30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度1. 从ChatGPT到AI智能体开发者工作流的范式转移最近在技术社区里一个有趣的现象引发了广泛讨论许多深度参与过ChatGPT相关项目甚至早期就使用其API进行开发的工程师正逐渐将工作重心从直接与ChatGPT对话转向构建和利用更复杂的“AI智能体”。这并非意味着ChatGPT等大语言模型不再重要恰恰相反它标志着AI应用开发进入了一个新的阶段——从“工具使用”升级为“系统构建”。对于开发者而言理解并掌握AI智能体的开发正成为提升个人效率和构建下一代AI驱动应用的核心竞争力。本文将深入探讨这一转变背后的技术逻辑并提供一个从零开始的AI智能体开发实战指南。无论你是对AI应用开发感兴趣的后端工程师还是希望将AI能力集成到现有业务中的全栈开发者都能通过本文理解AI智能体的核心概念、掌握其开发框架并亲手搭建一个能自动执行复杂任务的智能体原型。2. 核心概念解析什么是AI智能体在深入代码之前我们必须厘清几个关键概念。很多人将“大语言模型”与“AI智能体”混为一谈但实际上它们是AI应用栈中不同层次的角色。大语言模型如OpenAI的GPT系列、Google的Gemini或开源的Llama本质上是“预测下一个词”的超级文本生成器。它们拥有海量的知识、强大的理解和生成能力但本身是“被动”的——你问它答。它缺乏持续的目标感、记忆能力和与外部世界交互的“手”和“眼”。AI智能体则是一个更高层级的抽象。你可以将其理解为一个由大语言模型驱动的“虚拟工程师”或“数字员工”。一个典型的AI智能体通常包含以下几个核心组件大脑通常是一个大语言模型负责规划、决策和推理。规划器将复杂目标拆解为一系列可执行的子任务或步骤。工具集智能体可以调用的外部能力如搜索网络、读写文件、执行代码、调用API、查询数据库等。这是智能体与外界交互的“手”。记忆模块分为短期记忆当前会话的上下文和长期记忆向量数据库等用于存储对话历史、执行结果和学到的知识保证任务执行的连贯性。执行与反思循环智能体执行动作观察结果并根据结果反思和调整后续计划形成一个“思考-行动-观察”的闭环。简单来说ChatGPT是一个强大的“瑞士军刀”而AI智能体是一个知道何时、为何以及如何使用这把刀甚至其他工具来完成一个复杂项目如做一顿饭的“厨师”。开发者不再需要手动分解每个步骤、复制粘贴结果、反复提示而是定义一个目标让智能体自主完成。这正是“造ChatGPT的人不用ChatGPT干活”的深层原因——他们用ChatGPT作为核心引擎去建造能自动“干活”的智能系统。3. 环境准备与开发框架选型在开始构建AI智能体之前我们需要搭建开发环境并选择合适的框架。目前社区中有多个优秀的AI智能体开发框架它们抽象了智能体的核心组件让开发者能更专注于业务逻辑。主流框架对比LangChain / LangGraph生态最丰富、社区最活跃提供了从链Chain到智能体Agent再到工作流Graph的完整抽象工具集成度极高适合快速原型和复杂工作流开发。AutoGen由微软推出专注于多智能体协作智能体之间可以对话、分工合作解决任务适合需要多个角色协同的场景。Semantic Kernel微软推出的另一个框架强调将传统编程技能与AI能力“内核”相结合更适合.NET技术栈的开发者。LlamaIndex最初专注于数据索引和检索现已扩展为强大的智能体框架尤其在基于私有知识的问答和决策方面有优势。对于本次实战我们选择LangChain作为基础框架因为它学习资源丰富且能清晰地展示智能体的各个组成部分。同时我们将使用OpenAI API作为智能体的“大脑”。环境准备步骤创建项目目录并初始化虚拟环境推荐使用Python 3.9mkdir ai-agent-tutorial cd ai-agent-tutorial python -m venv venv # Windows venv\Scripts\activate # macOS/Linux source venv/bin/activate安装核心依赖 我们将安装langchain核心库、OpenAI接口库、以及用于网页内容提取的beautifulsoup4。pip install langchain langchain-openai beautifulsoup4注意langchain-community库中包含许多社区贡献的工具如果需要更多工具可以额外安装。配置API密钥 你需要一个OpenAI API Key。切勿将密钥硬编码在代码中或提交到版本控制系统。推荐使用环境变量管理# 在终端中设置临时 export OPENAI_API_KEYyour-api-key-here # Windows (cmd) # set OPENAI_API_KEYyour-api-key-here或者在项目根目录创建.env文件OPENAI_API_KEYyour-api-key-here然后在代码中使用python-dotenv加载需先pip install python-dotenv。4. 构建你的第一个AI智能体自动网络研究员让我们通过一个具体案例来理解智能体的构建过程。我们将创建一个“自动网络研究员”智能体它的目标是根据一个给定的技术话题自动搜索网络信息整理并生成一份结构化的研究报告摘要。4.1 设计智能体能力与工具要实现这个目标我们的智能体需要理解用户查询明确研究主题。规划搜索策略决定使用哪些关键词、访问哪些网站。执行网络搜索获取实时信息。提取和总结内容从网页中抓取关键信息。整合并生成报告将多源信息综合成一份连贯的摘要。为此我们需要为智能体配备相应的“工具”。我们将使用两个关键工具Tavily Search一个专为AI优化的搜索API能返回结构化的搜索结果和摘要。我们将用它替代需要复杂配置的通用搜索引擎。网页内容提取工具对于需要深度阅读的页面智能体可以调用此工具获取详细内容。首先安装Tavily的集成包并获取其API密钥可在其官网免费注册获取pip install langchain-tavily设置环境变量export TAVILY_API_KEYyour-tavily-api-key4.2 创建工具并初始化智能体现在我们开始编写核心代码。创建一个名为research_agent.py的文件。