这次我们来看一个面向2026年的AI Agent开发教程。这个教程的核心目标不是空谈概念而是让你能真正动手从零开始搭建一个能跑起来的智能体。无论你是想快速入门、验证想法还是为求职增加硬核技能这篇文章都会提供一条清晰的路径。AI Agent智能体是当前大模型落地最热的方向之一它能让大模型具备规划、记忆、使用工具和执行复杂任务的能力。但很多教程要么过于理论要么环境复杂难以复现。本教程将聚焦于实战重点关注如何选择开发框架、搭建最小可行环境、实现核心功能如工具调用、记忆管理并最终部署成一个可交互的服务。我们会避开繁琐的背景介绍直接进入能跑通的代码和配置。如果你关心以下几个问题那么这篇文章值得你仔细阅读需要什么编程基础本地电脑能跑起来吗一定要用昂贵的API吗有没有现成的开源框架如何从“Hello World”级别的智能体进阶到能处理实际任务的智能体本文将围绕一个具体的开发案例手把手带你走通全流程。1. 核心能力速览本教程覆盖范围在开始动手之前我们先快速了解通过本教程你将能实现什么以及需要准备什么。能力项说明与目标教程定位零基础到实战的AI Agent开发指南侧重动手实现而非纯理论。核心技能智能体工作流设计、工具调用Tool Calling、记忆系统短期/长期、与外部API集成。开发框架将介绍主流选择如LangChain、Semantic Kernel等并基于一个框架进行实战演示。大模型依赖支持开源模型本地部署和闭源模型API如OpenAI、DeepSeek等两种方式会分别说明配置。硬件门槛API模式对本地硬件无要求只需网络。本地模型模式需要具备一定显存的GPU如8G或使用CPU推理速度较慢。编程基础需要基本的Python语法知识了解HTTP API、JSON等概念更佳。最终成果获得一个可运行的智能体原型能通过Web界面或API接口与之交互完成特定任务。适合场景个人学习、技术验证、毕业设计、内部工具开发、技能提升。2. AI Agent是什么为什么需要学习开发简单来说AI Agent是一个能感知环境、进行决策并执行动作以实现目标的智能系统。在大模型语境下它通常指一个以大模型为“大脑”能够调用工具、访问网络、操作文件并具有记忆能力的程序。学习开发AI Agent意味着你不再仅仅是一个大模型API的调用者而是能构建具备自主性和复杂问题解决能力的应用。这直接对应了市场上“智能体工程师”、“AI应用开发”等新兴岗位的技能要求。无论是打造个人助理、自动化工作流还是开发行业解决方案Agent开发都是核心技能。3. 环境准备与前置条件开始编码前请确保你的开发环境满足以下要求。我们将以Python为主要开发语言。3.1 基础软件环境操作系统Windows 10/11, macOS, 或 Linux (如Ubuntu 20.04)。本教程命令以Linux/macOS的bash和Windows的PowerShell为例。Python版本推荐使用 Python 3.10 或 3.11。避免使用Python 3.12可能存在的某些库兼容性问题。包管理工具确保已安装pip。建议使用虚拟环境venv或conda隔离项目依赖。3.2 虚拟环境创建与激活强烈建议使用虚拟环境避免包冲突。# 创建虚拟环境命名为 ai_agent_env python -m venv ai_agent_env # 激活虚拟环境 # 在 Windows (PowerShell) 上 .\ai_agent_env\Scripts\Activate.ps1 # 在 Linux/macOS 上 source ai_agent_env/bin/activate激活后命令行提示符前会出现(ai_agent_env)标识。3.3 大模型接入准备二选一或都准备你需要决定智能体的“大脑”来源。我们将提供两种路径路径A使用在线大模型API推荐初学者优点无需本地硬件稳定性能强。准备注册并获得一个API服务的密钥。OpenAI GPT系列访问OpenAI平台创建API Key。国内深度求索DeepSeek访问DeepSeek平台创建API Key2026年可能有变化请以官网为准。其他阿里云灵积、百度千帆、智谱AI等。关键妥善保管你的API Key不要提交到代码仓库。路径B本地部署开源大模型适合有GPU的开发者优点数据隐私性好无网络延迟无使用费用。准备GPU推荐NVIDIA GPU显存8GB及以上可运行7B/13B参数模型。驱动与CUDA安装匹配的NVIDIA驱动和CUDA Toolkit如12.1。模型文件从Hugging Face等平台下载开源模型如Qwen、Llama、Gemma等系列的GGUF或GPTQ格式文件。4. 开发框架选择与项目初始化目前主流的AI Agent开发框架有多个我们选择LangChain作为本次实战的框架因为它生态丰富、文档齐全、社区活跃非常适合学习和原型开发。4.1 安装LangChain及核心依赖在激活的虚拟环境中执行以下命令安装基础包pip install langchain langchain-community langchain-corelangchain: 核心框架。langchain-community: 社区贡献的第三方集成工具。langchain-core: 核心抽象和基础组件。4.2 安装大模型连接器根据你准备的大模型路径选择安装对应的连接包。