100行Python代码，搭一个能干活的AI Agent

小田学Python2026-08-13 23:09

跟大模型聊天人人都会，但你有没有想过------为什么ChatGPT能帮你订餐、查航班、写代码，而你调用API只会一问一答？

差别就两个字：Agent 。

大模型是大脑，但没手没脚没记忆。你问它"北京天气怎么样"，它只会说"我无法访问实时数据"。Agent就是给大脑装上四肢、记忆和执行力------让它自己判断该用什么工具，执行完再思考下一步。

听起来很复杂？其实核心就一个公式：

Agent = LLM （大脑）+ Tools（双手）+ Memory（记忆）+ Loop（循环）

今天用100行Python代码，把这四个模块从零搭一遍。不依赖任何框架，跑完你就明白Agent到底是怎么回事。

00 环境准备

复制代码 
    pip install openai

用OpenAI SDK，兼容DeepSeek、智谱等国产API，改个base_url就行。这篇用DeepSeek做demo------便宜，而且支持按量付费。

你需要去https://platform.deepseek.com/注册拿一个API Key。

01 LLM调用 ------ 给Agent装个大脑

第一块拼图：能跟大模型对话。

复制代码 
from openai import OpenAI
from dotenv import load_dotenv
import os

load_dotenv()

client = OpenAI(
    # api_key="your-api-key", # 换成你的DeepSeek API Key
    api_key=os.getenv("DEEPSEEK_API_KEY"), # 或使用env方式存储apikey
    base_url="https://api.deepseek.com"
)

def ask_llm(messages, tools=None):
    response = client.chat.completions.create(
        model="deepseek-v4-flash",
        messages=messages,
        tools=tools,
        tool_choice="auto",
    )
    return response.choices[0].message

res = ask_llm([{"role":"user","content":"你好"}])

print(res)

这段代码本身没什么特别的，就是标准的API调用。但注意tools这个参数------这是Agent和普通聊天的核心分界线。

不传tools，模型只能聊天。传了tools，模型就知道"我还有这些工具可以用"，在需要的时候会主动要求调用。tool_choice="auto"的意思是让模型自己判断：这个问题我直接答，还是得用工具？

⚠️ 踩坑提示 DeepSeek的deepseek-chat模型已废弃，对应deepseek-v4-flash模型中的非思考模式

02 工具定义 ------ 给Agent装双手

工具就是普通的Python函数，外加一份给LLM看的"说明书"。

复制代码 
def calculator(expression: str) -> str:
    try:
        return str(eval(expression))
    except:
        return "计算错误"


def get_weather(city: str) -> str:
    mock = {"北京": "晴 25℃", "上海": "多云 28℃", "深圳": "雷阵雨 30℃"}
    return mock.get(city, f"暂无{city}天气数据")


TOOLS = [
    {"type": "function", "function": {
        "name": "calculator",
        "description": "执行数学计算，输入数学表达式",
        "parameters": {"type": "object", "properties": {
            "expression": {"type": "string", "description": "数学表达式，如 2+3*4"}
        }, "required": ["expression"]}
    }},
    {"type": "function", "function": {
        "name": "get_weather",
        "description": "查询指定城市的天气",
        "parameters": {"type": "object", "properties": {
            "city": {"type": "string", "description": "城市名称"}
        }, "required": ["city"]}
    }}
]

TOOL_MAP = {"calculator": calculator, "get_weather": get_weather}

这里有个关键认知：LLM 不直接执行代码 。

它只做一件事------输出一段JSON，告诉你"我想调用calculator工具，参数是123 * 456 + 789"。真正执行计算的是你的代码。LLM的角色更像一个调度员，决定调用什么工具、传什么参数，但脏活累活都是你的程序干。

description字段很重要，写得越清晰，模型调用越准确。模型是靠读这个描述来理解工具用途的------你说"执行数学计算"，它就知道算术题该找这个工具。

03 记忆 ------ 让Agent记住上下文

复制代码 
class Memory:
    def __init__(self):
        self.messages = []

    def add(self, role, content, **kwargs):
        msg = {"role": role, "content": content}
        msg.update(kwargs)
        self.messages.append(msg)

    def get_messages(self):
        return self.messages.copy()

就这？就这么简单。

很多人觉得Agent的"记忆"很高深，其实本质就是维护一个messages列表。每次调用LLM时，把完整的对话历史传过去------LLM本身没有状态，所谓的"记住上下文"就是每轮都把历史消息全部塞进请求里。

