120行代码实现一个极简 Agent

huzhongqiang2026-06-05 10:27

120行代码实现一个极简 Agent

标签：#Python #AI #Agent #LLM #编程实战 日期：2026-06-04 摘要：本文介绍一个仅 120 行代码的极简 Agent 实现，包含记忆系统、工具系统，支持 LLM Function Calling，不依赖第三方 Agent 框架。适合作为 Agent 开发入门示例。

前言

最近在学习 Agent 开发，翻遍了市面上的框架文档，不是依赖 LangChain 就是需要安装各种 SDK。对于想理解 Agent 本质的新手来说，这些框架反而增加了理解成本。

于是我决定自己动手，用最朴素的方式写一个极简 Agent。120 行代码，涵盖了 Agent 的核心要素：记忆系统 、工具系统 、LLM 对接。

一、运行效果

先看一下实际运行效果：

可以看到：

  • 对话循环：用户输入 → LLM 思考 → 工具调用 → 结果返回 → LLM 总结
  • 工具调用 ：LLM 自动识别需要调用 list_dir 工具
  • 记忆保持：多轮对话上下文被完整保留

二、整体架构

Agent 的核心逻辑其实很简单：

复制代码 
用户输入 → 记忆存储 → LLM 思考 → 工具调用（可选）→ LLM 总结 → 返回结果

核心组件

组件 职责
LLM 大脑，负责理解和生成
Memory 记忆，管理对话历史
Tool 工具，扩展 LLM 能力
ToolRegistry 工具注册表，管理所有可用工具
Agent 粘合剂，协调以上组件工作

三、核心代码解读

1. LLM 调用

python 复制代码 
class LLM:
    def __init__(self, config: dict):
        self.api_key = config["api_key"]
        self.base_url = config["base_url"]
        self.model = config["model"]
        self.max_tokens = config.get("max_tokens", 4096)
        self.temperature = config.get("temperature", 0.1)
    
    def chat(self, messages: list[dict], tools: Optional[list] = None) -> dict:
        headers = {"Authorization": f"Bearer {self.api_key}", "Content-Type": "application/json"}
        payload = {"model": self.model, "messages": messages, "max_tokens": self.max_tokens, "temperature": self.temperature}
        if tools: payload["tools"] = tools
        resp = requests.post(f"{self.base_url}/chat/completions", headers=headers, json=payload, timeout=120)
        resp.raise_for_status()
        return resp.json()

要点：

  • 兼容 OpenAI 格式 API（如 MiniMax、DeepSeek 等）
  • tools 参数用于 Function Calling，让 LLM 知道有哪些工具可用

2. 记忆系统

python 复制代码 
class Memory:
    def __init__(self, max_msgs: int = 50):
        self.max_msgs = max_msgs
        self.messages: list[dict] = []
    
    def add(self, role: str, content: str):
        self.messages.append({"role": role, "content": content})
        # 自动修剪：保留系统消息 + 最近 50 条
        if len(self.messages) > self.max_msgs:
            self.messages = [m for m in self.messages if m["role"] == "system"] + self.messages[-self.max_msgs:]
    
    def add_user(self, content: str): self.add("user", content)
    def add_assistant(self, content: str): self.add("assistant", content)
    def add_tool(self, tool_call_id: str, content: str):
        self.messages.append({"role": "tool", "tool_call_id": tool_call_id, "content": content})

要点：

  • 支持 user、assistant、tool 三种角色
  • 自动修剪超过限制的旧消息
  • 保留系统消息不被修剪

3. 工具系统

python 复制代码 
class Tool:
    def __init__(self, name: str, desc: str, schema: dict, func: Callable):
        self.name, self.desc, self.schema, self.func = name, desc, schema, func
    
    def execute(self, **kwargs): return self.func(**kwargs)
    def to_schema(self): return {"type": "function", "function": {"name": self.name, "description": self.desc, "parameters": self.schema}}
python 复制代码 
class ToolRegistry:
    def __init__(self): self.tools: dict[str, Tool] = {}
    def register(self, tool: Tool): self.tools[tool.name] = tool
    def get(self, name: str): return self.tools.get(name)
    def get_schemas(self): return [t.to_schema() for t in self.tools.values()]

