动手体验:5分钟实现第一个智能体

🎯 最近被各种新闻、文章等刷屏AI工具,今天我们也来创建一个智能体


一、5分钟动手:创建你的第一个智能体

1、 准备工作

工具 用途 获取方式
Python 3.8+ 运行环境 python.org下载安装
DeepSeek API Key AI大脑 platform.deepseek.com注册(充值10元)
代码编辑器 写代码 VS Code或记事本

① python安装就不讲了,安装很简单,网上也有很多教程。

⚠️ 注意 :安装Python时勾选 "Add Python to PATH"

② 需要准备deepseek的API keys,可以充值10元,可以用很久。


2、安装依赖

bash 复制代码
pip install openai

3、 编写代码

新建文件 my_agent.py,粘贴以下代码(记住替换你的API Key):

python 复制代码
import time
from openai import OpenAI

# ========== 配置 ==========
API_KEY = "your-deepseek-api-key"  # ← 替换为你的API Key
client = OpenAI(api_key=API_KEY, base_url="https://api.deepseek.com")

# ========== 核心:智能体类 ==========
class SimpleAgent:
    """
    一个简单的智能体,具备:
    1. 角色设定(System Prompt)
    2. 对话记忆(Memory)
    3. 工具调用(Tools)
    4. 流式输出(Streaming)
    """

    def __init__(self, name, role_description):
        self.name = name
        self.role = role_description
        self.memory = []  # 存储对话历史

    def think_and_act(self, user_input):
        """
        智能体的核心循环:
        接收输入 → 思考 → 可能调用工具 → 生成回复
        """
        print(f"\n🤖 [{self.name}] 正在思考...\n")

        # 构建消息:系统角色 + 历史记忆 + 当前输入
        messages = [{"role": "system", "content": self.role}]
        messages.extend(self.memory)
        messages.append({"role": "user", "content": user_input})

        # 调用大模型(流式输出)
        try:
            response = client.chat.completions.create(
                model="deepseek-chat",
                messages=messages,
                stream=True  # 关键:开启流式输出
            )

            # 逐字输出,模拟"思考过程"
            print(f"[{self.name}]:", end="")
            full_reply = ""
            for chunk in response:
                if chunk.choices[0].delta.content:
                    text = chunk.choices[0].delta.content
                    full_reply += text
                    print(text, end='', flush=True)
                    time.sleep(0.02)  # 打字机效果
            print("\n")

            # 保存到记忆
            self.memory.append({"role": "user", "content": user_input})
            self.memory.append({"role": "assistant", "content": full_reply})

            return full_reply

        except Exception as e:
            print(f"❌ 错误:{e}")
            return None

# ========== 工具函数 ==========
def calculator(expression):
    """计算器工具:让智能体能做数学运算"""
    try:
        result = eval(expression)
        return f"计算结果:{result}"
    except:
        return "计算出错,请检查表达式"

def save_to_file(content, filename="output.txt"):
    """文件工具:让智能体能保存内容"""
    with open(filename, 'w', encoding='utf-8') as f:
        f.write(content)
    return f"内容已保存到 {filename}"

# ========== 主程序 ==========
def main():
    print("="*60)
    print("🚀 你的第一个AI智能体")
    print("="*60)
    print("\n这是一个'学习助手'智能体,它可以:")
    print("  1. 回答学习问题")
    print("  2. 帮你总结知识点")
    print("  3. 生成学习计划")
    print("  4. 调用工具(计算、保存文件)")
    print("\n特殊指令:")
    print("  '计算:1+1' → 调用计算器")
    print("  '保存:内容' → 保存到文件")
    print("  '退出' → 结束对话\n")

    # 创建智能体实例
    agent = SimpleAgent(
        name="学习助手",
        role_description="""你是一位耐心的学习助手,擅长:
1. 用通俗易懂的方式解释复杂概念
2. 帮助用户制定学习计划
3. 总结知识要点
回答要简洁、有结构、鼓励用户。"""
    )

    # 对话循环
    while True:
        user_input = input("👤 你:").strip()

        if user_input.lower() in ['退出', 'quit', 'q']:
            print(f"\n👋 感谢使用!继续探索Agent AI的世界吧~\n")
            break

        if not user_input:
            continue

        # 检测工具调用
        if user_input.startswith("计算:"):
            expr = user_input.replace("计算:", "").strip()
            result = calculator(expr)
            print(f"🧮 工具结果:{result}\n")
            agent.memory.append({"role": "system", "content": f"用户使用了计算器,结果是:{result}"})

        elif user_input.startswith("保存:"):
            content = user_input.replace("保存:", "").strip()
            result = save_to_file(content)
            print(f"💾 工具结果:{result}\n")

        else:
            # 正常对话
            agent.think_and_act(user_input)

if __name__ == "__main__":
    main()

4、 运行体验

打开CMD或者Windows PowerShell,进入到my_agent.py文件夹目录下

bash 复制代码
python my_agent.py

示例对话:

二、Agent AI完整学习路线图

三 、常见问题

Q1: 智能体和RAG有什么区别?

RAG是让AI能查资料,智能体是让AI能动手做事。RAG是智能体的一个组件。

Q2: 需要很强的编程基础吗?

本文的代码就是入门门槛。会Python基础就能开始,边做边学。

Q3: 国内除了DeepSeek还能用什么?

智谱GLM、百度文心、阿里通义都支持Function Calling,原理相同。


四 、总结:你现在的位置

复制代码
Agent AI 学习旅程
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

起点:读完本文 ✅
     ↓
第一步:运行了第一个智能体 ✅
     ↓
下一步:
  • 给智能体添加更多工具
  • 接入真实API(天气、股票、翻译)
  • 学习LangChain/LlamaIndex框架
  • 做一个完整项目
     ↓
目标:成为Agent AI开发者 🎯

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
相关推荐
小小-猿3 天前
从 gpt-6-luna 到第一个 Nexent 智能体:配置、调试与发布
gpt·大模型·智能体·ai智能体·nexent
科研小刘带你玩学术3 天前
【科研快讯】OpenAI推出ChatGPT Wallet:AI Agent不再只会推荐商品,还能替用户完成支付
人工智能·数字经济·智能体·科技前沿·aiagent·ai支付·智能商务
指尖时光.3 天前
【Agent】个人 Agent 工作台建设指南
agent·知识库·智能体·skill·agent开发
贾伟康7 天前
HarmonyOS API 26 HMAF Skill 可解释任务计划与失败回退
harmonyos·arkts·智能体·skill·hmaf
贾伟康7 天前
HarmonyOS API 26 HMAF 2.0 意图解析的可解释动作图
harmonyos·arkts·智能体·a2a·hmaf
贾伟康8 天前
HarmonyOS API 26 HMAF Skill 多 Skill 冲突仲裁与可恢复执行
harmonyos·arkts·智能体·skill·hmaf
OxYGC9 天前
智能体项目复盘 · 智能客服篇:对话栈、Flow 与策略集成器——LLM 是怎么嵌进传统多轮对话架构的
对话系统·智能客服·rag·智能体
正在走向自律9 天前
AI Agent 落地这一年:从“能跑起来”到“敢放出去”
大数据·人工智能·ai agent·智能体·mcp·a2a
积流成海10 天前
Agent演化史(九):多智能体的暗面,当一次 prompt 注入可以横向移动
prompt·agent·智能体·大模型应用
像风一样自由202013 天前
4.DockerCompose是什么为什么算法服务需要多个容器
人工智能·rag·智能体