这也解释了为什么聊天越长，API费用越高------因为每次请求都带着之前所有的对话。

04 Agent循环 ------ 让Agent会思考

这是整个Agent的心脏。核心思路叫ReAct 模式 ：思考→行动→观察→重复，直到任务完成。

复制代码 
def run_agent(user_input, max_steps=10):
    memory = Memory()
    memory.add("system", "你是一个有用的助手，可以调用工具回答问题。")
    memory.add("user", user_input)

    for step in range(max_steps):
        print(f"\n--- 第{step + 1}步 ---")
        response = ask_llm(memory.get_messages(), tools=TOOLS)

        if not response.tool_calls:
            print(f"Agent回答：{response.content}")
            return response.content

        memory.add("assistant", response.content or "", tool_calls=response.tool_calls)

        for tool_call in response.tool_calls:
            name = tool_call.function.name
            args = json.loads(tool_call.function.arguments)
            print(f"调用工具：{name}({args})")
            result = TOOL_MAP[name](**args)
            print(f"工具返回：{result}")
            memory.add("tool", result, tool_call_id=tool_call.id)

    return "达到最大步数，Agent停止"

拆解这个循环：

  1. 思考 ：把对话历史和工具列表发给LLM，LLM决定下一步干什么

  2. 判断 ：如果LLM没有请求调用工具，说明它觉得可以直接回答了，循环结束

  3. 行动 ：LLM说"我要查北京天气"，你的代码就执行get_weather("北京")

  4. 观察 ：把工具执行结果塞回messages，让LLM看到结果

  5. 重复 ：LLM拿到结果后再思考，可能还需要调别的工具，也可能可以直接回答了

max_steps是安全阀，防止Agent陷入死循环。实际使用中10步足够处理大部分任务。

跑起来看效果

复制代码 
# 测试1：简单计算
run_agent("帮我算一下 123 * 456 + 789")

输出：

两步完成：第一步调计算器，第二步直接回答。

复制代码 
# 测试2：多步骤任务
run_agent("北京和上海哪个温度高？并帮我算一下高多少？")

输出：

Silas说

写完这100行代码，最大的感受是：Agent一点都不神秘 。

网上铺天盖地的Agent框架------LangChain、AutoGen、CrewAI------把这件事包装得很复杂。但你把核心扒开看，就是一个while循环：LLM决定调什么工具，你的代码执行，结果传回去，循环直到完成。框架做的事，无非是帮你把这个循环封装好，再加上一些工程化的东西（重试、超时、日志）。

我的建议：先手写一遍，再用框架 。

不是框架不好，是你不理解原理直接用框架，出了问题完全不知道怎么排查。你不知道tool_calls的格式长什么样，不知道messages里每条消息的role有什么讲究，调试的时候就是两眼一抹黑。

还有一点：别急着给Agent加复杂的Planning和Multi-Agent协作。先把这个最小闭环跑通，加一个你自己业务场景需要的工具（比如查数据库、调内部API），让它真正干一件有用的事。能稳定跑一周，再考虑扩展。

Agent的价值不在于架构多精巧，在于它能不能稳定地把一件事干好。

跑通代码后，可以试试这些扩展方向：

  1. 换个工具 ：把get_weather换成查数据库、调内部API、发邮件------只要是个Python函数就能当工具

  2. 加RAG ：给Agent接一个知识库，让它能查文档回答问题

  3. 多Agent协作 ：多个Agent分工合作，比如一个负责搜索、一个负责写作

  4. 试试框架 ：理解原理后再用LangChain或CrewAI，你会发现它们其实就是帮你封装了这套循环

完整代码我已经整理好了，复制就能跑。你给Agent加了什么有意思的工具？评论区聊聊。

觉得有用的话，转给也在折腾AI的朋友。

关注我，持续分享AI实操和踩坑记录。

<完整代码>

复制代码 
"""
最小AI Agent实现 ------ 100行代码搞定
Agent = LLM + Tools + Memory + Loop
"""
from openai import OpenAI
import json
from dotenv import load_dotenv
import os

load_dotenv()


# ============ 1. LLM调用（大脑）============
client = OpenAI(
    # api_key="your-api-key", # 换成你的DeepSeek API Key
    api_key=os.getenv("DEEPSEEK_API_KEY"), # 或使用env方式存储apikey
    base_url="https://api.deepseek.com"
)


def ask_llm(messages, tools=None):
    response = client.chat.completions.create(
        model="deepseek-v4-flash",
        messages=messages,
        tools=tools,
        tool_choice="auto",
    )
    return response.choices[0].message


# ============ 2. 工具定义（双手）============
def calculator(expression: str) -> str:
    try:
        return str(eval(expression))
    except:
        return "计算错误"


def get_weather(city: str) -> str:
    mock = {"北京": "晴 25℃", "上海": "多云 28℃", "深圳": "雷阵雨 30℃"}
    return mock.get(city, f"暂无{city}天气数据")


