本文属于【Azure 架构师学习笔记】系列。
本文属于【Azure AI】系列。
接上文 【Azure 架构师学习笔记 】- Azure AI(17)-入门铺垫---基于Azure的Agent核心认知与环境准备
前言
上一篇我们完成了Azure国际版环境准备和Agent核心认知，明确了Agent的四大模块、三层生态，以及Azure国际版对Agent的核心支撑，同时确认了已有的GPT-4模型可作为Agent的核心决策驱动。
这一篇将进入实操核心：搭建第一个可运行的极简Agent。作为入门，我们不追求复杂功能，先实现"指令解析→任务执行→结果反馈"的闭环，核心依托Azure OpenAI的GPT-4模型实现任务规划，复用你之前掌握的Python代码和Azure配置逻辑，降低学习成本。
二、极简Agent的核心模块拆解
我们将搭建的第一个极简Agent，核心包含3个模块（对应代码的3个核心函数），这也是所有Agent的基础框架：
-
配置模块：加载Azure OpenAI的配置（Endpoint、API Key 、Deployment Name），确保能正常调用GPT-4模型，复用上一篇的配置逻辑，无需重复编写；
-
指令解析与任务规划模块：接收用户指令（如"总结一段文本"），通过Azure GPT-4模型解析指令、规划执行步骤（版暂不拆解复杂步骤，重点实现"指令→执行"的直接映射）；
-
工具执行模块：根据规划的步骤，调用对应的工具（本篇先实现"文本总结"工具，后续逐步扩展文件处理、导出等工具），工具的核心逻辑复用Azure OpenAI的调用能力。
补充说明：此版Agent暂不加入复杂的多轮记忆和批量处理，重点验证"Azure GPT-4模型调用→任务执行"的流程，确保核心功能可运行，后续逐步迭代完善。
三、实操：编写极简Agent完整代码
建议保存为agent_basic.py
python
from openai import AzureOpenAI
import json
import os
# ===================== 1. Azure OpenAI配置模块（复用+适配Agent） =====================
# 配置文件路径（和上一篇一致，保存Azure信息，避免每次输入）
CONFIG_FILE = "azure_config.json"
def load_azure_config():
"""加载Azure OpenAI配置，新增配置校验"""
if os.path.exists(CONFIG_FILE):
with open(CONFIG_FILE, "r", encoding="utf-8") as f:
config = json.load(f)
# 验证配置是否完整（Azure必备3个参数，适配GPT-4调用）
required_keys = ["azure_endpoint", "api_key", "deployment_name"]
if all(key in config for key in required_keys):
return config
else:
raise ValueError("Azure配置不完整，需包含azure_endpoint、api_key、deployment_name")
else:
# 若没有配置文件，引导用户填写（首次运行，和上一篇操作一致）
config = {
"azure_endpoint": input("请输入AzureEndpoint："),
"api_key": input("请输入Azure OpenAI API Key："),
"deployment_name": input("请输入Azure OpenAI部署名称（需为GPT-4）：")
}
with open(CONFIG_FILE, "w", encoding="utf-8") as f:
json.dump(config, f, ensure_ascii=False, indent=4)
return config
# 初始化Azure OpenAI客户端（指定稳定API版本）
config = load_azure_config()
client = AzureOpenAI(
azure_endpoint=config["azure_endpoint"],
api_key=config["api_key"],
api_version="2025-01-01-preview" #
)
# ===================== 2. 工具模块（极简版：文本总结工具，GPT-4驱动） =====================
def text_summary_tool(text: str) -> str:
"""文本总结工具（Agent可调用的第一个工具），复用Azure OpenAI调用逻辑，适配GPT-4"""
try:
response = client.chat.completions.create(
model=config["deployment_name"], # 关联你部署的GPT-4模型
messages=[
{"role": "system", "content": "你是专业的文本总结助手，总结需简洁、准确，控制在100字内，无冗余内容，贴合职场场景。"},
{"role": "user", "content": f"请总结以下文本：\n{text}"}
],
temperature=0.2 # 降低随机性，确保总结结果稳定
)
return response.choices[0].message.content.strip()
except Exception as e:
return f"文本总结失败（GPT-4调用异常）：{str(e)}"
# ===================== 3. Agent核心模块（指令解析+任务规划+工具调用） =====================
class SimpleAzureAgent:
def __init__(self):
# 初始化Agent，加载工具（后续可添加更多工具，如文件处理）
self.tools = {
"文本总结": text_summary_tool # 工具名称→工具函数的映射，方便Agent快速调用
}
def parse_instruction(self, instruction: str) -> dict:
"""解析用户指令，判断需要调用的工具（极简版：直接匹配工具名称，降低复杂度）"""
