从零开始：用Python库轻松搭建智能AI代理

为什么要关注AI代理？

"Agentic AI"（智能代理）正在悄然改变我们的工作方式。想象一下，一个AI助手不仅能帮你查航班、订机票，还能自动安排行程、发邮件、生成日报------就像一个效率极高的"虚拟助理"团队。

对于测试工程师来说，AI代理不只是未来的趋势，更是提升自动化、加速测试流程的新利器。比如自动生成测试用例、智能爬取网页、自动填报测试结果等。

但搭建这样的系统并不容易：你要处理流程控制、数据记忆、外部工具调用、任务分发等一堆"杂事"。好消息是，Python社区已经有不少现成的库和框架，帮你快速上手，把精力集中在业务逻辑和创新上。

---

核心框架：智能AI代理的"发动机"

1. LangChain ------ 万能积木，轻松搭建

LangChain就像一盒"乐高积木"，你可以随意组合各种AI能力：

• 模块化设计：对话、数据库、外部API等功能模块随意拼装。
• 记忆管理：让AI记住历史对话，支持上下文联想。
• 工具集成：比如快速接入天气API、数据库、甚至自动化测试平台。

上手建议：先做一个能回答测试相关问题的聊天机器人，体验AI的"记忆"功能和外部工具调用。

---

2. AutoGen ------ 多代理协作，分工更高效

AutoGen适合模拟"团队协作"场景：

• 多角色分工：比如一个代理写代码，另一个做代码审查，还有一个自动补充文档。
• 动态任务流：代理之间可自动传递信息、反馈结果。
• 可视化调试：方便你查看各代理的对话和决策过程。

实战案例：可以搭建一个自动化测试团队，AI一边分析需求，一边自动生成和执行测试代码。

---

3. CrewAI ------ 轻量级团队，配置超简单

CrewAI适合需要明确分工、流程清晰的小型"AI团队"：

• 角色定义：比如"需求分析员"、"用例生成器"、"报告撰写员"。
• 事件驱动：需要哪个角色时，自动上线工作。
• 极简配置：几行代码就能跑起来。

入门思路：用CrewAI让AI帮你自动收集bug、分析日志、输出测试报告。

---

支持库：让AI代理更"聪明"的秘密武器

LLM模型集成

• Hugging Face Transformers：数千种预训练大模型，开箱即用。
• OpenAI API：直接用GPT系列模型对话。
• Google AI SDK：调用Gemini等大模型处理复杂任务。

数据管理

• LlamaIndex：把企业内网文档、测试报告变成可检索的知识库。
• Chroma/FAISS：高效存储和检索"向量"数据，做智能搜索。
• Redis：用来保存AI代理的状态和缓存结果，速度飞快。

工具扩展

• Selenium：让AI自动打开网页、填写表单，做端到端自动化测试。
• PyAutoGUI：模拟鼠标键盘，自动操作桌面应用。

部署方案

• FastAPI：快速搭建AI服务接口，方便和测试平台对接。
• Streamlit：做交互式仪表盘，展示AI测试结果。
• LangFlow：拖拽式可视化，零代码搭建AI流程。

---

如何选择适合你的第一个库？

应用场景	推荐框架	说明
聊天机器人/单一任务	LangChain	适合入门和基础自动化
多角色协作	AutoGen	复杂流程和团队分工
快速模拟团队流程	CrewAI	小团队任务分配、快速原型开发
知识库问答	LlamaIndex + Chroma	文档搜索、智能问答
网页自动化	Selenium	自动操作网页、表单填报

---

测试工程师的AI成长路线图

1. 基础：用LangChain做一个能查询bug状态的聊天机器人，体验AI记忆与API集成。
2. 进阶：用AutoGen模拟一个"自动化测试小组"，让AI协作完成代码生成、用例审查等工作。
3. 专业：结合CrewAI和LlamaIndex，打造智能知识库问答系统，支持自动检索测试用例和历史缺陷。
4. 专家：自定义开发，灵活组合多个库，实现更复杂的自动化测试和团队协作。

---

未来趋势

• 模块化更强：各库之间互通更方便，拼装能力更高。
• 企业级落地：越来越多生产级的AI自动化方案出现。
• 低代码平台崛起：拖拽式可视化工具，让非开发同事也能参与AI系统搭建。

---

简单示例

使用streamlit编写一个简易版chatbot，使用通义大模型，源码如下:

import streamlit as st
import os
from typing import Annotated
from typing_extensions import TypedDict
from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages
from langchain_community.llms import Tongyi

