摘要本文基于个人学习笔记系统梳理了 AI Agent 的核心定义、运作原理、主流开发框架对比并深入剖析了 Agent 的核心技能——Function Calling 的全链路与代码实现。一、AI Agent 核心定义什么是 AI Agent简单来说AI Agent 是一个能够理解人类自然语言命令感知环境做出决策并采取行动的系统。与传统的大语言模型LLM相比Agent 的设计初衷是为了解决 LLM 无法直接处理的复杂问题如涉及多步骤推理、需要使用外部工具或数据的场景。我们可以用一个公式来概括 AI Agent 的构成 AI Agent LLM (大脑) 记忆 工具 规划LLM负责接收输入、思考逻辑、输出内容。记忆存储短期和长期信息。工具连接外部世界的能力。规划自主拆解任务和决策的能力。二、AI Agent 运作原理解析Agent 的运作主要依赖四大要素其中最核心的是规划与记忆/工具。1. 规划规划可以理解为 Agent 的“认知框架”。就像人类接到任务会先思考一样Agent 也会经历以下过程任务拆解将大型复杂任务分解为更小的、可控的子任务。自我反思在执行过程中进行反思和完善吸取教训。终止判断思考任务何时可以结束。2. 记忆与工具记忆来源主要来自大模型的预训练与微调、上下文窗口以及外部记忆库向量数据库。工具使用这是 Agent 的核心技能之一。通过函数调用或MCP等技术Agent 可以获取额外数据、处理能力和专业知识。三、主流开发框架与低代码平台对比在开发 Agent 时选择合适的框架和平台至关重要。以下是整理的详细对比1. 开发框架对比框架模式核心特性与架构LangChain单/多智能体模块化设计链、代理、记忆生态最丰富V1.0 基于 LangGraph 构建。LangGraph复杂状态流基于有向图结构适合需要高度定制化和严格控制延迟的复杂场景。Semantic Kernel单智能体微软出品插件化架构紧密绑定 Azure/.NET 生态。AutoGen多智能体多角色协作设计支持自主对话协商适合学术研究和复杂交互。CrewAI多智能体强调角色分工Role-Playing流程可视化适合模拟团队协作业。2. 低代码平台对比平台易用性功能深度部署方式Coze✅ 零代码非技术友好✅ 对话优化强插件生态丰富⚠️ 仅公有云Dify✅ 非技术较友好✅ 多模型调度支持私有化部署✅ 支持私有化FastGPT⚠️ 技术门槛较高⚠️ 聚焦对话工具调用较弱✅ 支持私有化n8n⚠️ 需代码基础⚠️ 通用流程编排之王无内置 Agent 框架✅ 支持私有化四、Agent 核心技能Function Calling 实战Function Calling是赋予大模型调用外部 API 能力的关键技术也是 Agent 能够“行动”的基础。1. 为什么需要 Function Calling相比传统的提示词工程Function Calling 具有显著优势可靠性结构化输出无需正则解析稳定可靠。安全性框架层自动校验参数隔离风险。开发效率只需定义函数描述框架自动生成规范。可调试性可追踪调用链路如 LangSmith。2. 全链路解析Function Calling 是如何工作的整个过程通常包含两次模型调用定义工具编写函数规范name,description,parameters。第一次调用意图识别将用户提问和函数说明传给 LLM。LLM 判断是否需要调用工具并返回结构化的function_call包含函数名和参数。本地执行代码解析 LLM 返回的参数。执行真实的本地函数如查询数据库、调用天气 API。将结果封装为role: function的消息追加到上下文。第二次调用结果润色将“用户提问 工具调用记录 工具返回结果”再次传给 LLM。LLM 整合信息生成自然语言回复给用户。3. 多工具与多步调用在多工具场景下Agent 需要解决功能重叠、多意图混合和工具依赖链式调用的问题。示例场景查询北京天气并预订次日飞上海的机票。调用get_weather(北京)获取天气。调用book_flight(北京, 上海, 明天)预订机票。模型整合两条数据生成最终建议。4. 代码实战Python以下是一个基于 OpenAI SDK 的 Function Calling 最小实现示例from openai import OpenAI import json # 1. 模拟工具函数 def get_weather(city): weather_data { 北京: {weather: 晴, temp: 5-15℃}, 上海: {weather: 阴, temp: 8-18℃} } return weather_data.get(city, {weather: 未知, temp: 未知}) # 2. 定义工具描述 (Tools Schema) tools [ { type: function, function: { name: get_weather, description: 获取指定城市的天气信息, parameters: { type: object, properties: { city: {type: string, description: 城市名称} }, required: [city] } } } ] client OpenAI() # 3. 第一次调用让模型决定做什么 response client.chat.completions.create( modelgpt-4, messages[{role: user, content: 北京天气怎么样}], toolstools, tool_choiceauto ) message response.choices[0].message # 4. 解析并执行工具 messages [{role: user, content: 北京天气怎么样}] # 追加模型的工具调用请求 messages.append({ role: assistant, content: message.content or , tool_calls: message.tool_calls }) # 循环执行工具调用处理多工具情况 if message.tool_calls: for tool_call in message.tool_calls: args json.loads(tool_call.function.arguments) # 执行真实函数 res get_weather(**args) # 追加函数执行结果 messages.append({ role: tool, tool_call_id: tool_call.id, content: json.dumps(res, ensure_asciiFalse) }) # 5. 第二次调用生成最终回复 second_response client.chat.completions.create( modelgpt-4, messagesmessages ) print(最终回复:, second_response.choices[0].message.content)结语AI Agent 正在重新定义我们与软件的交互方式。掌握 Function Calling 和主流框架的使用是通往 AI 应用开发进阶之路的必经之地。希望这篇笔记能为你带来启发(本文基于个人学习笔记整理如有疏漏欢迎评论区指正)