# 这里用简单的关键词匹配，后续将升级为GPT-4智能解析，适配复杂指令
for tool_name in self.tools.keys():
if tool_name in instruction:
return {
"tool_name": tool_name,
"content": instruction.replace(tool_name, "").strip(), # 提取需要处理的文本内容
"status": "success"
}
# 若未匹配到工具，返回明确提示，引导用户输入正确指令
return {
"status": "fail",
"message": "未识别到可处理的任务，请输入包含「文本总结」的指令（如：文本总结 今天的会议内容是...）"
}
def run(self, instruction: str) -> str:
"""Agent运行入口：串联「解析指令→调用工具→返回结果」全流程"""
print(f"Agent接收指令：{instruction}")
# 1. 解析用户指令，判断需要调用的工具
parse_result = self.parse_instruction(instruction)
if parse_result["status"] == "fail":
return parse_result["message"]
# 2. 调用对应的工具，执行具体任务
tool_name = parse_result["tool_name"]
content = parse_result["content"]
if not content:
return f"请输入需要{tool_name}的内容（如：{tool_name} 具体文本）"
tool_func = self.tools[tool_name]
result = tool_func(content)
# 3. 返回处理结果，格式清晰，方便用户查看
return f"Agent处理结果（{tool_name}）：\n{result}"
# ===================== 4. 测试Agent（直接运行，验证功能） =====================
if __name__ == "__main__":
# 初始化Agent，加载GPT-4模型和工具
agent = SimpleAzureAgent()
print("✅ Azure极简Agent已启动（基于GPT-4驱动）")
print("示例指令：文本总结 今天召开了项目会议，讨论了下一版本的功能迭代计划，确定了需求优先级，预计下周三完成开发任务。")
print("输入「退出」即可结束运行")
# 交互测试，模拟用户使用场景
while True:
user_input = input("\n请输入指令：")
if user_input == "退出":
print("❌ Agent已停止运行")
break
# 运行Agent并输出结果，验证GPT-4调用和工具执行
result = agent.run(user_input)
print(result)四、代码运行与测试
代码运行步骤简单，附测试成功示意图，方便你对照验证：
-
保存代码：将上述代码保存为agent_basic.py，放在本地文件夹（建议和上一篇的azure_config.json文件放在同一目录，避免配置读取失败）；
-
运行代码：打开CMD，进入代码所在目录，执行命令 python agent_basic.py；
-
首次运行验证：若没有azure_config.json文件，会提示输入Azure的Endpoint、API Key、Deployment Name（可从Azure门户复制，和上一篇准备的一致，确保Deployment Name是GPT-4的部署名称）；
-
功能测试（输入以下指令，验证Agent是否正常运行，对照示意图查看结果）：
-
测试指令1（基础功能）：文本总结 今天召开了项目会议，参会人员有产品、开发、测试，会议核心讨论了下一版本的功能迭代计划，确定了需求优先级，预计下周三完成开发任务。
-
预期结果：Agent调用文本总结工具（GPT-4驱动），返回简洁的总结（100字内），无冗余内容；
- 测试指令2（异常验证）：输入"整理文件"（未包含"文本总结"关键词），Agent会提示"未识别到可处理的任务"，验证指令解析功能；
- 测试指令3（空内容验证）：输入"文本总结"（未输入具体文本），Agent会提示"请输入需要总结的内容"，验证参数校验功能。
五、核心知识点讲解
- Agent核心逻辑讲解（理解底层原理）
Agent的运行流程：用户输入指令 → Agent解析指令（匹配工具） → 调用对应工具（文本总结，GPT-4驱动） → 返回结果，其中3个核心关键点需重点掌握：
-
tools字典：实现"工具名称→工具函数"的映射，后续添加新工具（如文件处理），只需在字典中添加对应映射即可，扩展性强；
-
parse_instruction函数：极简版用关键词匹配，降低理解和开发难度，后续将升级为"通过Azure GPT-4模型解析指令"，实现更智能的任务识别（如识别复杂指令）；
-
run函数：Agent的入口，串联"解析→调用→返回"的全流程，是Agent的核心控制逻辑，后续所有功能升级（如多轮记忆、批量处理），都会围绕这个入口扩展。
- 常见问题排查
运行代码时，若出现报错，可对照以下常见问题排查：
-
报错"配置不完整"：检查azure_config.json文件，确保3个核心参数都填写正确，无拼写错误；如果还有错误，可以删除这个json文件重新运行。
-
报错"模型调用失败"：检查Deployment Name是否为GPT-4的部署名称，同时确认Azure订阅处于活跃状态，API Key未过期；
-
代码运行无响应：检查网络是否能正常访问Azure国际版，若网络异常，需确保Azure国际版的访问权限正常。
六、本篇总结与下一篇预告
本篇我们成功搭建了第一个基于Azure的入门级Agent，依托GPT-4模型实现了"文本总结"功能，掌握了Agent的核心框架（配置→解析→工具调用），同时验证了Azure模型调用的稳定性，也解决了新手常见的调用和运行问题。
下一篇，我们将升级Agent：添加多轮记忆功能（让Agent记住上下文，比如追问上一次的总结内容）、扩展文件处理工具（复用你之前的多格式文件处理代码），让Agent能处理"总结Word文档""提取Excel内容"等更贴近职场的任务，逐步向实用型Agent升级，同时继续补充对应的示意图，方便解升级逻辑。