# research_agent.py import os from dotenv import load_dotenv from langchain_openai import ChatOpenAI from langchain.agents import AgentExecutor, create_react_agent from langchain.tools import Tool from langchain_community.tools.tavily_search import TavilySearchResults from langchain import hub from langchain_core.prompts import PromptTemplate # 1. 加载环境变量 load_dotenv() # 2. 初始化大语言模型智能体的“大脑” # 使用gpt-3.5-turbo以控制成本可根据需要换为gpt-4-turbo llm ChatOpenAI(modelgpt-3.5-turbo, temperature0, openai_api_keyos.getenv(OPENAI_API_KEY)) # 3. 定义工具 # 工具1网络搜索工具 search_tool TavilySearchResults( nameweb_search, descriptionUseful for searching the web for current information on technical topics. Input should be a search query string., max_results3, # 控制每次搜索返回的结果数量 tavily_api_keyos.getenv(TAVILY_API_KEY) ) # 工具2自定义内容总结工具示例 # 这是一个“伪工具”实际开发中可能需要更复杂的HTML解析和总结逻辑 def content_summarizer(url: str) - str: 给定一个URL尝试提取并总结其文本内容。这是一个简化示例。 # 在实际应用中这里会使用requests和beautifulsoup4来抓取和解析网页 # 此处返回模拟结果 return f[模拟摘要] 已成功访问 {url} 并提取了关于该主题的核心观点。在实际应用中此处应为真实的网页内容摘要。 summary_tool Tool( namecontent_summarizer, funccontent_summarizer, descriptionUseful for reading and summarizing the content of a specific webpage when given its URL. Input should be a valid URL string. ) # 将所有工具放入列表 tools [search_tool, summary_tool] # 4. 获取智能体的提示模板 # LangChain Hub 上预置了优秀的Agent提示词模板我们使用ReAct框架的模板 prompt hub.pull(hwchase17/react-chat) # 5. 创建智能体 agent create_react_agent(llm, tools, prompt) # 6. 创建智能体执行器 agent_executor AgentExecutor( agentagent, toolstools, verboseTrue, # 设置为True可以看到智能体的思考过程非常有助于调试和理解 handle_parsing_errorsTrue, # 处理解析错误 max_iterations5, # 限制最大执行步数防止无限循环 early_stopping_methodgenerate # 提前停止策略 ) # 7. 运行智能体 if __name__ __main__: research_topic 对比LangChain和AutoGen这两个AI智能体开发框架的优缺点 print(f研究主题: {research_topic}\n) print(*50) try: # 调用智能体执行任务 result agent_executor.invoke({ input: f请扮演一个技术研究员针对以下主题进行调研并生成一份简洁的报告{research_topic}。请使用搜索工具获取最新信息。, chat_history: [] # 如果是多轮对话需要传入历史 }) print(\n *50) print(【最终研究报告】) print(result[output]) except Exception as e: print(f智能体执行过程中出现错误: {e})4.3 运行与结果分析在终端运行你的智能体python research_agent.py当verboseTrue时你将在控制台看到类似以下的详细思考过程这是理解智能体工作的关键 Entering new AgentExecutor chain... Thought: 用户要求我对比LangChain和AutoGen。我需要先搜索它们的最新信息。 Action: web_search Action Input: LangChain vs AutoGen AI agent framework comparison 2024 Observation: [Search Result 1: A blog post titled LangChain vs AutoGen: Which Framework to Choose in 2024? ...] Thought: 我得到了一些搜索结果。现在我需要阅读其中一两个来获取详细信息。 Action: content_summarizer Action Input: https://example.com/blog/langchain-vs-autogen Observation: [模拟摘要] 已成功访问 https://example.com... Thought: 我已经收集了关于两个框架的信息。现在我需要整理成一份对比报告。 Action: Final Answer Final Answer: **LangChain与AutoGen框架对比报告** ... Finished chain.