用 python 开发一个可调用工具的 AI Agent，实现电脑配置专业评价

在人工智能时代，AI Agent凭借其强大的任务处理能力，逐渐成为开发人员手中的得力工具。今天，我们就来一起动手，用Python打造一个能够调用工具的AI Agent，实现根据电脑信息对电脑配置进行专业评价的功能。

一、项目创建与目录结构

1.1 项目创建

首先，我们需要创建一个新的项目环境。这里使用UV进行项目创建。

uv init demo

项目创建完成后，进入项目文件夹并安装必要的包， 比如安装psutil

uv add psutil

安装的包都会记录在pypoject.toml, 看看我都安装了哪些包

[project]
name = "demo"
version = "0.1.0"
description = "Add your description here"
readme = "README.md"
requires-python = ">=3.12"
dependencies = [
    "psutil>=7.0.0",
    "pydantic-ai>=0.2.16",
    "python-dotenv>=1.1.0",
    "setuptools>=80.9.0",
]

1.2 目录结构

我们的项目目录结构如下：

demo
├── .venv    
├──.env
├──.gitignore
├──.python-version
├── main.py
├── pyproject.toml
├── README.md
├── tools.py
├── uv.lock

可以看到除了创建项目时uv自动创建的文件及文件夹，这个项目我主要创建了3个文件：

• main.py：项目的主程序文件，负责整个AI Agent的运行逻辑，包括模型初始化、与AI交互以及结果处理等核心功能。
• tools.py：存放读取电脑配置信息的工具函数，为main.py提供电脑配置数据支持。
• .env：用于存储敏感信息，此项目主要存储了OPENROUTER_API_KEY，保证API密钥的安全，避免在代码中直接暴露。

二、功能实现与代码解析

2.1 读取电脑配置信息（tools.py）

在tools.py文件中，我定义了read_pc_info函数，用于获取电脑的详细配置信息。该函数的实现依赖platform和psutil库。

import platform
import psutil


def read_pc_info():
    # 获取系统信息
    info = []

    # CPU信息
    info.append(f"CPU: {platform.processor()}")
    info.append(f"CPU Cores: {psutil.cpu_count(logical=False)} physical, {psutil.cpu_count(logical=True)} logical")

    # 内存信息
    mem = psutil.virtual_memory()
    info.append(f"RAM: {mem.total / (1024**3):.1f} GB (Available: {mem.available / (1024**3):.1f} GB)")

    # 磁盘信息
    partitions = psutil.disk_partitions()
    for p in partitions:
        if p.fstype:
            usage = psutil.disk_usage(p.mountpoint)
            info.append(f"Disk {p.device}: {usage.total / (1024**3):.1f} GB ({usage.percent}% used)")

    # 操作系统信息
    info.append(f"OS: {platform.system()} {platform.release()}")

    return "\n".join(info)

• CPU信息获取 ：使用platform.processor()获取CPU型号，psutil.cpu_count(logical=False)获取物理核心数，psutil.cpu_count(logical=True)获取逻辑核心数。
• 内存信息获取 ：通过psutil.virtual_memory()获取系统内存相关信息，包括总内存和可用内存，并进行单位换算后添加到info列表。
• 磁盘信息获取 ：psutil.disk_partitions()获取磁盘分区信息，遍历分区，使用psutil.disk_usage(p.mountpoint)获取每个分区的使用情况，添加到info列表。
• 操作系统信息获取 ：platform.system()获取操作系统名称，platform.release()获取操作系统版本号，将其组合添加到info列表。最后，将info列表中的所有信息以换行符连接成字符串返回。

2.2 主程序逻辑（main.py）

在main.py文件中，包含了项目的核心运行逻辑。

2.2.1 导入需要的库和定义系统提示词

import os
from typing import Optional, Tuple
from dotenv import load_dotenv
from openai import OpenAI
from pydantic_ai import Agent
from pydantic_ai.models.openai import OpenAIModel
from pydantic_ai.providers.openai import OpenAIProvider
from tools import read_pc_info
import logging

# 系统提示词定义
SYSTEM_PROMPT = """
你是一位专业的电脑硬件评测专家，擅长分析电脑配置的性能、适用性和升级潜力。你能够根据用户提供的电脑配置信息，给出专业、实用的评价和建议。请以简洁明了的语言表达观点，既要考虑技术细节，也要考虑普通用户的理解能力。
"""

