【04】50 行代码实现最小 Agent：不依赖任何框架

50 行代码实现最小 Agent：不依赖任何框架

基于 Lion-1209/AgentStudy 仓库，完整代码：stage1-fundamentals/task1.1_minimal_react.py

为什么从零实现？

"框架 = 你手写的内核 + 工程化外壳"

不理解内核，用框架就是黑盒。理解了内核，框架只是工具选择。

完整实现

第一步：定义工具

python 复制代码

# 工具 = 一个函数 + 描述信息
def get_weather(city: str) -> str:
    """获取指定城市的天气（模拟数据）"""
    weather_data = {
        "北京": "晴天，温度 25°C",
        "上海": "多云，温度 28°C",
        "深圳": "阵雨，温度 30°C",
    }
    return weather_data.get(city, f"未找到{city}的天气数据")

# 工具注册表
TOOLS = {
    "get_weather": {
        "func": get_weather,
        "description": "获取指定城市的天气信息",
        "params": {"city": "城市名称，如'北京'"}
    }
}

第二步：构建系统提示词

python 复制代码

def build_system_prompt() -> str:
    tool_descriptions = "\n".join(
        f"  - {name}: {info['description']}"
        for name, info in TOOLS.items()
    )
    return f"""你是一个有用的AI助手。你可以使用以下工具：

{tool_descriptions}

当你需要使用工具时，请严格按以下格式输出：
Thought: <你的思考过程>
Action: <工具名称>
Action Input: <工具参数的 JSON>

当你有了足够的信息可以回答用户时，请输出：
Thought: <你的思考过程>
Final Answer: <最终回答>

重要：每次只能使用一个工具。"""

这个提示词就是 Agent 的"灵魂"。它告诉 LLM 什么时候思考、什么时候行动、什么时候给出最终答案。

第三步：ReAct 循环（核心）

python 复制代码

def run_agent(user_query: str, max_iterations: int = 5) -> str:
    messages = [
        {"role": "system", "content": build_system_prompt()},
        {"role": "user", "content": user_query}
    ]

    for i in range(max_iterations):
        # 1. 调用 LLM
        response = client.chat.completions.create(
            model=model, messages=messages, temperature=0
        )
        assistant_message = response.choices[0].message.content

        # 2. 检查是否有最终回答
        final_answer = parse_final_answer(assistant_message)
        if final_answer:
            return final_answer

        # 3. 检查是否需要调用工具
        action_result = parse_action(assistant_message)
        if action_result:
            action_name, action_input = action_result
            if action_name in TOOLS:
                # 执行工具
                tool_result = TOOLS[action_name]["func"](action_input)
                # 把结果喂回 LLM（这就是 Observe）
                messages.append({"role": "assistant", "content": assistant_message})
                messages.append({
                    "role": "user",
                    "content": f"Observation: {tool_result}\n\n请继续思考。"
                })

    return "抱歉，我无法在规定步数内完成任务。"

运行效果

python 复制代码

# 测试 1：简单工具调用
result = run_agent("北京今天天气怎么样？")

# 测试 2：多步推理
result = run_agent("帮我查一下北京和上海的天气，然后算一下温差")

核心架构图

graph TD A[用户问题] --> B[系统提示词] B --> C[LLM调用] C --> D{解析输出} D -->|Action| E[执行工具] E --> F[加入消息历史] F --> C D -->|Final Answer| G[返回结果] D -->|格式错误| H[提示重新输出] H --> C

关键设计决策

决策	选择	原因
工具调用机制	正则解析	教学用，直观理解 ReAct 格式
消息历史	简单列表	短期记忆，后面会扩展
循环终止	最大步数限制	防止无限循环
错误处理	简单提示	生产环境需要更 robust 的处理

这个实现是教学用的。生产环境要用 Function Calling API 和成熟的框架。

学习检查清单

能手写这个最小 Agent 循环（不看参考）吗？
能解释消息历史（messages）的作用吗？
理解为什么 Observation 要作为新消息加入历史吗？

【04】50 行代码实现最小 Agent：不依赖任何框架

50 行代码实现最小 Agent：不依赖任何框架

为什么从零实现？

完整实现

第一步：定义工具

第二步：构建系统提示词

第三步：ReAct 循环（核心）

运行效果

核心架构图

关键设计决策

学习检查清单

延伸阅读