最终智能体会输出一份结构化的对比报告。虽然我们第二个工具是模拟的但通过搜索工具它已经能获取到实时信息并进行分析整合。5. 深入进阶构建具备记忆与状态的多步骤智能体基础的ReAct智能体适合单次任务。但对于需要记住上下文、执行复杂多步骤流程的任务如“帮我制定本周学习计划并每天检查进度”我们需要更强大的架构。LangGraph是LangChain中用于构建有状态、多智能体工作流的库。下面我们构建一个简单的“编码助手”智能体它具备记忆并能按步骤工作分析需求 - 规划代码结构 - 编写代码 - 检查代码。首先安装LangGraphpip install langgraph创建coding_agent.py# coding_agent.py import os from dotenv import load_dotenv from typing import TypedDict, Annotated, Sequence import operator from langchain_openai import ChatOpenAI from langgraph.graph import StateGraph, END from langgraph.graph.message import add_messages from langchain_core.messages import HumanMessage, SystemMessage, AIMessage # 定义状态结构 class AgentState(TypedDict): messages: Annotated[Sequence, add_messages] # 消息历史即记忆 requirements: str # 用户需求 plan: str # 代码规划 code: str # 生成的代码 review_feedback: str # 代码检查反馈 # 1. 初始化LLM load_dotenv() llm ChatOpenAI(modelgpt-3.5-turbo, temperature0) # 2. 定义各个节点函数 def requirements_analyzer(state: AgentState): 节点1分析需求 system_prompt 你是一个资深软件架构师。请仔细分析用户的需求并提炼出核心功能点和关键技术栈建议。 human_msg f用户需求{state[requirements]} response llm.invoke([ SystemMessage(contentsystem_prompt), HumanMessage(contenthuman_msg) ]) # 将分析结果存入状态 new_state { **state, messages: state[messages] [AIMessage(contentresponse.content)], plan: f需求分析完成{response.content[:200]}... # 简化存储 } return new_state def code_planner(state: AgentState): 节点2规划代码结构 history state[messages] planner_prompt 基于之前的需求分析请制定一个详细的代码实现计划包括主要模块、函数和数据结构。 response llm.invoke(history [HumanMessage(contentplanner_prompt)]) new_state { **state, messages: state[messages] [AIMessage(contentresponse.content)], plan: response.content # 更新完整的计划 } return new_state def code_writer(state: AgentState): 节点3编写代码 history state[messages] writer_prompt f根据以下计划编写完整的、可运行的代码。只输出代码块并在开头用注释说明语言。 计划 {state[plan]} response llm.invoke(history [HumanMessage(contentwriter_prompt)]) new_state {**state, code: response.content} return new_state def code_reviewer(state: AgentState): 节点4检查代码 history state[messages] review_prompt f请检查以下代码的质量包括语法、逻辑、潜在错误和可读性并提供修改建议。 代码 {state[code]} response llm.invoke(history [HumanMessage(contentreview_prompt)]) new_state {**state, review_feedback: response.content} return new_state # 3. 构建工作流图 workflow StateGraph(AgentState) # 添加节点 workflow.add_node(analyzer, requirements_analyzer) workflow.add_node(planner, code_planner) workflow.add_node(writer, code_writer) workflow.add_node(reviewer, code_reviewer) # 设置边执行顺序 workflow.set_entry_point(analyzer) workflow.add_edge(analyzer, planner) workflow.add_edge(planner, writer) workflow.add_edge(writer, reviewer) workflow.add_edge(reviewer, END) # 编译图 app workflow.compile() # 4. 