🤖 AI Agent 开发实战

从身边的AI助手开始，理解 Agent = LLM + 上下文 + 工具。

核心概念

• Agent = 能感知环境并采取行动的智能体
• 三要素：LLM（大脑）+ 上下文（记忆）+ 工具（手）
• Agent 和普通聊天助手的区别：会用工具、会规划、会记住

跑起来

cd /root/course/module-1/lesson-1/demo/
python agent_intro.py

你会看到一段对话模拟，展示 Agent "收到→思考→执行→回复" 的完整流程，以及Token消耗统计。

Agent 的核心是一个循环：想→做→看。ReAct 模式。

ReAct 三步

• 💭 思考 (Thought)：LLM 分析当前任务
• 🔧 行动 (Action)：调用工具
• 👀 观察 (Observation)：拿回工具结果

用户问"保康县面积多少？"
→ 💭 需要查数据库
→ 🔧 search_database("保康县", "面积")  
→ 👀 {"area": "3225平方公里"}
→ 💬 保康县总面积约3225平方公里

跑起来

cd /root/course/module-1/lesson-2/demo/
python react_loop.py

写第一个真正的Agent——15行代码调DeepSeek API。

from openai import OpenAI
import os
client = OpenAI(api_key=os.getenv("DEEPSEEK_API_KEY"), 
                base_url="https://api.deepseek.com")

system = "你是一个保康县统计助手"
messages = [{"role": "system", "content": system}]

while True:
    user = input("\n你: ")
    messages.append({"role": "user", "content": user})
    r = client.chat.completions.create(model="deepseek-chat", messages=messages)
    reply = r.choices[0].message.content
    print(f"助手: {reply}")
    messages.append({"role": "assistant", "content": reply})

同时提供一个 cold_agent.py（无system prompt），对比有/无角色定位的效果差异。

上下文消融实验：验证"Agent = LLM + 上下文 + 工具"。

5种配置对比

配置	结果
✅ 完整Agent	成功执行
❌ 无工具	Agent无法执行具体操作
❌ 无历史	效率下降5倍以上
❌ 无角色	回答偏离统计专业
📄 纯LLM	只能聊天，无法行动

亲眼看到缺任何一环，Agent就"残了"。

给Agent装第一个工具：read_file。支持分页、错误处理。

用 DeepSeek Function Calling 让Agent自主决定调用工具。

三个搜索工具：search_files（按文件名）、grep_content（搜内容）、list_directory（列目录）。

Agent链式调用：先搜文件→再读内容→回答。

两个网络工具：web_search（DuckDuckGo，免费）和 web_fetch（抓取网页）。

让Agent搜索最新新闻并抓取内容回答。

MCP = Model Context Protocol。所有工具统一注册到一个"工具箱"。

核心方法：register()、list_tools()、call_tool()。

为打造专属工具 baokang_stats_query。

• 支持6大指标：GDP、人口、农业产值、工业产值、居民收入、财政收支
• 支持乡镇查询：城关镇、马桥镇、歇马镇等
• 内置模拟数据，无需数据库即可运行

Agent自主调用：baokang_stats_query("GDP", "2025", "全县") → 返回结果。

三层次安全：🟢 白名单（只能运行允许的命令）🔴 黑名单（禁止危险操作）🟡 审批（高风险操作需确认）。

演示 Agent 尝试 rm -rf / 被拒绝、sudo apt install 被拦截。

用 sentence-transformers 把保康县的农产品数据做成向量知识库。三步：切块→向量化→搜索。

效果：用户问"保康茶叶怎么样？"→ 语义搜索→ 找到最相关的段落。

用户问：保康县的茶叶怎么样？
结果：[相似度:0.67] 保康县是湖北省茶叶种植重点县，全县茶园面积达15.6万亩...

Orchestrator 拆解任务 → Workers 并行执行 → Orchestrator 合并。模拟版+真实LLM版。

用"对比保康县各乡镇经济数据"做演示。

多方辩论 → 裁判裁决。乐观派 vs 保守派 → 得出平衡结论。

辩题示例："AI Agent 应该更自主还是更可控？"

Trading 模式：串行传递，上一步输出是下一步输入。需求分析 → 数据采集 → 报告撰写。

模拟版+真实LLM版，两版对比学。

自我进化 = 不改模型权重，通过积累经验变好。

经验库 → 每次完成任务后提取经验 → 下次类似问题直接复用。

用 concurrent.futures.ThreadPoolExecutor 让多个任务同时执行。

串行 6.5秒 vs 并行 3.0秒，实测加速比 2.2×。

成本控制（缓存+预算）、错误恢复（指数退避）、Token管理（截断）。

一个coding-agent任务约$0.0057，缓存命中后零成本。

关键词匹配 → 自动选择模式：

用户说	匹配模式
"GDP多少？"	📊 单次查询
"对比一季度和三季度"	🏗️ OW对比
"这个数据怎么看？"	🗣️ Debate
"生成月报"	🔗 Trading接力

Agent从终端走向企微。Hermes Agent作为企微网关，Agent脚本作为工具被调用。

支持命令行调用和管道输入两种方式。

整合全部技能：

• 意图分类器 → 自动选模式（第18课）
• 数据查询 → 调用 baokang_stats_query（第9课）
• 对比分析 → OW模式（第12课）
• 趋势解读 → Debate模式（第13课）
• 自动月报 → Trading接力（第14课）
• 经验积累 → 自我进化（第15课）
• 结果缓存 → 成本控制（第17课）