TOOLS = [
    {"type": "function", "function": {
        "name": "calculator",
        "description": "执行数学计算，输入数学表达式",
        "parameters": {"type": "object", "properties": {
            "expression": {"type": "string", "description": "数学表达式，如 2+3*4"}
        }, "required": ["expression"]}
    }},
    {"type": "function", "function": {
        "name": "get_weather",
        "description": "查询指定城市的天气",
        "parameters": {"type": "object", "properties": {
            "city": {"type": "string", "description": "城市名称"}
        }, "required": ["city"]}
    }}
]

TOOL_MAP = {"calculator": calculator, "get_weather": get_weather}


# ============ 3. 记忆（对话历史）============
class Memory:
    def __init__(self):
        self.messages = []

    def add(self, role, content, **kwargs):
        msg = {"role": role, "content": content}
        msg.update(kwargs)
        self.messages.append(msg)

    def get_messages(self):
        return self.messages.copy()


# ============ 4. Agent循环（心脏）============
def run_agent(user_input, max_steps=10):
    memory = Memory()
    memory.add("system", "你是一个有用的助手，可以调用工具回答问题。")
    memory.add("user", user_input)

    for step in range(max_steps):
        print(f"\n--- 第{step + 1}步 ---")
        response = ask_llm(memory.get_messages(), tools=TOOLS)

        if not response.tool_calls:
            print(f"Agent回答：{response.content}")
            return response.content

        memory.add("assistant", response.content or "", tool_calls=response.tool_calls)

        for tool_call in response.tool_calls:
            name = tool_call.function.name
            args = json.loads(tool_call.function.arguments)
            print(f"调用工具：{name}({args})")
            result = TOOL_MAP[name](**args)
            print(f"工具返回：{result}")
            memory.add("tool", result, tool_call_id=tool_call.id)

    return "达到最大步数，Agent停止"


# ============ 5. 测试 ============
if __name__ == "__main__":
    run_agent("北京和上海哪个温度高？并帮我算一下高多少？")

THE END

RAG知识库搭建大揭秘：原来这么简单，还能这么有趣！

大模型到底怎么思考？一篇看懂 Prompt、思维链、思维树

Python数据分析入门：从零开始玩转数据

简明教程：实现OpenCLaw轻量级应用服务器部署及Ollama大模型本地化

Dify+Ollama模型搭建攻略：本地环境实战指南

本文首发于微信公众号 BigDataLab ，转载请注明出处。

更多 AI / 大模型实战干货，欢迎微信搜索关注「BigDataLab」，或 点此回看原文。

相关推荐
Csvn2 小时前
🐍 Day3 : Python 容器精讲 — list、dict、set、tuple 底层实现与高级操作
后端·python
weixin-a153003083162 小时前
python-装饰器
开发语言·python
我的xiaodoujiao2 小时前
快速学习Python基础知识详细图文教程17--类型注解和断点调试
开发语言·python·学习·测试工具
每天吃饭的羊3 小时前
Chrome DevTools MCP
python
thesky1234563 小时前
27届大模型面试准备（二十八）：大模型安全与对齐——越狱、红队、拒答与机器遗忘
大模型·红队·对齐·大模型安全·机器遗忘·越狱·拒答
赵大仁5 小时前
Agent 安全：沙箱、权限、Prompt 注入与审计
ai·大模型·agent·ai安全·合规
水獭比特5 小时前
localhost 不是安全边界：给 Agent Web 入口补上四层门禁
人工智能·python
Generalzy5 小时前
Whisper + VAD + TTS：一套完整的 Python 本地语音处理流水线
python·whisper·语音识别
qpsj5 小时前
让 LLM 控制 AutoCAD/ZWCAD：COM 自动化 + MCP 封装
python·llm
热门推荐
01GitHub 镜像站点02国内可直接用、免费额度/永久免费的大模型API清单（含 SiliconFlow、火山、阿里、智谱、百度、Kimi、DeepSeek、DMXAPI 等）03VSCode+CodeX扩展，无法启动042026 国产 AI 大模型横评：DeepSeek、通义千问、Kimi、文心一言、星火、豆包谁更能打？05微信历史版本含下载地址（ Windows PC | 安卓 | MAC ）及设置微信不更新06Agnes AI 免费 API 接入指南：文本、生图、生视频，一套接口全免费07AI 编程 IDE 全景解析 2026：Agent 全面接管开发链路08历年考研数学一、数学二、数学三真题试卷及答案PDF09如何新建文件夹？ 电脑新建文件夹的4种方法102026年7月AI圈大地震：GPT-5.6被政府限制、Claude入驻Slack、Anthropic自研芯片