运行工作流 if __name__ __main__: # 初始化状态 initial_state: AgentState { messages: [SystemMessage(content你是一个全栈开发助手。)], requirements: 请用Python写一个函数它能够递归地列出一个给定目录下所有文件的路径并按照文件大小排序。, plan: , code: , review_feedback: } print(开始执行编码助手工作流...\n) final_state app.invoke(initial_state) print(*60) print(【最终生成的代码】) print(final_state[code]) print(\n *60) print(【代码审查反馈】) print(final_state[review_feedback])这个例子展示了如何将复杂任务分解为多个由LLM驱动的节点并通过有状态的工作流串联起来。每个节点的输出都保存在state中供后续节点使用从而实现了记忆和连贯性。6. 常见问题与排查思路在开发AI智能体时你可能会遇到一些典型问题。下表列出了常见问题及其解决方法问题现象可能原因排查与解决思路智能体陷入循环不断重复相同动作1. 工具描述不清晰。2. 提示词未明确停止条件。3.max_iterations设置过高。1. 检查工具的描述(description)确保LLM能准确理解其用途和输入格式。2. 在系统提示词中强调“当任务完成时请给出最终答案”。3. 合理设置max_iterations如5-10并使用early_stopping_method。智能体调用错误的工具或输入格式错误1. 工具描述与功能不匹配。2. LLM未能正确解析用户意图。1. 优化工具描述使用“Useful for...”句式明确输入输出。2. 在AgentExecutor中启用handle_parsing_errorsTrue并考虑在错误时让LLM重试。3. 使用更强大的模型如GPT-4进行规划。API调用超时或费用激增1. 智能体规划步骤过多。2. 单个工具执行时间过长。3. 未对用户输入做限制。1. 严格限制max_iterations和max_execution_time。2. 为耗时工具如网络请求设置超时。3. 在生产环境添加用户鉴权、请求频率限制和预算监控。智能体“幻觉”基于过时或错误信息作答1. 依赖的LLM知识截止日期旧。2. 搜索工具返回了低质量结果。1. 为需要实时信息的任务必须配备搜索工具。2. 使用更可靠的搜索API如Tavily并对搜索结果进行来源可信度评估。3. 引导智能体在答案中注明信息来源。多轮对话中智能体遗忘上下文未正确维护和传递chat_history。1. 确保在调用invoke时传入完整的对话历史消息列表。2. 考虑使用ConversationBufferWindowMemory或ConversationSummaryMemory来管理长上下文。LangGraph工作流状态混乱状态(State)结构设计不合理节点间数据覆盖。1. 使用TypedDict明确定义状态结构。2. 在每个节点函数中通过解包和创建新字典({**state, ...})来更新状态避免原地修改。7. 最佳实践与工程化建议将AI智能体从实验原型推向生产环境需要遵循一系列工程最佳实践。1. 提示词工程化系统提示词是关键清晰定义智能体的角色、目标、约束和输出格式。例如“你是一个谨慎的助手在提供不确定信息时必须声明。”模板化与外部存储不要将长提示词硬编码在代码中。使用LangChain的PromptTemplate或从文件、配置中心加载。少样本学习在提示词中提供1-2个高质量的输入输出示例能极大提升智能体执行复杂任务的准确性。2. 工具设计与安全最小权限原则每个工具只授予完成其功能所需的最小权限。例如一个文件读取工具不应有删除权限。输入验证与清理在所有工具函数内部对输入参数进行严格的验证和清理防止注入攻击。人工审核环节对于高风险操作如发送邮件、数据库写入、生产环境部署设计“人工确认”工具将操作建议提交给人来最终批准。3. 可观测性与评估全面日志记录记录智能体的完整思考过程(verboseTrue)、工具调用记录、输入输出和耗时。这对调试和优化至关重要。建立评估体系定义关键指标如任务完成率、步骤数、用户满意度。通过A/B测试比较不同提示词或模型的效果。实现追踪使用像LangSmith这样的平台可以可视化、调试、测试和监控智能体的运行链。4. 性能与成本优化模型选型在原型阶段使用gpt-3.5-turbo降低成本在关键决策环节切换至gpt-4-turbo提升质量。缓存机制对频繁且结果不变的LLM调用或工具调用如查询静态知识库实施缓存。异步处理对于I/O密集型的工具调用如多个API请求使用异步模式(async/await)来提升整体吞吐量。5. 架构设计模块化将智能体、工具、记忆、提示词等组件设计为独立的、可插拔的模块。优雅降级当核心LLM服务或关键工具不可用时系统应有备用方案如返回缓存结果、转接人工客服。版本控制对提示词、工具定义、工作流图进行版本控制便于回滚和迭代。从直接使用ChatGPT到构建AI智能体是开发者从“驾驶员”变为“架构师”的跃迁。你不再满足于手动完成每一个交互而是开始设计能够自主理解目标、规划路径、使用工具并完成复杂任务的智能系统。这个过程充满挑战但也带来了巨大的效率提升和可能性。本文带你从概念理解、环境搭建到实现一个具备搜索能力的自动研究员再到构建一个有状态的多步骤编码助手并提供了排错指南和工程化建议。下一步你可以尝试集成更多工具如数据库查询、发送邮件、调用内部API。探索多智能体协作使用AutoGen或LangGraph模拟产品经理、开发、测试等多个角色共同完成一个项目。接入长期记忆使用Chroma、Pinecone等向量数据库让智能体记住长期信息。前端交互为你的智能体构建一个Web或聊天机器人界面。AI智能体的世界刚刚开启其边界正由每一位开发者定义。动手搭建你的第一个智能体体验让AI为你“干活”的魔力吧。如果在实践中遇到任何问题欢迎在评论区交流探讨。 30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度
从ChatGPT到AI智能体：实战开发指南与工程化实践
