亲手写一个最小Agent:50行代码看懂智能体循环

亲手写一个最小Agent:50行代码看懂智能体循环

上一篇讲了 Agent 和聊天机器人的区别(工作流照预设路径走,Agent 自己决定流程,区分出自 Anthropic 官方指南《Building Effective Agents》),但概念讲得再多,不如亲手跑一遍。这篇用 Python 写一个 50 行的最小 Agent,把「目标 → 决策 → 工具 → 观察 → 再决策」这个循环完整跑给你看------本机 Python 3.14 实测,代码全部可复制运行。

Agent 的骨架:三样东西

拆掉所有营销包装,一个能干活的 Agent 只需要三样:工具注册表 (它能动哪些能力)、决策器 (每一步做什么,通常是大模型)、循环(执行、观察、再决策,直到完成)。先注册三个工具,模拟客服场景的能力:

python 复制代码
# 本机 Python 3.14 实测
import json

TOOLS = {
    "query_order": lambda order_id: {"order_id": order_id, "status": "已发货", "carrier": "顺丰"},
    "query_express": lambda order_id: {"order_id": order_id, "eta": "明天 18:00 前"},
    "reply_user": lambda text: {"sent": True},
}

真实系统里这些函数是查数据库、调物流接口、发消息的封装。工具注册表的价值在于「声明能力边界」:Agent 只能用表里有的工具,不在表里的操作它碰不到------这是权限控制的物理边界,比提示词里写「请不要乱来」可靠得多。

决策器:换成大模型的那一天

决策器负责回答「下一步做什么」。为了让 demo 不依赖任何 API key,这里用规则模拟大模型的决策过程(真实实现就是把 llm_decide 换成一次大模型调用,输入目标和历史,输出下一步的工具与参数):

python 复制代码
def llm_decide(goal, history):  # 模拟 LLM 决策;真实实现 = 调用大模型 API
    step = len([h for h in history if h["role"] == "assistant"])
    if step == 0: return {"tool": "query_order", "args": {"order_id": "A1001"}}
    if step == 1: return {"tool": "query_express", "args": {"order_id": "A1001"}}
    eta = history[-1]["result"]["eta"]
    return {"tool": "reply_user", "args": {"text": f"您的订单已由顺丰承运,预计 {eta} 送达"}}

注意第三步:回复文案里的 eta 来自上一步的工具返回------这就是 Agent 循环的本质,前一步的观察结果参与后一步的决策。换成真大模型后,这个「查到什么就说什么」的能力是天然的:模型读到物流返回里写「明天 18:00 前」,回复里自然带上这个时间,不需要硬编码模板。

主循环:20 行跑通全流程

把三样东西接起来,就是完整的 Agent:

python 复制代码
# 本机 Python 3.14 实测输出
def run_agent(goal, max_steps=5):
    history = [{"role": "user", "content": goal}]
    for step in range(1, max_steps + 1):
        decision = llm_decide(goal, history)          # 决策
        tool = TOOLS[decision["tool"]]                # 选工具
        result = tool(**decision["args"])             # 执行
        history.append({"role": "assistant", "tool": decision["tool"], "result": result})
        if decision["tool"] == "reply_user":          # 终止条件
            return "任务完成"
    return "达到步数上限,强制终止"

实测输出:

text 复制代码
第1步: query_order({'order_id': 'A1001'}) -> {'order_id': 'A1001', 'status': '已发货', 'carrier': '顺丰'}
第2步: query_express({'order_id': 'A1001'}) -> {'order_id': 'A1001', 'eta': '明天 18:00 前'}
第3步: reply_user({'text': '您的订单已由顺丰承运,预计 明天 18:00 前 送达'}) -> {'sent': True}
任务完成

三步跑通:查订单状态、查物流预计、回复用户。max_steps 这个参数看起来不起眼,实际是生产环境的保命开关------决策器如果是大模型,可能陷入无限循环(反复查同一个订单),步数上限是唯一的硬刹车。

从 demo 到生产:中间隔着四件事

跑通 demo 只花了 50 行,生产可用还差四块。一,决策器换真模型:把 llm_decide 换成大模型 API 调用,用 function calling 格式让模型输出结构化的工具选择------这是唯一需要「接入智能」的地方。二,工具的鉴权与隔离:demo 里工具随便调,生产里每个工具要校验权限,危险操作(退款、改数据)必须人审批。三,错误处理:工具抛异常时 Agent 该重试、绕行还是放弃,demo 里没有这条分支,生产里没有就是事故。四,观测:每一步的工具调用、耗时、结果都要落日志,否则 Agent 半夜跑飞了你连它在哪一步都不知道。对照之前 Agent 概念篇说的「壳的质量决定产品成色」,这四件事就是壳的全部。

写完这个循环再回头看各种 Agent 框架的宣传,会发现它们解决的都是这四件事的工程化封装------循环本身从来没有变过。下一篇聊聊为什么 AI 按字收费,token 这笔账怎么算。


官网:www.rabshop.cn/

觉得写得有用,去官网逛逛就是最大的支持~

相关推荐
小虎AI生活32 分钟前
8万星开源HyperFrames,我用WorkBuddy免费模型做了3条视频
aigc·ai编程
AI大模型-小华4 小时前
Codex 自动测试怎么用?从生成测试用例到修复失败用例
git·测试用例·ai编程·软件开发·codex·chatgpt pro·codex cli
huangfuyk4 小时前
前端融入/转后端避坑指南:AI 时代的安全边界、数据防线与实战细节
后端·ai编程
ZzT5 小时前
AI-SDLC 实践 06|开发阶段的知识库:Agent 写代码前该读哪些规则和业务知识
ai编程·claude
Bigger5 小时前
我扒了 GitHub Trending 前 20,8 个在做同一件事:给 Coding Agent 造基础设施
开源·github·ai编程
前端双越老师6 小时前
程序员 1v1 访谈系列第十六期:裸辞后失业半年了
前端·ai编程·全栈
可夫小子8 小时前
不换大模型、关掉深度思考:Hugging Face 用一个 LoRA 把 27B 编程能力拉到 64.7%
ai编程·facebook
ZhengEnCi17 小时前
AI 读不懂你的代码怎么办:用高价值注释消除曲解、过度优化与上下文膨胀
aigc·ai编程
ZhengEnCi18 小时前
AI 总模仿代码库里的过时写法怎么办:先清坏样例,再用类型与测试让 AI 无法犯错
人工智能·ai编程
Flynt19 小时前
Chrome给AI编程助手塞了203篇前端规范,我拆包实测:检索0.77秒是真快,扫描器有点挑食
前端·chrome·ai编程