Agent 智能体入门：从“会聊天”到“会干活”，用少量代码跑通一个最小智能体

原创

用户12777917注液學讠果

发布于 2026-10-30 18:28:40

130

一、Agent 和普通对话的本质区别

普通对话是一问一答：用户输入，模型输出，结束。Agent 则是一个循环：

模型根据目标和当前状态，决定下一步做什么；
如果决定调用工具，就输出结构化的工具调用请求；
程序执行工具，把结果返回给模型；
模型观察结果，继续决策，直到任务完成或达到停止条件。

这个循环里，模型扮演“大脑”，工具是“手脚”，程序是“神经”。关键点在于：模型不再直接给出最终答案，而是给出下一步动作。 这也是 Agent 容易出错的地方——动作选错、参数编错、陷入死循环，都需要工程手段兜底。

二、Agent 的四个基本组件

一个可用的 Agent 通常包含四部分：

目标与系统提示：定义角色、可用工具、停止条件；
工具集：每个工具都有名称、描述和参数结构，描述写得好不好直接影响模型选对工具的概率；
执行循环：负责调用模型、解析工具请求、执行工具、回填结果；
状态与记忆：保存历史对话、中间结果和已执行动作，避免重复劳动。

工具描述是常被低估的一环。模型选错工具，往往不是因为它“笨”，而是因为工具描述含糊。例如“搜索”这个工具，如果描述只写“搜索信息”，模型可能拿它去搜本地文件；写成“在互联网上搜索实时公开信息，不用于查询本地数据”，歧义就少很多。

三、少量代码：一个最小 Agent 循环

下面是一个精简示例，演示 Agent 的核心循环。代码省略了错误处理和重试，只保留骨架。

import json, os
from openai import OpenAI

client = OpenAI(api_key=os.getenv("API_KEY"), base_url=os.getenv("BASE_URL"))

TOOLS = [{
    "type": "function",
    "function": {
        "name": "get_weather",
        "description": "查询指定城市的实时天气，仅用于天气问题",
        "parameters": {
            "type": "object",
            "properties": {"city": {"type": "string"}},
            "required": ["city"],
        },
    },
}]

def get_weather(city: str) -> str:
    return f"{city}：晴，26℃"  # 示例实现，实际应调用天气 API

def run_agent(question: str, max_steps: int = 5) -> str:
    messages = [{"role": "user", "content": question}]
    for _ in range(max_steps):
        resp = client.chat.completions.create(
            model="your-model-name", messages=messages, tools=TOOLS
        )
        msg = resp.choices[0].message
        if not msg.tool_calls:
            return msg.content
        messages.append(msg)
        for call in msg.tool_calls:
            args = json.loads(call.function.arguments)
            result = get_weather(**args)
            messages.append({
                "role": "tool",
                "tool_call_id": call.id,
                "content": result,
            })
    return "达到最大步数，任务未完成"

print(run_agent("北京今天天气怎么样？"))

这段代码体现了 Agent 的几个要点：工具用结构化 schema 声明、模型返回工具调用而不是直接回答、程序执行后把结果以 tool 消息回填、用 max_steps 防止死循环。最后这一点尤其重要，没有步数上限的 Agent 在生产环境里是危险的。

四、常见模式与工程要点

实践中，Agent 有几种典型模式。ReAct 模式让模型交替进行推理和行动，适合需要多步探索的任务；规划—执行模式先让模型拆解任务清单，再逐项执行，适合步骤明确的长任务；多智能体模式让多个角色分工协作，适合复杂流程，但成本和调试难度显著上升。对大多数场景，单 Agent 加几个好工具已经够用，不必一上来就追求多智能体。

工程上要注意几点。第一，工具要幂等、可超时、可回滚，因为模型可能重复调用同一工具。第二，权限要最小化，删除文件、发送邮件、转账这类动作必须加人工确认。第三，要有可观测性，记录每一步的模型输入输出和工具结果，否则出了问题无从排查。第四，评估要自动化，准备一批任务和期望结果，定期回归测试，避免改一个提示词就悄悄退化。

五、结语

Agent 的本质不是更聪明的模型，而是一个带工具、带循环、带边界的执行框架。模型负责决策，工具负责行动，程序负责约束和兜底。本文的最小循环只有几十行，却已经包含了 Agent 的全部关键要素：工具 schema、循环、结果回填和步数上限。先把这条链路跑通，再逐步加入重试、日志、权限和评估，才是稳妥的落地路径。从“会聊天”到“会干活”，中间隔的不是更大的模型，而是一个设计良好的循环。

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

agent