初识智能体

原文：Hello-Agents · 第一章 初识智能体 · 在线阅读

一句话

智能体是通过传感器感知环境，自主通过执行器采取行动以达成特定目标的实体。

什么时候翻这页

当你需要理解智能体的基本概念、类型、工作原理以及如何构建一个简单的智能体时。

核心概念

• 智能体(Agent)：通过传感器(Sensors)感知环境(Environment)，自主通过执行器(Actuators)采取行动(Action)以达成特定目标的实体。
• 自主性(Autonomy)：智能体基于感知和内部状态进行独立决策的能力。
• 传感器(Sensors)：智能体感知环境的工具，如摄像头、麦克风、API等。
• 执行器(Actuators)：智能体对环境施加影响的工具，如物理设备或虚拟工具。
• 应用程序编程接口(API)：智能体与外部系统交互的接口。
• 传统智能体：大语言模型(LLM)出现前的智能体范式。
• 反射智能体(Simple Reflex Agent)：基于"条件-动作"规则决策的智能体。
• 基于模型的反射智能体(Model-Based Reflex Agent)：拥有内部世界模型，追踪环境中无法直接感知的方面。
• 基于目标的智能体(Goal-Based Agent)：主动选择能够导向特定未来状态的行动。
• 基于效用的智能体(Utility-Based Agent)：为每个可能的世界状态赋予效用值，目标是最大化期望效用。
• 学习型智能体(Learning Agent)：通过与环境的互动自主学习，如强化学习(Reinforcement Learning, RL)。
• 大语言模型(LLM)智能体：由大语言模型驱动的智能体，具备规划与推理、工具使用、动态修正等能力。
• PEAS模型：描述任务环境的模型，包括性能度量(Performance)、环境(Environment)、执行器(Actuators)和传感器(Sensors)。
• 智能体循环(Agent Loop)：智能体与环境交互的持续循环，包括感知(Perception)、思考(Thought)、行动(Action)和观察(Observation)。
• 交互协议(Interaction Protocol)：规范智能体与环境之间信息交换的协议。
• 符号主义AI(Symbolic AI)：智能源于对符号的逻辑操作。
• 亚符号主义AI(Sub-symbolic AI)：知识内隐地分布在神经网络中，是从海量数据中学习到的统计模式。
• 神经符号主义AI(Neuro-Symbolic AI)：融合符号主义和亚符号主义的优点，既能从数据中学习，又能进行逻辑推理。
• 反应性(Reactivity)：智能体对环境刺激做出即时响应的特性。
• 规划性(Deliberation)：智能体在行动前进行复杂思考和规划的特性。
• 混合式智能体(Hybrid Agents)：结合反应性和规划性的智能体。
• 提示工程(Prompt Engineering)：设计指令模板，指导LLM如何思考和行动。
• Workflow：对一系列任务或步骤进行预先定义的、结构化的编排。
• Agent：具备自主性的、以目标为导向的系统，能够理解环境、进行推理、制定计划，并动态采取行动。

怎么做

1. 定义智能体任务环境：使用PEAS模型分析性能度量、环境、执行器和传感器。
2. 构建智能体循环：实现感知-思考-行动-观察的闭环。
3. 设计交互协议：规范智能体输出的Thought和Action格式。
4. 实现工具调用：定义可用的工具函数，供智能体调用。
5. 接入大语言模型：使用兼容OpenAI接口的客户端连接LLM服务。
6. 执行行动循环：通过格式化Prompt驱动LLM进行决策，解析并执行行动，记录观察结果。

命令 / 代码速查

# 安装必要的库
pip install requests tavily-python openai

# 指令模板
AGENT_SYSTEM_PROMPT = """
你是一个智能旅行助手。你的任务是分析用户的请求，并使用可用工具一步步地解决问题。

# 可用工具:
- `get_weather(city: str)`: 查询指定城市的实时天气。
- `get_attraction(city: str, weather: str)`: 根据城市和天气搜索推荐的旅游景点。

# 输出格式要求:
你的每次回复必须严格遵循以下格式，包含一对Thought和Action：

Thought: [你的思考过程和下一步计划]
Action: [你要执行的具体行动]

Action的格式必须是以下之一：
1. 调用工具：function_name(arg_name="arg_value")
2. 结束任务：Finish[最终答案]

# 重要提示:
- 每次只输出一对Thought-Action
- Action必须在同一行，不要换行
- 当收集到足够信息可以回答用户问题时，必须使用 Action: Finish[最终答案] 格式结束

请开始吧！
"""

# 工具1：查询真实天气
import requests

def get_weather(city: str) -> str:
    """
    通过调用 wttr.in API 查询真实的天气信息。
    """
    url = f"https://wttr.in/{city}?format=j1"
    
    try:
        response = requests.get(url)
        response.raise_for_status() 
        data = response.json()
        
        current_condition = data['current_condition'][0]
        weather_desc = current_condition['weatherDesc'][0]['value']
        temp_c = current_condition['temp_C']
        
        return f"{city}当前天气:{weather_desc}，气温{temp_c}摄氏度"
        
    except requests.exceptions.RequestException as e:
        return f"错误:查询天气时遇到网络问题 - {e}"
    except (KeyError, IndexError) as e:
        return f"错误:解析天气数据失败，可能是城市名称无效 - {e}"