要点：

  • 每个 Tool 有 name、description、schema、func
  • to_schema() 生成 OpenAI Function Calling 格式
  • 注册表统一管理工具的注册和查找

4. 注册内置工具

python 复制代码 
registry = ToolRegistry()

registry.register(Tool("list_dir", "列出目录下的文件", {"type": "object", "properties": {"path": {"type": "string"}}, "required": ["path"]},
    lambda path: "\n".join([f"{'📁' if p.is_dir() else '📄'} {p.name}" for p in sorted(Path(path).iterdir())]) if Path(path).exists() else "目录不存在"))

registry.register(Tool("read_file", "读取文件内容", {"type": "object", "properties": {"path": {"type": "string"}}, "required": ["path"]},
    lambda path: Path(path).read_text(encoding="utf-8", errors="replace")[:5000] if Path(path).exists() else "文件不存在"))

registry.register(Tool("exec", "执行 Shell 命令", {"type": "object", "properties": {"command": {"type": "string"}}, "required": ["command"]},
    lambda command: subprocess.run(command, shell=True, capture_output=True, text=True, encoding="utf-8", errors="replace").stdout or "(无输出)"))

内置三个工具：

  • list_dir：列出目录文件
  • read_file：读取文件内容
  • exec：执行 Shell 命令

5. Agent 核心逻辑

python 复制代码 
class Agent:
    def __init__(self, config: dict):
        self.llm = LLM(config)
        self.memory = Memory()
    
    def chat(self, user_input: str) -> str:
        self.memory.add_user(user_input)
        messages = [{"role": "system", "content": SYSTEM_PROMPT}] + self.memory.messages
        
        # 第一次 LLM 调用
        result = self.llm.chat(messages, registry.get_schemas())
        msg = result["choices"][0]["message"]
        
        # 如果 LLM 调用了工具
        if "tool_calls" in msg and msg["tool_calls"]:
            self.memory.messages.append(msg)  # 保存 LLM 的调用
            for tc in msg["tool_calls"]:
                tool = registry.get(tc["function"]["name"])
                args = eval(tc["function"]["arguments"])
                result = tool.execute(**args) if tool else f"工具不存在: {tc['function']['name']}"
                self.memory.add_tool(tc["id"], result)  # 保存工具结果
            
            # 第二次 LLM 调用，传入工具结果
            result = self.llm.chat([{"role": "system", "content": SYSTEM_PROMPT}] + self.memory.messages, registry.get_schemas())
            msg = result["choices"][0]["message"]
        
        content = msg.get("content", "")
        self.memory.add_assistant(content)
        return content

核心流程：

markdown 复制代码 
用户输入
    ↓
记忆存储（add_user）
    ↓
第一次 LLM 调用（带工具 Schema）
    ↓
LLM 返回 ← 工具调用（可选）
    ↓
保存 LLM 回复
    ↓
执行工具（如果有）
    ↓
保存工具结果（add_tool）
    ↓
第二次 LLM 调用（传入工具结果）
    ↓
返回最终回复（add_assistant）

四、配置说明

只需要一个 config.json：

json 复制代码 
{
    "api_key": "你的 API Key",
    "base_url": "https://api.minimaxi.com/v1",
    "model": "MiniMax-M2.7",
    "max_tokens": 8192,
    "temperature": 0.1
}

支持任何 OpenAI 兼容 API（MiniMax、DeepSeek、Qwen 等）。

五、完整代码

整个项目只有两个文件：

文件 行数 说明
miniagent.py 120 全部代码
config.json 1 配置文件
python 复制代码 
"""极简 Agent 原型"""

import json, requests, subprocess

from pathlib import Path

from typing import Optional, Callable

  