发布时间：2026/7/10 4:56:43
30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度1. 从ChatGPT到AI智能体开发者工作流的范式转移最近在技术社区里一个有趣的现象引发了广泛讨论许多深度参与过ChatGPT相关项目甚至早期就使用其API进行开发的工程师正逐渐将工作重心从直接与ChatGPT对话转向构建和利用更复杂的“AI智能体”。这并非意味着ChatGPT等大语言模型不再重要恰恰相反它标志着AI应用开发进入了一个新的阶段——从“工具使用”升级为“系统构建”。对于开发者而言理解并掌握AI智能体的开发正成为提升个人效率和构建下一代AI驱动应用的核心竞争力。本文将深入探讨这一转变背后的技术逻辑并提供一个从零开始的AI智能体开发实战指南。无论你是对AI应用开发感兴趣的后端工程师还是希望将AI能力集成到现有业务中的全栈开发者都能通过本文理解AI智能体的核心概念、掌握其开发框架并亲手搭建一个能自动执行复杂任务的智能体原型。2. 核心概念解析什么是AI智能体在深入代码之前我们必须厘清几个关键概念。很多人将“大语言模型”与“AI智能体”混为一谈但实际上它们是AI应用栈中不同层次的角色。大语言模型如OpenAI的GPT系列、Google的Gemini或开源的Llama本质上是“预测下一个词”的超级文本生成器。它们拥有海量的知识、强大的理解和生成能力但本身是“被动”的——你问它答。它缺乏持续的目标感、记忆能力和与外部世界交互的“手”和“眼”。AI智能体则是一个更高层级的抽象。你可以将其理解为一个由大语言模型驱动的“虚拟工程师”或“数字员工”。一个典型的AI智能体通常包含以下几个核心组件大脑通常是一个大语言模型负责规划、决策和推理。规划器将复杂目标拆解为一系列可执行的子任务或步骤。工具集智能体可以调用的外部能力如搜索网络、读写文件、执行代码、调用API、查询数据库等。这是智能体与外界交互的“手”。记忆模块分为短期记忆当前会话的上下文和长期记忆向量数据库等用于存储对话历史、执行结果和学到的知识保证任务执行的连贯性。执行与反思循环智能体执行动作观察结果并根据结果反思和调整后续计划形成一个“思考-行动-观察”的闭环。简单来说ChatGPT是一个强大的“瑞士军刀”而AI智能体是一个知道何时、为何以及如何使用这把刀甚至其他工具来完成一个复杂项目如做一顿饭的“厨师”。开发者不再需要手动分解每个步骤、复制粘贴结果、反复提示而是定义一个目标让智能体自主完成。这正是“造ChatGPT的人不用ChatGPT干活”的深层原因——他们用ChatGPT作为核心引擎去建造能自动“干活”的智能系统。3. 环境准备与开发框架选型在开始构建AI智能体之前我们需要搭建开发环境并选择合适的框架。目前社区中有多个优秀的AI智能体开发框架它们抽象了智能体的核心组件让开发者能更专注于业务逻辑。主流框架对比LangChain / LangGraph生态最丰富、社区最活跃提供了从链Chain到智能体Agent再到工作流Graph的完整抽象工具集成度极高适合快速原型和复杂工作流开发。AutoGen由微软推出专注于多智能体协作智能体之间可以对话、分工合作解决任务适合需要多个角色协同的场景。Semantic Kernel微软推出的另一个框架强调将传统编程技能与AI能力“内核”相结合更适合.NET技术栈的开发者。LlamaIndex最初专注于数据索引和检索现已扩展为强大的智能体框架尤其在基于私有知识的问答和决策方面有优势。对于本次实战我们选择LangChain作为基础框架因为它学习资源丰富且能清晰地展示智能体的各个组成部分。同时我们将使用OpenAI API作为智能体的“大脑”。环境准备步骤创建项目目录并初始化虚拟环境推荐使用Python 3.9mkdir ai-agent-tutorial cd ai-agent-tutorial python -m venv venv # Windows venv\Scripts\activate # macOS/Linux source venv/bin/activate安装核心依赖 我们将安装langchain核心库、OpenAI接口库、以及用于网页内容提取的beautifulsoup4。pip install langchain langchain-openai beautifulsoup4注意langchain-community库中包含许多社区贡献的工具如果需要更多工具可以额外安装。配置API密钥 你需要一个OpenAI API Key。切勿将密钥硬编码在代码中或提交到版本控制系统。推荐使用环境变量管理# 在终端中设置临时 export OPENAI_API_KEYyour-api-key-here # Windows (cmd) # set OPENAI_API_KEYyour-api-key-here或者在项目根目录创建.env文件OPENAI_API_KEYyour-api-key-here然后在代码中使用python-dotenv加载需先pip install python-dotenv。4. 构建你的第一个AI智能体自动网络研究员让我们通过一个具体案例来理解智能体的构建过程。我们将创建一个“自动网络研究员”智能体它的目标是根据一个给定的技术话题自动搜索网络信息整理并生成一份结构化的研究报告摘要。4.1 设计智能体能力与工具要实现这个目标我们的智能体需要理解用户查询明确研究主题。规划搜索策略决定使用哪些关键词、访问哪些网站。执行网络搜索获取实时信息。提取和总结内容从网页中抓取关键信息。整合并生成报告将多源信息综合成一份连贯的摘要。为此我们需要为智能体配备相应的“工具”。我们将使用两个关键工具Tavily Search一个专为AI优化的搜索API能返回结构化的搜索结果和摘要。我们将用它替代需要复杂配置的通用搜索引擎。网页内容提取工具对于需要深度阅读的页面智能体可以调用此工具获取详细内容。首先安装Tavily的集成包并获取其API密钥可在其官网免费注册获取pip install langchain-tavily设置环境变量export TAVILY_API_KEYyour-tavily-api-key4.2 创建工具并初始化智能体现在我们开始编写核心代码。创建一个名为research_agent.py的文件。