hello-agents 学习笔记：从概念到落地，初识智能体的奇妙世界

最近跟着 datawhale 的 hello-agents 教程入门智能体，从模糊的概念到亲手写出可运行的程序，每一步都充满惊喜。今天就把这份学习笔记整理出来，和大家聊聊智能体的定义、类型、核心范式，还有我用 Deepseek 在 PyCharm 里实现的实操案例～

一、先搞懂：到底什么是智能体？

其实智能体的核心定义特别好理解 ------ 它就是一个能感知周围环境，还能自主行动去达成目标的 "实体"。这个实体可能是自动驾驶汽车、手机里的导航 APP，甚至是处理金融交易的算法。

拆解下来，智能体得满足四个关键条件：首先得有 "感知器官"，比如摄像头、传感器或者 API 接口，能捕捉环境信息；其次得有 "行动工具"，像机械臂、代码函数这些，能对环境产生影响；最重要的是 "自主性"，不用人一步一步指挥，能自己做决策；最后还要有明确的 "目标"，所有行动都围绕这个目标展开。

就像我们日常用的导航 APP，它通过地图数据感知你的位置和路况（感知），通过规划路线和语音提示（行动），帮你在最短时间内到达目的地（目标），全程不用你手动计算路线，这就是一个典型的智能体。

二、智能体的类型与范式

智能体的世界并不是单一的，而是多元而精彩的。根据功能和应用场景的不同，智能体可以分为多种类型，比如任务型智能体、交互型智能体、学习型智能体等。每一种类型都有其独特的魅力和应用场景。

• 任务型智能体：就像是一个勤劳的小蜜蜂，专注于完成特定的任务，比如查询天气、订购机票等。

• 交互型智能体：则更像是一个善解人意的朋友，能够与你进行自然的语言交流，理解你的情感和需求。

• 学习型智能体：则是一个不断进步的学生，通过不断的学习和优化，提升自己的能力和效率。

在智能体的范式方面，也有监督学习、强化学习等多种方式。这些范式为智能体的训练和优化提供了丰富的工具和方法，使得智能体能够更加智能、更加高效。

三、智能体的三大分类维度

，智能体还能从三个角度分类，不同分类对应不同的应用场景：

1. 按决策架构分：从简单到复杂

就是我们前面聊的 "进化史" 分类 ------ 简单反射、基于模型、基于目标、基于效用、学习型，复杂度逐级提升，适用场景也从简单的自动化任务，扩展到金融交易、医疗诊断等复杂场景。

2. 按反应速度分：快反应 vs 深思考

• 反应式智能体：像安全气囊系统，必须毫秒级反应，追求速度优先，不做复杂规划；

• 规划式智能体：像 AlphaGo 或物流路径规划系统，会提前思考未来几步甚至几十步的行动，追求最优结果，不在乎多花一点时间；

• 混合式智能体：结合两者优点，比如自动驾驶汽车，遇到突发情况（如前方突然出现障碍物）会瞬间反应刹车（反应式），但日常行驶会规划最优路线（规划式）。

3. 按知识存储分：显性规则 vs 隐性模式

• 符号主义智能体：像严谨的图书管理员，知识都以明确的规则和概念存在，比如 "猫有四条腿、会喵喵叫"，推理过程清晰可追溯，但面对模糊情况容易出错；

• 亚符号主义智能体：像牙牙学语的孩子，通过大量数据学习规律，不用明确规则就能识别猫的图片，但说不出 "为什么这是猫"，推理过程像 "黑箱"；

• 神经符号主义智能体：结合两者优点，既有神经网络的模式识别能力，又有符号系统的逻辑推理能力，就像人类的 "直觉 + 理性"，是现在最热门的发展方向。

四、实操环节：用 Deepseek 实现智能旅行助手

理论说得再多，不如亲手写一段代码。跟着教程，我在 PyCharm 里用 Deepseek 模型，实现了一个简单的智能旅行助手 ------ 核心功能是 "查询北京今日天气，再根据天气推荐景点"。

1. 准备工作

首先得安装必要的库：requests（调用 API）、tavily-python（搜索工具）、openai（对接 Deepseek，因为 Deepseek 兼容 OpenAI 接口），用 pip 命令一键安装：

