AI Agent: 初识入门与实现

什么是AI Agent

        AI Agent（人工智能代理） 是一种能够在一定程度上自主感知环境、处理信息、做出决策并执行动作的智能体。它是一个具备“感知 → 思考 → 行动”能力的AI系统，可以代替或辅助人类完成某项任务。

具备能力：

• 感知能力：能获取来自用户、环境或数据源的信息（如语音、文字、图像、API返回结果等）
• 决策能力：能根据目标、规则或推理逻辑，规划下一步行为 
• 执行能力：可调用工具、脚本、API，完成任务（如发送邮件、查询数据库、生成内容等） 
• 记忆能力：可以记录对话或任务历史，并据此优化策略或个性化响应

举例

• 你的需求：“帮我规划杭州3日游行程并订酒店。”
• AI Agent执行步骤：

1. 理解你的意图；
2. 调用地图和酒店API获取推荐；
3. 安排每日路线并生成一份行程表；
4. 提供订购链接或自动下单（需授权）。

核心组件

比喻：LLM是人的大脑，AgentType是四肢，Tool外部道具（电动车，电脑）

常见Agent框架

代码实现

创建大模型

# 创建大模型
llm = ChatTongyi(model="qwen-turbo", dashscope_api_key="xxxxxxx")

• model:使用LLM模型

• dashscope_api_key：通义千问API KEY

创建Tool

def lizz_tool(str):
    try:
        return len(str)
    except:
        return f"无相关内容:{str}"

Tools包

# 工具集合
tools = [
    Tool(
        name="lizz",
        func=lizz_tool,
        description="开元工具,长度"
    ),
    Tool(
        name="wikiSearch",
        func=wiki_search,
        description="用于获取互联网上的信息或文档"
    )
]

• name:工具标识
• func: 工具方法
• description: 工具描述，会根据描述匹配使用那个方法

初始化Agent

agent = initialize_agent(
    tools=tools,
    llm=llm,
    agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True
)

• tools:工具集
• llm：大模型
• agent：智能体框架

  • 1.zero-shot-react-description

    • 特点：根据工具描述自主决定使用哪个工具。

    • 推荐场景：大多数通用场景；无需训练，零样本推理。

    • 例子：问题：今天北京天气如何？ → 使用搜索工具。

  • 2. react-docstore

    • 特点：ReAct 推理风格，专用于基于文档存储（Docstore）工具的 QA。

    • 推荐场景：文档问答，Wikipedia QA 等。

  • 3. self-ask-with-search

    • 特点：先提出子问题，再使用搜索工具回答每个子问题。

    • 推荐场景：需要推理过程拆解问题时。

  • 4.conversational-react-description

    • 特点：在 zero-shot-react-description 基础上加入了上下文记忆。

    • 推荐场景：多轮对话、上下文敏感的问答。

  • 5. chat-zero-shot-react-description（LangChain v0.1+）

    • 特点：用于聊天模型（ChatModel，如 GPT-4、Qwen-chat）执行 ReAct 推理。

    • 推荐场景：推荐用于 chat-based LLM，代替旧的 zero-shot-react-description。

  • 6. chat-conversational-react-description

    • 特点：聊天模型 + 多轮对话记忆 + 工具选择。

    • 推荐场景：构建对话型智能助手，能记住上下文并使用工具。

• verbose:是否输出过程

用例

环境变量文件.env

DASHSCOPE_API_KEY=sk-xxx

创建python脚本

import os
import wikipedia
from langchain.agents import Tool, AgentType, initialize_agent
from langchain_community.chat_models import ChatTongyi
from dotenv import load_dotenv

load_dotenv()

# 初始化Tongyi大模型
llm = ChatTongyi(model="qwen-turbo", dashscope_api_key=os.getenv("DASHSCOPE_API_KEY"))


#创建工具
def lizz_tool(str):
    try:
        return len(str)
    except:
        return f"无相关内容:{str}"


def wiki_search(query):
    try:
        wikipedia.set_lang("zh")
        summary = wikipedia.summary(query, sentences=2)
        return summary
    except:
        return "无相关内容"

# 工具集合
tools = [
    Tool(
        name="lizz",
        func=lizz_tool,
        description="开元工具,长度"
    ),
    Tool(
        name="wikiSearch",
        func=wiki_search,
        description="用于获取互联网上的信息或文档"
    )
]

# 初始化 Agent
agent = initialize_agent(
    tools=tools,
    llm=llm,
    agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION,  # react框架
    verbose=True
)


if __name__ == '__main__':
    # 提问
    question = "使用开元工具计算字符串'实打实大是的是的'长度"
    answer = agent.run(question)
    print("回答：", answer)

执行过程

> Entering new AgentExecutor chain...          # 新的任务链
Thought: 我需要使用开元工具来计算给定字符串的长度。   # 初步推理
Action:                                        # 执行工具和输入 
```
{
  "action": "lizz",
  "action_input": "实打实大是的是的"
}
```

Observation: 8                                 # 执行结果
Thought:我现在知道这个字符串的长度了。              # 确认推理
Final Answer: 字符串 '实打实大是的是的' 的长度是 8。# 最终回答

> Finished chain.                              #结束任务链

参考

MCP市场

• 魔搭社区 MCP 市场
• Higress MCP 市场

智能体平台

• MiniMax - 你的AI智能助手
• Manus