# research_agent.py import os from dotenv import load_dotenv from langchain_openai import ChatOpenAI from langchain.agents import AgentExecutor, create_react_agent from langchain.tools import Tool from langchain_community.tools.tavily_search import TavilySearchResults from langchain import hub from langchain_core.prompts import PromptTemplate # 1. 加载环境变量 load_dotenv() # 2. 初始化大语言模型智能体的“大脑” # 使用gpt-3.5-turbo以控制成本可根据需要换为gpt-4-turbo llm ChatOpenAI(modelgpt-3.5-turbo, temperature0, openai_api_keyos.getenv(OPENAI_API_KEY)) # 3. 定义工具 # 工具1网络搜索工具 search_tool TavilySearchResults( nameweb_search, descriptionUseful for searching the web for current information on technical topics. Input should be a search query string., max_results3, # 控制每次搜索返回的结果数量 tavily_api_keyos.getenv(TAVILY_API_KEY) ) # 工具2自定义内容总结工具示例 # 这是一个“伪工具”实际开发中可能需要更复杂的HTML解析和总结逻辑 def content_summarizer(url: str) - str: 给定一个URL尝试提取并总结其文本内容。这是一个简化示例。 # 在实际应用中这里会使用requests和beautifulsoup4来抓取和解析网页 # 此处返回模拟结果 return f[模拟摘要] 已成功访问 {url} 并提取了关于该主题的核心观点。在实际应用中此处应为真实的网页内容摘要。 summary_tool Tool( namecontent_summarizer, funccontent_summarizer, descriptionUseful for reading and summarizing the content of a specific webpage when given its URL. Input should be a valid URL string. ) # 将所有工具放入列表 tools [search_tool, summary_tool] # 4. 获取智能体的提示模板 # LangChain Hub 上预置了优秀的Agent提示词模板我们使用ReAct框架的模板 prompt hub.pull(hwchase17/react-chat) # 5. 创建智能体 agent create_react_agent(llm, tools, prompt) # 6. 创建智能体执行器 agent_executor AgentExecutor( agentagent, toolstools, verboseTrue, # 设置为True可以看到智能体的思考过程非常有助于调试和理解 handle_parsing_errorsTrue, # 处理解析错误 max_iterations5, # 限制最大执行步数防止无限循环 early_stopping_methodgenerate # 提前停止策略 ) # 7. 运行智能体 if __name__ __main__: research_topic 对比LangChain和AutoGen这两个AI智能体开发框架的优缺点 print(f研究主题: {research_topic}\n) print(*50) try: # 调用智能体执行任务 result agent_executor.invoke({ input: f请扮演一个技术研究员针对以下主题进行调研并生成一份简洁的报告{research_topic}。请使用搜索工具获取最新信息。, chat_history: [] # 如果是多轮对话需要传入历史 }) print(\n *50) print(【最终研究报告】) print(result[output]) except Exception as e: print(f智能体执行过程中出现错误: {e})4.3 运行与结果分析在终端运行你的智能体python research_agent.py当verboseTrue时你将在控制台看到类似以下的详细思考过程这是理解智能体工作的关键 Entering new AgentExecutor chain... Thought: 用户要求我对比LangChain和AutoGen。我需要先搜索它们的最新信息。 Action: web_search Action Input: LangChain vs AutoGen AI agent framework comparison 2024 Observation: [Search Result 1: A blog post titled LangChain vs AutoGen: Which Framework to Choose in 2024? ...] Thought: 我得到了一些搜索结果。现在我需要阅读其中一两个来获取详细信息。 Action: content_summarizer Action Input: https://example.com/blog/langchain-vs-autogen Observation: [模拟摘要] 已成功访问 https://example.com... Thought: 我已经收集了关于两个框架的信息。现在我需要整理成一份对比报告。 