pip install requests tavily-python openai

然后要准备两个关键工具：

• 天气查询工具：调用 wttr.in 的免费 API，获取北京的实时天气；

• 景点推荐工具：用 Tavily 搜索 API，根据天气推荐合适的景点。

2. 核心逻辑：Thought-Action-Observation 循环

智能体的运行核心就是这个 "思考 - 行动 - 观察" 的闭环，我来拆解一下这个过程：

1. 思考（Thought）：智能体收到用户指令后，分析需要做什么 ------ 先查天气，再根据天气推荐景点；

2. 行动（Action）：调用对应的工具函数，比如先调用 get_weather ("北京") 获取天气数据；

3. 观察（Observation）：工具返回结果后，智能体读取这个结果，作为下一步行动的依据；

4. 循环：直到完成目标，输出最终答案。

3. 关键代码片段

首先是工具函数的实现，天气查询函数：

import requests

def get_weather(city: str) -> str:
    url = f"https://wttr.in/{city}?format=j1"
    try:
        response = requests.get(url)
        response.raise_for_status()
        data = response.json()
        current_condition = data['current_condition'][0]
        weather_desc = current_condition['weatherDesc'][0]['value']
        temp_c = current_condition['temp_C']
        return f"{city}当前天气:{weather_desc}，气温{temp_c}摄氏度"
    except Exception as e:
        return f"天气查询失败：{e}"

然后是景点推荐函数，结合 Tavily 搜索：

import os
from tavily import TavilyClient

def get_attraction(city: str, weather: str) -> str:
    api_key = os.environ.get("TAVILY_API_KEY")
    if not api_key:
        return "未配置TAVILY_API_KEY"
    tavily = TavilyClient(api_key=api_key)
    query = f"'{city}' 在'{weather}'天气下最值得去的旅游景点及理由"
    try:
        response = tavily.search(query=query, search_depth="basic", include_answer=True)
        if response.get("answer"):
            return response["answer"]
        return "未找到合适的景点推荐"
    except Exception as e:
        return f"景点搜索失败：{e}"

最后是对接 Deepseek，实现循环逻辑：

from openai import OpenAI

# 初始化Deepseek客户端
client = OpenAI(
    api_key="你的Deepseek API密钥",
    base_url="https://api.deepseek.com"
)

# 系统提示，定义智能体角色和行动规则
system_prompt = """
你是智能旅行助手，用以下工具解决用户问题：
- get_weather(city: str)：查询城市实时天气
- get_attraction(city: str, weather: str)：根据天气推荐景点
每次回复需遵循：先思考过程，再行动，格式为：
Thought: [思考过程]
Action: [工具调用，如function_name(arg="value")]
完成任务后用finish(answer="最终答案")输出结果
"""

# 用户指令
user_prompt = "帮我查询一下今天北京的天气，然后根据天气推荐一个合适的旅游景点"

# 运行循环
prompt_history = [{"role": "system", "content": system_prompt}, {"role": "user", "content": user_prompt}]

for _ in range(5):  # 限制最大循环次数
    response = client.chat.completions.create(
        model="deepseek-chat",
        messages=prompt_history
    )
    llm_output = response.choices[0].message.content
    prompt_history.append({"role": "assistant", "content": llm_output})
    
    # 解析行动并执行
    if "get_weather" in llm_output:
        weather = get_weather("北京")
        prompt_history.append({"role": "user", "content": f"Observation: {weather}"})
    elif "get_attraction" in llm_output:
        # 提取天气信息
        weather = [msg for msg in prompt_history if "Observation:" in msg["content"]][0]["content"].split("：")[-1]
        attraction = get_attraction("北京", weather)
        prompt_history.append({"role": "user", "content": f"Observation: {attraction}"})
    elif "finish" in llm_output:
        final_answer = llm_output.split('"')[1]
        print("最终结果：", final_answer)
        break

4. 运行结果超惊喜！

程序运行后，先调用天气接口获取到 "Observation: 北京当前天气：Clear，气温-3摄氏度"，然后自动调用景点推荐工具，最后输出："任务完成，最终答案: 根据查询，北京今天的天气是多云，气温7摄氏度。这种天气比较凉爽但适合户外活动。我推荐您参观颐和园，多云天气下漫步在湖畔和园林中会很舒适，既能欣赏皇家园林的秋色，又不会太晒。记得穿件外套保暖。"

整个过程完全自动化，不用手动干预，智能体自己完成了 "查天气 - 分析场景 - 推荐景点" 的全流程，这就是 LLM 驱动智能体的魅力～

五、学习小结

这次学习《第一章 初识智能体》，最大的收获就是把 "智能体" 这个抽象概念，变成了可理解、可实操的知识。从定义来看，智能体的核心是 "感知 - 自主行动 - 目标导向"；从发展来看，它从简单反射进化到了能自主学习的高级形态；从应用来看，LLM 驱动的智能体正在改变我们的工作和生活方式。

而亲手用 Deepseek 实现旅行助手的过程，更让我感受到了智能体的落地魅力 ------ 不用复杂的代码，通过 "思考 - 行动 - 观察" 的循环，就能让模型自主调用工具、解决实际问题。接下来还想试试给智能体添加 "记忆功能"，让它记住用户的旅行偏好，或者处理景点售罄时的备选方案，继续探索智能体的更多可能性～