这里先导入了项目所需的各种库，定义了SYSTEM_PROMPT常量，用于设定AI Agent的角色和能力，让其以专业电脑硬件评测专家的身份进行回答。

2.2.2 获取API配置

def get_api_config() -> Tuple[str, str]:
    """获取OpenRouter API配置

    返回:
        Tuple[str, str]: (api_key, base_url) API密钥和基础URL

    异常:
        ValueError: 当API密钥未设置时
        EnvironmentError: 当.env文件加载失败时
    """
    try:
        if not load_dotenv():
            logging.warning(".env文件未找到或加载失败")

        api_key = os.getenv("OPENROUTER_API_KEY")
        base_url = 'https://openrouter.ai/api/v1'

        if not api_key:
            raise ValueError("请在.env文件中设置OPENROUTER_API_KEY")

        return api_key, base_url
    except Exception as e:
        logging.error(f"获取API配置失败: {e}")
        raise

该函数负责从.env文件中加载OPENROUTER_API_KEY，并返回API密钥和base_url（因为我用的是openrouter里的模型，所以需要base_url这个参数）。 如果.env文件加载失败或API密钥未设置，会抛出相应的异常。

2.2.2 初始化模型

def initialize_model() -> OpenAIModel:
    """初始化AI大模型实例

    返回:
        OpenAIModel: 初始化好的模型实例

        异常:
        RuntimeError: 当模型初始化失败时
    """
    try:
        api_key, base_url = get_api_config()
        provider = OpenAIProvider(base_url=base_url, api_key=api_key)
        return OpenAIModel(
            'qwen/qwen-2.5-72b-instruct:free',
            provider=provider
        )
    except Exception as e:
        logging.error(f"模型初始化失败: {e}")
        raise RuntimeError("无法初始化AI模型") from e

此函数通过调用get_api_config获取API配置，然后使用OpenAIProvider和指定的模型名称（这里我选的是免费的qwen/qwen-2.5-72b-instruct:free）初始化OpenAIModel实例。如果初始化过程中出现错误，会记录错误日志并抛出RuntimeError。

2.2.4 主函数逻辑

def main():
    # 配置日志记录
    logging.basicConfig(
        level=logging.INFO,
        format='%(asctime)s - %(levelname)s - %(message)s'
    )

    try:
        model = initialize_model()
        logging.info("AI模型初始化成功")
    except Exception as e:
        logging.error(f"连接大模型错误: {e}")
        return

    try:
        pc_info = read_pc_info()
        logging.info("成功获取电脑配置信息")
        logging.info("电脑配置信息:\n" + pc_info)
    except Exception as e:
        logging.error(f"获取配置信息出错: {e}")
        return

    # 构建用户提示词
    user_prompt = f"""
    我需要您对这台电脑的配置进行全面评价。请分析以下几点：
    1. 这台电脑的性能是否能够满足日常办公、网页浏览、视频播放等基本需求
    2. 是否适合运行更复杂的应用程序，如视频编辑、游戏或编程
    3. 从性价比角度考虑，是否有必要升级某些硬件组件
    4. 如果需要升级，您推荐升级哪些组件，预算大约是多少
    5. 如果不值得升级，您认为在什么情况下应该考虑更换新电脑

    按照指定格式给出专业评测：
    1. 使用简洁清晰的中文回答；
    2. 回答必须使用标准 Markdown 格式，例如：## 标题、- 列表项；
    3. 不要包含任何乱码、HTML 标签、JavaScript 代码或特殊符号；
    4. 避免出现"（注：...）"这类解释性括号内容；
    5. 输出应易于阅读且结构清晰。

    以下是我的电脑配置信息：
    {pc_info}
    """

    # 创建AI代理
    agent = Agent(
        model,
        system_prompt=SYSTEM_PROMPT
    )

    # 调用模型获取评价
    response = agent.run_sync(user_prompt)

    # 打印结果
    logging.info("电脑配置评价结果：")
    logging.info(response)

if __name__ == "__main__":
    main()

在main函数中：

1. 首先配置日志记录，设置日志级别为INFO，指定日志格式。
2. 调用initialize_model初始化AI模型，若成功则记录日志，失败则记录错误日志并返回。
3. 调用read_pc_info获取电脑配置信息，成功则记录配置信息日志，失败记录错误日志并返回。
4. 根据获取的电脑配置信息构建user_prompt，明确告知AI Agent需要评价的内容和格式要求。
5. 使用初始化的模型和SYSTEM_PROMPT创建Agent实例。
6. 通过agent.run_sync(user_prompt)调用AI Agent，传入用户提示词，获取电脑配置评价的响应。
7. 最后获得返回的结果