# ---- 环境变量输入区（可根据需求修改为硬编码） ----
st.set_page_config(page_title="Qwen 聊天机器人", page_icon="🤖", layout="centered")

with st.sidebar:
    st.title("配置参数")
    dashscope_api_key = st.text_input("DASHSCOPE_API_KEY", type="password", value=os.environ.get("DASHSCOPE_API_KEY", ""))
    langsmith_api_key = st.text_input("LANGSMITH_API_KEY（可选）", type="password", value=os.environ.get("LANGSMITH_API_KEY", ""))
    langsmith_project = st.text_input("LANGSMITH_PROJECT（可选）", value=os.environ.get("LANGSMITH_PROJECT", ""))
    langsmith_endpoint = st.text_input("LANGSMITH_ENDPOINT（可选）", value=os.environ.get("LANGSMITH_ENDPOINT", "https://api.smith.langchain.com"))
    st.markdown("> *如无需 LangSmith，可留空*")
    st.markdown("---")
    st.markdown("by [你的名字/团队]")

# 设置环境变量
if dashscope_api_key:
    os.environ["DASHSCOPE_API_KEY"] = dashscope_api_key
if langsmith_api_key:
    os.environ["LANGSMITH_API_KEY"] = langsmith_api_key
    os.environ["LANGSMITH_TRACING"] = "true"
if langsmith_project:
    os.environ["LANGSMITH_PROJECT"] = langsmith_project
if langsmith_endpoint:
    os.environ["LANGSMITH_ENDPOINT"] = langsmith_endpoint

# ---- 对话状态定义 ----
class State(TypedDict):
    messages: Annotated[list, add_messages]

# ---- 状态机组装 ----
@st.cache_resource(show_spinner="正在加载 Qwen 模型...")
def get_graph():
    graph_builder = StateGraph(State)
    llm = Tongyi(
        model="qwen-max",
        streaming=True,
        temperature=0.7,
        top_p=0.8,
        api_key=os.environ.get("DASHSCOPE_API_KEY")
    )
    def chatbot(state: State):
        return {"messages": [llm.invoke(state["messages"])]}
    graph_builder.add_node("chatbot", chatbot)
    graph_builder.add_edge(START, "chatbot")
    graph_builder.add_edge("chatbot", END)
    return graph_builder.compile()

graph = get_graph()

# ---- Streamlit 聊天 session 状态维护 ----
if "history" not in st.session_state:
    st.session_state.history = []

st.title("🤖 Qwen 聊天机器人（LangGraph 版）")

with st.form(key="chat-form", clear_on_submit=True):
    user_input = st.text_area("请输入你的问题：", value="", placeholder="和机器人聊点什么吧...", height=80)
    submitted = st.form_submit_button("发送")

def stream_graph_updates(user_input: str, history: list):
    yield from graph.stream({"messages": history + [{"role": "user", "content": user_input}]})

# 聊天历史展示
for msg in st.session_state.history:
    if msg["role"] == "user":
        st.chat_message("user").write(msg["content"])
    else:
        st.chat_message("assistant").write(msg["content"])

# 新问题处理
if submitted and user_input.strip():
    st.session_state.history.append({"role": "user", "content": user_input})
    response_placeholder = st.empty()
    full_response = ""
    # 流式显示
    with st.spinner("Assistant 正在思考..."):
        for event in stream_graph_updates(user_input, st.session_state.history[:-1]):
            for value in event.values():
                resp = value["messages"][-1]
                # 仅展示assistant内容
                # if resp["role"] == "assistant":
                #     full_response = resp
                response_placeholder.chat_message("assistant").write(resp)
    # 更新历史
    if full_response:
        st.session_state.history.append({"role": "assistant", "content": full_response})

# 清空历史按钮
st.sidebar.button("清空对话历史", on_click=lambda: st.session_state.pop("history", None))

st.info("提示：本机器人支持多轮上下文记忆，支持流式输出。输入 'quit'/'exit'/'q' 可结束对话（但不会关闭页面）。")

运行效果：

配置了DASHSCOPE_API_KEY后效果如下：

结语

这些Python库为AI代理搭建提供了强大的底层能力，让测试工程师把更多时间花在创新与优化上，而不是重复造轮子。建议你从LangChain入手，边学边用，亲手做几个小项目，比如自动查询天气并推荐穿衣。实践中你会发现，AI代理就像乐高积木，拼出无限可能！

动手试试：用LangChain做个"小助手"，能自动查天气并给出穿衣建议。你会学会AI如何记住历史对话、调用外部API，迈出智能自动化的第一步！

---