100行Python代码，搭一个能干活的AI Agent

100行Python代码搭一个能干活的AI Agent原文首发于点这里查看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pipinstallopenai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。fromopenaiimportOpenAIfromdotenvimportload_dotenvimportos load_dotenv()clientOpenAI(# api_keyyour-api-key, # 换成你的DeepSeek API Keyapi_keyos.getenv(DEEPSEEK_API_KEY),# 或使用env方式存储apikeybase_urlhttps://api.deepseek.com)defask_llm(messages,toolsNone):responseclient.chat.completions.create(modeldeepseek-v4-flash,messagesmessages,toolstools,tool_choiceauto,)returnresponse.choices[0].message resask_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_choiceauto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。defcalculator(expression:str)-str:try:returnstr(eval(expression))except:return计算错误defget_weather(city:str)-str:mock{北京:晴 25℃,上海:多云 28℃,深圳:雷阵雨 30℃}returnmock.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 23*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classMemory:def__init__(self):self.messages[]defadd(self,role,content,**kwargs):msg{role:role,content:content}msg.update(kwargs)self.messages.append(msg)defget_messages(self):returnself.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。defrun_agent(user_input,max_steps10):memoryMemory()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)forstepinrange(max_steps):print(f\n--- 第{step1}步 ---)responseask_llm(memory.get_messages(),toolsTOOLS)ifnotresponse.tool_calls:print(fAgent回答{response.content})returnresponse.content memory.add(assistant,response.contentor,tool_callsresponse.tool_calls)fortool_callinresponse.tool_calls:nametool_call.function.name argsjson.loads(tool_call.function.arguments)print(f调用工具{name}({args}))resultTOOL_MAP[name](**args)print(f工具返回{result})memory.add(tool,result,tool_call_idtool_call.id)return达到最大步数Agent停止拆解这个循环思考把对话历史和工具列表发给LLMLLM决定下一步干什么判断如果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行动LLM说我要查北京天气你的代码就执行get_weather(北京)观察把工具执行结果塞回messages让LLM看到结果重复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# 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。# 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函数就能当工具加RAG给Agent接一个知识库让它能查文档回答问题多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。 最小AI Agent实现 —— 100行代码搞定 Agent LLM Tools Memory Loop fromopenaiimportOpenAIimportjsonfromdotenvimportload_dotenvimportos load_dotenv()# 1. LLM调用大脑clientOpenAI(# api_keyyour-api-key, # 换成你的DeepSeek API Keyapi_keyos.getenv(DEEPSEEK_API_KEY),# 或使用env方式存储apikeybase_urlhttps://api.deepseek.com)defask_llm(messages,toolsNone):responseclient.chat.completions.create(modeldeepseek-v4-flash,messagesmessages,toolstools,tool_choiceauto,)returnresponse.choices[0].message# 2. 工具定义双手defcalculator(expression:str)-str:try:returnstr(eval(expression))except:return计算错误defget_weather(city:str)-str:mock{北京:晴 25℃,上海:多云 28℃,深圳:雷阵雨 30℃}returnmock.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 23*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classMemory:def__init__(self):self.messages[]defadd(self,role,content,**kwargs):msg{role:role,content:content}msg.update(kwargs)self.messages.append(msg)defget_messages(self):returnself.messages.copy()# 4. Agent循环心脏defrun_agent(user_input,max_steps10):memoryMemory()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)forstepinrange(max_steps):print(f\n--- 第{step1}步 ---)responseask_llm(memory.get_messages(),toolsTOOLS)ifnotresponse.tool_calls:print(fAgent回答{response.content})returnresponse.content memory.add(assistant,response.contentor,tool_callsresponse.tool_calls)fortool_callinresponse.tool_calls:nametool_call.function.name argsjson.loads(tool_call.function.arguments)print(f调用工具{name}({args}))resultTOOL_MAP[name](**args)print(f工具返回{result})memory.add(tool,result,tool_call_idtool_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 ENDRAG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DifyOllama模型搭建攻略本地环境实战指南