三、结果展示

运行该项目后，在控制台会输出电脑配置信息获取过程、AI 模型交互过程的日志信息，最终展示处理后的电脑配置评价结果。

• 工具（read_pc_info函数）获得的信息
• 
  将工具获得的信息和提示词给大模型后，大模型返回的结果
  
  因为提示词中我们说明了要Markdown格式，所以把'\n'转成实际的换行，就更容易读了

## 电脑配置详细评测

### 1. 基本需求
根据您提供的配置信息，以下是对这台电脑性能的分析：
- **CPU**：Intel64 Family 6 Model 142 Stepping 10, 4核心8线程，这是一颗中等档次的处理器，型号可能是Intel Core i5-8250U（根据提供的信息推测）。对于日常办公、网页浏览和视频播放等基本需求来说，这块处理器已经非常足够，能够保证流畅的使用体验。
- **内存**：19GB，但可用的为8GB。内存方面有些不足，8GB对于现代操作系统和多任务处理来说略显紧张。建议将内存提升至16GB，这将显著改善多任务处理能力和软件运行效率。
- **硬盘**：三个硬盘分区，C盘200GB已用66.1%，表明系统分区负载较重。D盘和E盘相对空闲，仍可满足存储需求。
- **OS**：Windows 11 对系统性能有一定需求，您的电脑配置可以支持，但会感觉到一些性能瓶颈，尤其是在内存方面。
  
### 2. 复杂应用程序
- **视频编辑**：这块CPU和8GB内存对于视 频编辑来说有些吃力，处理高清视频时可能会遇到卡顿和较高的延迟，不推荐用于专业视频编辑。
- **游戏**：没有提供显卡信息，保守估计内置集显（如Intel UHD Graphics 620）。对于要求不高的游戏，该配置勉强可以运行，但无法流畅玩大型3D游戏。
- **编程**：日常编写代码和运行轻量级开发环境（如Web开发）可以胜任，但在处理大型项 目或资源密集型编译时可能会感到力不从心。
  
### 3. 性价比与升级建议
从性价比角度来看，对这台电脑硬件 进行合理升级可以提高其性能和使用寿命，建议如下：
- **内存升级**：将内存从8GB提升至16GB或更高，成本相 对较低但效果显著，预算约为300-500元。
- **SSD**：如果C盘使用的是HDD，考虑更换为1TB或更大容量的NVMe SSD ，这将大幅提升系统的启动速度和程序加载速度，预算约800-1500元。

### 4. 升级推荐
- **升级内存**：增 加至16GB，预算300-500元。
- **升级SSD**：如果目前使用的是HDD，强烈建议更换为1TB NVMe SSD，以极大地提高 数据读写速度，预算800-1500元。

### 5. 更换新电脑
如果上述升级措施仍无法满足您的需求，或者您希望获 得更高的性能和更长的使用寿命，建议考虑替换整机，特别是当您需要进行高负载的工作（如专业视频编辑、3D建模和高端游戏）时。更换新电脑的情况包括：
- **性能瓶颈**：尽管通过硬件升级，整体性能有所提升，但在某些特定任务中仍然感觉卡顿或延迟较高。
- **技术落伍**：当前的硬件架构已经无法支持最新的软件和技术，如AI加速、实时光线追踪等。
- **性价比过低**：升级的成本已经接近于购买新电脑，或者升级后的性能提升不明显。

我们创建的AI Agent就完成了。

我试了几个openrouter支持调用工具的免费大模型，只有这个大模型说对了CPU型号，但是它对内存的评价不是很准确，虽然明知道是20G内存，其中8G可用，还建议我升级到16G（我的电脑运行了太多的程序，打开了太多的网页，所以20G的内存，只剩8G可用）。因为我们的工具没有给出硬盘的详细型号，所以大模型给的建议参考价值就不大了，看来要改进工具函数获取更详细的信息。

四、项目总结与优化方向

这个项目展示了如何使用Python创建一个能够调用工具的AI Agent，实现电脑配置的自动评估。通过结合系统工具与大语言模型的能力，我们构建了一个简单但实用的应用场景。

在实际使用中，我发现大模型在某些方面的判断还不够准确，比如对内存的评估就没有考虑到当前系统的负载情况。这也提醒我们，即使是强大的AI模型，也需要合理的提示词设计和数据预处理，才能得到更准确的结果。当然，另一方也需要工具能够提供尽可能详细的信息给到大模型，才能帮助大模型做出更准备的判断和更有价值的建议。

未来，我们可以从以下几个方面优化这个项目：

1. 增强工具功能：可以添加更多的系统信息收集功能，如GPU信息、网络速度测试等
2. 改进提示词：针对大模型可能出现的误解，优化提示词设计，提供更明确的指导
3. 多模型对比：增加模型选择功能，对比不同模型的输出结果，选择最准确的评估
4. 用户交互优化：添加图形界面或Web界面，提升用户体验
5. 增加评估维度：除了硬件性能，还可以评估系统健康状态、安全配置等方面

通过这个项目，我们不仅学习了如何构建一个AI Agent，更重要的是理解了如何将大模型与实际工具结合，创造出真正有价值的应用。AI Agent的潜力巨大，随着技术的不断发展，我们可以期待更多创新应用的出现。

如果你也想尝试这个项目，只需按照本文的步骤操作，就能轻松构建出自己的电脑配置评估AI Agent。希望这个项目能为你提供一些启发，帮助你探索更多AI Agent的应用场景。