Action: Final Answer Final Answer: **LangChain与AutoGen框架对比报告** ... Finished chain.最终智能体会输出一份结构化的对比报告。虽然我们第二个工具是模拟的但通过搜索工具它已经能获取到实时信息并进行分析整合。5. 深入进阶构建具备记忆与状态的多步骤智能体基础的ReAct智能体适合单次任务。但对于需要记住上下文、执行复杂多步骤流程的任务如“帮我制定本周学习计划并每天检查进度”我们需要更强大的架构。LangGraph是LangChain中用于构建有状态、多智能体工作流的库。下面我们构建一个简单的“编码助手”智能体它具备记忆并能按步骤工作分析需求 - 规划代码结构 - 编写代码 - 检查代码。首先安装LangGraphpip install langgraph创建coding_agent.py# coding_agent.py import os from dotenv import load_dotenv from typing import TypedDict, Annotated, Sequence import operator from langchain_openai import ChatOpenAI from langgraph.graph import StateGraph, END from langgraph.graph.message import add_messages from langchain_core.messages import HumanMessage, SystemMessage, AIMessage # 定义状态结构 class AgentState(TypedDict): messages: Annotated[Sequence, add_messages] # 消息历史即记忆 requirements: str # 用户需求 plan: str # 代码规划 code: str # 生成的代码 review_feedback: str # 代码检查反馈 # 1. 初始化LLM load_dotenv() llm ChatOpenAI(modelgpt-3.5-turbo, temperature0) # 2. 定义各个节点函数 def requirements_analyzer(state: AgentState): 节点1分析需求 system_prompt 你是一个资深软件架构师。请仔细分析用户的需求并提炼出核心功能点和关键技术栈建议。 human_msg f用户需求{state[requirements]} response llm.invoke([ SystemMessage(contentsystem_prompt), HumanMessage(contenthuman_msg) ]) # 将分析结果存入状态 new_state { **state, messages: state[messages] [AIMessage(contentresponse.content)], plan: f需求分析完成{response.content[:200]}... # 简化存储 } return new_state def code_planner(state: AgentState): 节点2规划代码结构 history state[messages] planner_prompt 基于之前的需求分析请制定一个详细的代码实现计划包括主要模块、函数和数据结构。 response llm.invoke(history [HumanMessage(contentplanner_prompt)]) new_state { **state, messages: state[messages] [AIMessage(contentresponse.content)], plan: response.content # 更新完整的计划 } return new_state def code_writer(state: AgentState): 节点3编写代码 history state[messages] writer_prompt f根据以下计划编写完整的、可运行的代码。只输出代码块并在开头用注释说明语言。 计划 {state[plan]} response llm.invoke(history [HumanMessage(contentwriter_prompt)]) new_state {**state, code: response.content} return new_state def code_reviewer(state: AgentState): 节点4检查代码 history state[messages] review_prompt f请检查以下代码的质量包括语法、逻辑、潜在错误和可读性并提供修改建议。 代码 {state[code]} response llm.invoke(history [HumanMessage(contentreview_prompt)]) new_state {**state, review_feedback: response.content} return new_state # 3. 构建工作流图 workflow StateGraph(AgentState) # 添加节点 workflow.add_node(analyzer, requirements_analyzer) workflow.add_node(planner, code_planner) workflow.add_node(writer, code_writer) workflow.add_node(reviewer, code_reviewer) # 设置边执行顺序 workflow.set_entry_point(analyzer) workflow.add_edge(analyzer, planner) workflow.add_edge(planner, writer) workflow.add_edge(writer, reviewer) workflow.add_edge(reviewer, END) # 编译图 app workflow.compile() # 4. 