# ============ 配置 ============

def load_config():

    with open(Path(__file__).parent / "config.json", encoding="utf-8") as f:

        return json.load(f)

  

# ============ LLM 调用 ============

class LLM:

    def __init__(self, config: dict):

        self.api_key = config["api_key"]

        self.base_url = config["base_url"]

        self.model = config["model"]

        self.max_tokens = config.get("max_tokens", 4096)

        self.temperature = config.get("temperature", 0.1)

    def chat(self, messages: list[dict], tools: Optional[list] = None) -> dict:

        headers = {"Authorization": f"Bearer {self.api_key}", "Content-Type": "application/json"}

        payload = {"model": self.model, "messages": messages, "max_tokens": self.max_tokens, "temperature": self.temperature}

        if tools: payload["tools"] = tools

        resp = requests.post(f"{self.base_url}/chat/completions", headers=headers, json=payload, timeout=120)

        resp.raise_for_status()

        return resp.json()

  

# ============ 记忆管理 ============

class Memory:

    def __init__(self, max_msgs: int = 50):

        self.max_msgs = max_msgs

        self.messages: list[dict] = []

    def add(self, role: str, content: str):

        self.messages.append({"role": role, "content": content})

        if len(self.messages) > self.max_msgs:

            self.messages = [m for m in self.messages if m["role"] == "system"] + self.messages[-self.max_msgs:]

    def add_user(self, content: str): self.add("user", content)

    def add_assistant(self, content: str): self.add("assistant", content)

    def add_tool(self, tool_call_id: str, content: str):

        self.messages.append({"role": "tool", "tool_call_id": tool_call_id, "content": content})

    def clear(self):

        self.messages = [m for m in self.messages if m["role"] == "system"]

  

# ============ 工具系统 ============

class Tool:

    def __init__(self, name: str, desc: str, schema: dict, func: Callable):

        self.name, self.desc, self.schema, self.func = name, desc, schema, func

    def execute(self, **kwargs): return self.func(**kwargs)

    def to_schema(self): return {"type": "function", "function": {"name": self.name, "description": self.desc, "parameters": self.schema}}

  

class ToolRegistry:

    def __init__(self): self.tools: dict[str, Tool] = {}

    def register(self, tool: Tool): self.tools[tool.name] = tool

    def get(self, name: str): return self.tools.get(name)

    def list(self): return list(self.tools.values())

    def get_schemas(self): return [t.to_schema() for t in self.tools.values()]

  

registry = ToolRegistry()

  

# 注册内置工具（每个一行，避免歧义）

registry.register(Tool("list_dir", "列出目录下的文件", {"type": "object", "properties": {"path": {"type": "string"}}, "required": ["path"]}, lambda path: "\n".join([f"{'📁' if p.is_dir() else '📄'} {p.name}" for p in sorted(Path(path).iterdir())]) if Path(path).exists() else "目录不存在"))

registry.register(Tool("read_file", "读取文件内容", {"type": "object", "properties": {"path": {"type": "string"}}, "required": ["path"]}, lambda path: Path(path).read_text(encoding="utf-8", errors="replace")[:5000] if Path(path).exists() else "文件不存在"))

registry.register(Tool("exec", "执行 Shell 命令", {"type": "object", "properties": {"command": {"type": "string"}}, "required": ["command"]}, lambda command: subprocess.run(command, shell=True, capture_output=True, text=True, encoding="utf-8", errors="replace").stdout or "(无输出)"))

  

# ============ Agent 核心 ============

SYSTEM_PROMPT = """你是一个有用的 AI 助手。

  

可用工具：

- list_dir(path): 列出目录文件

- read_file(path): 读取文件

- exec(command): 执行命令"""

