choices[0].message.content
        try:
            d = json.loads(o)
        except:
            return o
        if "reply" in d:
            return d["reply"]
        r = tools[d["tool"]](**d["args"])
        m += [{"role": "assistant", "content": o}, {"role": "user", "content": f"观察：{r}"}]
    return "达到最大步数"

print(run("搜索AI Agent趋势，计算3的平方"))

核心逻辑：模型输出 JSON 决定调哪个工具，程序执行，把观察结果喂回去，直到模型给出最终回答。

四、从最小循环到生产级 Agent

上面那段代码能跑，但离上线还差五件事：

第一，工具鉴权。 每个工具调用必须校验用户身份和权限。模型说“可以退款”，服务端不能直接退。

第二，幂等与确认。 发邮件、改数据、付款，都要幂等键和二次确认。危险操作必须有人工兜底。

第三，失败处理。 工具超时、返回空、解析失败，都要有重试和降级。最后一步永远是“转人工”。

第四，状态与记忆。 短期存对话，长期存知识，任务状态用 JSON 记录“待办、完成、失败”。

第五，可观测。 日志、追踪、指标、评测集，盯住任务成功率、平均步数、单次成本、越权次数。

五、Agent 的典型应用场景

共同点：模型负责决策和表达，工具负责执行和取数。

六、提示词：Agent 的规则书

Agent 翻车，多半不是代码错，而是提示词没写清。好提示词要包含：

• 角色：你是谁，服务谁；
• 工具：有哪些，参数怎么填；
• 规则：什么必须先做，什么禁止做；
• 格式：只输出 JSON，字段固定；
• 停止条件：什么时候直接回复，什么时候继续行动。

例如：“你是客服 Agent。退款前必须先查订单，金额超500元转人工。只输出 JSON。” 但提示词只是第一层，服务端必须再校验。

七、常见坑

第一，没有最大步数，Agent 无限循环烧钱。 第二，工具描述模糊，模型选错工具。 第三，危险操作无确认，一喊就执行。 第四，JSON 解析无兜底，格式一错程序就崩。 第五，不做评测，改一版提示词不知道变好还是变坏。 第六，把所有逻辑塞进一个提示词，越长越乱。

八、结语

Agent 技术与应用，代码可以只有十几行，但边界要写几十条。它真正的价值，不是替代人，而是把“理解→决策→执行→反馈”串成闭环。

记住：模型负责想，工具负责做，循环负责推进，你负责定边界。 先跑通最小循环，再逐步加鉴权、幂等、记忆和评测。这样，Agent 才不只是演示，而是真正能上线的智能应用。