运行工作流 if __name__ __main__: # 初始化状态 initial_state: AgentState { messages: [SystemMessage(content你是一个全栈开发助手。)], requirements: 请用Python写一个函数它能够递归地列出一个给定目录下所有文件的路径并按照文件大小排序。, plan: , code: , review_feedback: } print(开始执行编码助手工作流...\n) final_state app.invoke(initial_state) print(*60) print(【最终生成的代码】) print(final_state[code]) print(\n *60) print(【代码审查反馈】) print(final_state[review_feedback])这个例子展示了如何将复杂任务分解为多个由LLM驱动的节点并通过有状态的工作流串联起来。每个节点的输出都保存在state中供后续节点使用从而实现了记忆和连贯性。6. 常见问题与排查思路在开发AI智能体时你可能会遇到一些典型问题。下表列出了常见问题及其解决方法问题现象可能原因排查与解决思路智能体陷入循环不断重复相同动作1. 工具描述不清晰。2. 提示词未明确停止条件。3.max_iterations设置过高。1. 检查工具的描述(description)确保LLM能准确理解其用途和输入格式。2. 在系统提示词中强调“当任务完成时请给出最终答案”。3. 合理设置max_iterations如5-10并使用early_stopping_method。智能体调用错误的工具或输入格式错误1. 工具描述与功能不匹配。2. LLM未能正确解析用户意图。1. 优化工具描述使用“Useful for...”句式明确输入输出。2. 在AgentExecutor中启用handle_parsing_errorsTrue并考虑在错误时让LLM重试。3. 使用更强大的模型如GPT-4进行规划。API调用超时或费用激增1. 智能体规划步骤过多。2. 单个工具执行时间过长。3. 未对用户输入做限制。1. 严格限制max_iterations和max_execution_time。2. 为耗时工具如网络请求设置超时。3. 在生产环境添加用户鉴权、请求频率限制和预算监控。智能体“幻觉”基于过时或错误信息作答1. 依赖的LLM知识截止日期旧。2. 搜索工具返回了低质量结果。1. 为需要实时信息的任务必须配备搜索工具。2. 使用更可靠的搜索API如Tavily并对搜索结果进行来源可信度评估。3. 引导智能体在答案中注明信息来源。多轮对话中智能体遗忘上下文未正确维护和传递chat_history。1. 确保在调用invoke时传入完整的对话历史消息列表。2. 考虑使用ConversationBufferWindowMemory或ConversationSummaryMemory来管理长上下文。LangGraph工作流状态混乱状态(State)结构设计不合理节点间数据覆盖。1. 使用TypedDict明确定义状态结构。2. 在每个节点函数中通过解包和创建新字典({**state, ...})来更新状态避免原地修改。7. 最佳实践与工程化建议将AI智能体从实验原型推向生产环境需要遵循一系列工程最佳实践。1. 提示词工程化系统提示词是关键清晰定义智能体的角色、目标、约束和输出格式。例如“你是一个谨慎的助手在提供不确定信息时必须声明。”模板化与外部存储不要将长提示词硬编码在代码中。使用LangChain的PromptTemplate或从文件、配置中心加载。少样本学习在提示词中提供1-2个高质量的输入输出示例能极大提升智能体执行复杂任务的准确性。2. 工具设计与安全最小权限原则每个工具只授予完成其功能所需的最小权限。例如一个文件读取工具不应有删除权限。输入验证与清理在所有工具函数内部对输入参数进行严格的验证和清理防止注入攻击。人工审核环节对于高风险操作如发送邮件、数据库写入、生产环境部署设计“人工确认”工具将操作建议提交给人来最终批准。3. 可观测性与评估全面日志记录记录智能体的完整思考过程(verboseTrue)、工具调用记录、输入输出和耗时。这对调试和优化至关重要。建立评估体系定义关键指标如任务完成率、步骤数、用户满意度。通过A/B测试比较不同提示词或模型的效果。实现追踪使用像LangSmith这样的平台可以可视化、调试、测试和监控智能体的运行链。4. 性能与成本优化模型选型在原型阶段使用gpt-3.5-turbo降低成本在关键决策环节切换至gpt-4-turbo提升质量。缓存机制对频繁且结果不变的LLM调用或工具调用如查询静态知识库实施缓存。异步处理对于I/O密集型的工具调用如多个API请求使用异步模式(async/await)来提升整体吞吐量。5. 架构设计模块化将智能体、工具、记忆、提示词等组件设计为独立的、可插拔的模块。优雅降级当核心LLM服务或关键工具不可用时系统应有备用方案如返回缓存结果、转接人工客服。版本控制对提示词、工具定义、工作流图进行版本控制便于回滚和迭代。从直接使用ChatGPT到构建AI智能体是开发者从“驾驶员”变为“架构师”的跃迁。你不再满足于手动完成每一个交互而是开始设计能够自主理解目标、规划路径、使用工具并完成复杂任务的智能系统。这个过程充满挑战但也带来了巨大的效率提升和可能性。本文带你从概念理解、环境搭建到实现一个具备搜索能力的自动研究员再到构建一个有状态的多步骤编码助手并提供了排错指南和工程化建议。下一步你可以尝试集成更多工具如数据库查询、发送邮件、调用内部API。探索多智能体协作使用AutoGen或LangGraph模拟产品经理、开发、测试等多个角色共同完成一个项目。接入长期记忆使用Chroma、Pinecone等向量数据库让智能体记住长期信息。前端交互为你的智能体构建一个Web或聊天机器人界面。AI智能体的世界刚刚开启其边界正由每一位开发者定义。动手搭建你的第一个智能体体验让AI为你“干活”的魔力吧。如果在实践中遇到任何问题欢迎在评论区交流探讨。 30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度