  

class Agent:

    def __init__(self, config: dict):

        self.llm = LLM(config)

        self.memory = Memory()

    def chat(self, user_input: str) -> str:

        self.memory.add_user(user_input)

        messages = [{"role": "system", "content": SYSTEM_PROMPT}] + self.memory.messages

        result = self.llm.chat(messages, registry.get_schemas())

        msg = result["choices"][0]["message"]

        if "tool_calls" in msg and msg["tool_calls"]:

            self.memory.messages.append(msg)

            for tc in msg["tool_calls"]:

                tool = registry.get(tc["function"]["name"])

                args = eval(tc["function"]["arguments"])

                result = tool.execute(**args) if tool else f"工具不存在: {tc['function']['name']}"

                self.memory.add_tool(tc["id"], result)

            result = self.llm.chat([{"role": "system", "content": SYSTEM_PROMPT}] + self.memory.messages, registry.get_schemas())

            msg = result["choices"][0]["message"]

        content = msg.get("content", "")

        self.memory.add_assistant(content)

        return content

    def reset(self): self.memory.clear()

  

# ============ 入口 ============

if __name__ == "__main__":

    config = load_config()

    agent = Agent(config)

    print("="*50, "\nMyAgent 已启动 (输入 q 退出, reset 清空历史)\n", "="*50)

    while True:

        try:

            user_input = input("\n> ").strip()

            if user_input.lower() == "q": break

            if user_input.lower() == "reset": agent.reset(); print("已清空"); continue

            if not user_input: continue

            print(f"\n{agent.chat(user_input)}\n")

        except KeyboardInterrupt: break

        except Exception as e: print(f"错误: {e}")

六、总结

📌 要点回顾

  1. Agent 本质：一个 LLM + 记忆 + 工具的循环调用机制
  2. 工具调用：通过 Function Calling 让 LLM 知道有哪些工具可用
  3. 记忆系统：管理对话历史，自动修剪
  4. 朴素实现：120 行代码，不依赖任何第三方框架

💡 扩展方向

  • 添加更多工具（搜索、数据库、API 调用等）
  • 实现技能（Skill）系统，支持复杂任务
  • 添加流式输出支持
  • 接入向量数据库实现 RAG

本文为本人原创，首发于掘金。

代码仓库：github.com/你的仓库

如果你有任何问题或想法，欢迎在评论区交流！

相关推荐
XIAOHEZIcode1 小时前
进程、会话与终端——一次真实的 Linux Session 解剖
linux·后端·命令行
枕星而眠1 小时前
【数据结构】树与二叉树基础知识点总结
数据结构·c++·后端·算法·运维开发
极光技术熊1 小时前
从零构建在线Excel：一个Java全栈工程师的实战记录
前端·后端
小谢小哥1 小时前
68-持续集成详解
java·后端·架构
foggyprojects1 小时前
列表里要带子表统计值时，为什么需要 QM 聚合型 JOIN
后端
用户925807911481 小时前
redission原理
java·后端
小旭95271 小时前
Spring Cloud 集成分布式日志 ELK+Swagger 接口文档实战
java·分布式·后端·elk·spring cloud
属鼠哥1 小时前
HDFS 短路读取：mmap 与 Unix Domain Socket 铸就的零拷贝艺术
后端
好好风格1 小时前
Scrapling：现代 Web 抓取，正在从“写选择器”走向“自适应”
linux·后端
热门推荐
01GitHub 镜像站点022026 年 AI 编程工具终极横评：Cursor vs Claude Code vs Copilot vs Windsurf03【AI】2026 年具身智能模型和世界模型总结04Codex 下载安装指南：Windows 和 macOS 官方版下载05Codex 桌面端更新后 Chrome 插件和 Computer Use 不可用，怎么排查和修复06【踩坑记录 | 第一篇】微软商店无法使用时，如何手动安装 OpenAI Codex？附`.msix`文件系统错误解决方法07CC-Switch 下载、安装与使用配置指南【2026.5.29】08Codex 接入 DeepSeek API 完整配置文档09CC-Switch & Claude 基于 Linux 服务器安装使用指南10裂开！ChatGPT 居然开始要手机号验证，附详细解决方法