# 工具2：搜索并推荐旅游景点
import os
from tavily import TavilyClient

def get_attraction(city: str, weather: str) -> str:
    """
    根据城市和天气，使用Tavily Search API搜索并返回优化后的景点推荐。
    """
    api_key = os.environ.get("TAVILY_API_KEY")
    if not api_key:
        return "错误:未配置TAVILY_API_KEY环境变量。"

    tavily = TavilyClient(api_key=api_key)
    query = f"'{city}' 在'{weather}'天气下最值得去的旅游景点推荐及理由"
    
    try:
        response = tavily.search(query=query, search_depth="basic", include_answer=True)
        
        if response.get("answer"):
            return response["answer"]
        
        formatted_results = []
        for result in response.get("results", []):
            formatted_results.append(f"- {result['title']}: {result['content']}")
        
        if not formatted_results:
             return "抱歉，没有找到相关的旅游景点推荐。"

        return "根据搜索，为您找到以下信息:\n" + "\n".join(formatted_results)

    except Exception as e:
        return f"错误:执行Tavily搜索时出现问题 - {e}"

# 接入大语言模型
from openai import OpenAI

class OpenAICompatibleClient:
    """
    一个用于调用任何兼容OpenAI接口的LLM服务的客户端。
    """
    def __init__(self, model: str, api_key: str, base_url: str):
        self.model = model
        self.client = OpenAI(api_key=api_key, base_url=base_url)

    def generate(self, prompt: str, system_prompt: str) -> str:
        """调用LLM API来生成回应。"""
        print("正在调用大语言模型...")
        try:
            messages = [
                {'role': 'system', 'content': system_prompt},
                {'role': 'user', 'content': prompt}
            ]
            response = self.client.chat.completions.create(
                model=self.model,
                messages=messages,
                stream=False
            )
            answer = response.choices[0].message.content
            print("大语言模型响应成功。")
            return answer
        except Exception as e:
            print(f"调用LLM API时发生错误: {e}")
            return "错误:调用语言模型服务时出错。"

# 执行行动循环
import re

# 配置LLM客户端
API_KEY = "YOUR_API_KEY"
BASE_URL = "YOUR_BASE_URL"
MODEL_ID = "YOUR_MODEL_ID"
TAVILY_API_KEY="YOUR_Tavily_KEY"
os.environ['TAVILY_API_KEY'] = "YOUR_TAVILY_API_KEY"

llm = OpenAICompatibleClient(
    model=MODEL_ID,
    api_key=API_KEY,
    base_url=BASE_URL
)

# 初始化
user_prompt = "你好，请帮我查询一下今天北京的天气，然后根据天气推荐一个合适的旅游景点。"
prompt_history = [f"用户请求: {user_prompt}"]

print(f"用户输入: {user_prompt}\n" + "="*40)

# 运行主循环
for i in range(5): # 设置最大循环次数
    print(f"--- 循环 {i+1} ---\n")
    
    # 构建Prompt
    full_prompt = "\n".join(prompt_history)
    
    # 调用LLM进行思考
    llm_output = llm.generate(full_prompt, system_prompt=AGENT_SYSTEM_PROMPT)
    # 模型可能会输出多余的Thought-Action，需要截断
    match = re.search(r'(Thought:.*?Action:.*?)(?=\n\s*(?:Thought:|Action:|Observation:)|\Z)', llm_output, re.DOTALL)
    if match:
        truncated = match.group(1).strip()
        if truncated != llm_output.strip():
            llm_output = truncated
            print("已截断多余的 Thought-Action 对")
    print(f"模型输出:\n{llm_output}\n")
    prompt_history.append(llm_output)
    
    # 解析并执行行动
    action_match = re.search(r"Action: (.*)", llm_output, re.DOTALL)
    if not action_match:
        observation = "错误: 未能解析到 Action 字段。请确保你的回复严格遵循 'Thought: ... Action: ...' 的格式。"
        observation_str = f"Observation: {observation}"
        print(f"{observation_str}\n" + "="*40)
        prompt_history.append(observation_str)
        continue
    action_str = action_match.group(1).strip()

    if action_str.startswith("Finish"):
        final_answer = re.match(r"Finish\[(.*)\]", action_str).group(1)
        print(f"任务完成，最终答案: {final_answer}")
        break
    
    tool_name = re.search(r"(\w+)\(", action_str).group(1)
    args_str = re.search(r"\((.*)\)", action_str).group(1)
    kwargs = dict(re.findall(r'(\w+)="([^"]*)"', args_str))

    if tool_name in available_tools:
        observation = available_tools[tool_name](**kwargs)
    else:
        observation = f"错误:未定义的工具 '{tool_name}'"

    # 记录观察结果
    observation_str = f"Observation: {observation}"
    print(f"{observation_str}\n" + "="*40)
    prompt_history.append(observation_str)

与 Python / Claude Code 手册的联系

• Python手册中的requests库用于实现智能体的工具调用功能
• Claude Code手册中的提示工程(Prompt Engineering)概念与智能体指令模板设计密切相关
• Claude Code中的无交互模式(headless mode)与智能体的自主执行循环类似

初学者易错点

1. 混淆智能体与传统程序：智能体具有自主性，能够根据环境变化调整行为，而传统程序只是执行预设指令。
2. 忽视环境特性：任务环境可能是部分可观察、随机性、多智能体或序贯动态的，需要智能体具备相应能力。
3. 循环控制不当：智能体循环可能陷入无限循环，需要设置最大循环次数或终止条件。
4. 工具调用失败处理：未处理API调用失败、参数错误等异常情况。
5. 输出格式不匹配：LLM输出格式不符合交互协议要求，导致解析失败。

相关词条

• ReAct：结合推理(Reasoning)和行动(Acting)的智能体范式
• MCP(Model Context Protocol)：模型上下文协议，用于智能体与工具的交互
• LangGraph：构建高级控制流架构的框架，用于实现复杂智能体工作流
• 强化学习(Reinforcement Learning)：实现学习型智能体的方法
• 提示工程(Prompt Engineering)：设计有效提示的技术