Agent

B站视频链接:https://www.bilibili.com/video/BV1aeLqzUE6L?spm_id_from=333.788.videopod.sections\&vd_source=0a100cb9d25855cbc65bcb483a8a5a84

  • user prompt: 我们通过聊天框发送给AI模型的消息;
  • system prompt: 用来描述AI的角色、性格、背景信息、语气等;

每次用户发送user prompt的时候,系统会自动把system prompt发送给AI

  • function calling: 规定了AI使用工具时应该返回的格式;
  • MCP: 是一个通信协议,专门用来规范Agent和Tool服务之间是怎么交互的,称Tool服务为MCP server,调用它的Agent为MCP client,MCP实际上用来帮助Agent管理工具、资源和提示词;

MCP server可以和Agent部署在一起,通过stdio标准输入输出来通信,也可以部署在远程,通过HTTP网络协议来访问;

B站视频链接:https://www.bilibili.com/video/BV1UMVKzEESL?spm_id_from=333.788.videopod.sections\&vd_source=0a100cb9d25855cbc65bcb483a8a5a84

需要准备的:

  • 一个Gemini模型的API KEY

  • 一个Python环境

  • 安装必要的Python库:pydantic_ai, dotenv

  • 一个.env文件,用来存储API KEY

  • 一个Agent_demo目录,用来存放Agent的代码

    • main.py: 用来运行Agent的代码
    • tools.py: 用来定义Agent可以调用的工具函数
    • .env: 用来存储API KEY
    • base_dir: 用来存储Agent可以访问的文件目录

    main.py

python 复制代码
from pydantic_ai.models.gemini import GeminiModel
from pydantic_ai import Agent

from dotenv import load_dotenv # 加载.env文件中的API KEY
import tools

load_dotenv()
model = GeminiModel("gemini-2.5-flash-preview-04-17")

agent = Agent(model,
             system_prompt="You are an experienced programmer",
             tools=[tools.read_file, tools.list_files, tools.rename_file])

def main():
   history = []
   while True:
       user_input = input("Input: ") # 通过标准输入接收用户的鹅指令
       resp = agent.run_sync(user_input,
                             message_history=history) # 将用户输入和历史记录直接传给Agent
       history = list(resp.all_messages()) # 保留聊天记录
       print(resp.output)  # 打印AI的返回结果


if __name__ == "__main__":
   main()

tools.py

python 复制代码
from pathlib import Path
import os

base_dir = Path("./test")

# 读文件
def read_file(name: str) -> str:
    """Return file content. If not exist, return error message.
    """
    print(f"(read_file {name})")
    try:
        with open(base_dir / name, "r") as f:
            content = f.read()
        return content
    except Exception as e:
        return f"An error occurred: {e}"
# 列目录
def list_files() -> list[str]:
    print("(list_file)")
    file_list = []
    for item in base_dir.rglob("*"):
        if item.is_file():
            file_list.append(str(item.relative_to(base_dir)))
    return file_list
# 改文件名
def rename_file(name: str, new_name: str) -> str:
    print(f"(rename_file {name} -> {new_name})")
    try:
        new_path = base_dir / new_name
        if not str(new_path).startswith(str(base_dir)):
            return "Error: new_name is outside base_dir."

        os.makedirs(new_path.parent, exist_ok=True)
        os.rename(base_dir / name, new_path)
        return f"File '{name}' successfully renamed to '{new_name}'."
    except Exception as e:
        return f"An error occurred: {e}"
相关推荐
华农DrLai21 小时前
什么是LLM做推荐的三种范式?Prompt-based、Embedding-based、Fine-tuning深度解析
人工智能·深度学习·prompt·transformer·知识图谱·embedding
东北洗浴王子讲AI21 小时前
GPT-5.4辅助算法设计与优化:从理论到实践的系统方法
人工智能·gpt·算法·chatgpt
超低空21 小时前
OpenClaw Windows 安装详细教程
人工智能·程序员·ai编程
恋猫de小郭1 天前
你的代理归我了:AI 大模型恶意中间人攻击,钱包都被转走了
前端·人工智能·ai编程
yongyoudayee1 天前
2026 AI CRM选型大比拼:四大架构路线实测对比
人工智能·架构
寻找奶酪的mouse1 天前
服务端视角下的AI Agent 架构解析
agent
高洁011 天前
多模态AI模型融合难?核心问题与解决思路
人工智能·深度学习·机器学习·数据挖掘·transformer
碑 一1 天前
视频分割Video K-Net
人工智能·计算机视觉
renhongxia11 天前
ORACLE-SWE:量化Oracle 信息信号对SWE代理的贡献
人工智能·深度学习·学习·语言模型·分类
AI自动化工坊1 天前
Google LiteRT-LM生产级部署指南:如何在边缘设备实现高效LLM推理?
人工智能·ai·llama