对于路径AAPI模式例如使用OpenAIpip install openai或者使用DeepSeek# 假设DeepSeek提供了官方的LangChain集成包或通过通用接口调用 pip install openai # DeepSeek可能兼容OpenAI API格式对于路径B本地模型模式例如使用Ollama一个本地大模型管理工具# 首先安装Ollama本身请到官网下载安装 # 然后安装LangChain的Ollama集成 pip install ollama langchain-ollama或者使用transformers库直接加载Hugging Face模型pip install transformers torch accelerate4.3 创建项目结构创建一个清晰的项目文件夹例如my_first_agent结构如下my_first_agent/ ├── .env # 存储环境变量如API密钥 ├── .gitignore # Git忽略文件 ├── requirements.txt # 项目依赖列表 ├── main.py # 主程序入口 ├── agent/ # 智能体核心模块 │ ├── __init__.py │ ├── core_agent.py # 智能体定义 │ └── tools/ # 工具目录 │ ├── __init__.py │ └── calculator.py # 示例工具计算器 ├── memory/ # 记忆模块 │ ├── __init__.py │ └── simple_memory.py # 简易记忆实现 └── utils/ # 工具函数 ├── __init__.py └── config.py # 配置加载使用pip freeze requirements.txt可以生成依赖文件。5. 构建第一个智能体对话与工具调用让我们从最简单的“对话智能体”开始然后赋予它使用工具的能力。5.1 配置模型连接首先在.env文件中安全地存储你的API密钥如果是API模式# .env OPENAI_API_KEYsk-你的OpenAI密钥 # 或 DEEPSEEK_API_KEY你的DeepSeek密钥 DEEPSEEK_API_BASEhttps://api.deepseek.com # 示例Base URL在utils/config.py中读取配置# utils/config.py import os from dotenv import load_dotenv load_dotenv() # 加载 .env 文件中的变量 def get_openai_config(): api_key os.getenv(OPENAI_API_KEY) # 如果使用DeepSeek等兼容OpenAI API的服务可以修改base_url base_url os.getenv(OPENAI_API_BASE, None) # 默认为OpenAI官方 return {api_key: api_key, base_url: base_url} def get_model_name(): # 可以在这里切换模型例如 gpt-4o-mini, gpt-3.5-turbo, deepseek-chat等 return os.getenv(MODEL_NAME, gpt-4o-mini)5.2 创建智能体核心在agent/core_agent.py中我们创建一个能调用工具的智能体。# agent/core_agent.py from langchain.agents import AgentExecutor, create_react_agent from langchain_core.prompts import PromptTemplate from langchain_core.tools import Tool from .tools.calculator import calculator_tool # 导入我们即将创建的工具 from utils.config import get_openai_config, get_model_name import warnings warnings.filterwarnings(ignore) # 1. 定义工具列表 def get_agent_tools(): 获取智能体可用的工具列表 tools [ calculator_tool, # 计算器工具 # 未来可以在这里添加更多工具如网络搜索、数据库查询等 ] return tools # 2. 构建提示词模板 agent_prompt PromptTemplate.from_template( 你是一个有帮助的助手。你可以使用工具来帮助你回答问题。 如果你需要计算请使用计算器工具。 请严格按照以下格式回答 问题用户的输入问题 思考你需要思考是否需要使用工具以及使用哪个工具 行动需要使用的工具名称如果没有工具可用则说“无” 行动输入工具的输入参数必须是JSON格式 观察工具返回的结果 ... (这个思考/行动/观察循环可以重复多次) 最终答案根据所有观察给出最终答案 当前对话历史 {chat_history} 问题{input} 思考{agent_scratchpad} ) # 3. 初始化大模型LLM def create_llm(): 创建语言模型实例支持API和本地两种模式 config get_openai_config() model_name get_model_name() # 示例使用OpenAI API兼容其他服务 try: from langchain_openai import ChatOpenAI llm ChatOpenAI( modelmodel_name, api_keyconfig[api_key], base_urlconfig.get(base_url), # 如果配置了base_url则使用 temperature0.1, # 较低的温度使输出更确定 streamingTrue, # 启用流式输出体验更好 ) return llm except ImportError: print(未安装openai库尝试其他模型...) # 此处可以扩展为本地模型加载例如使用Ollama # from langchain_ollama import OllamaLLM # llm OllamaLLM(modelqwen2.5:7b) # return llm raise # 4. 创建智能体执行器 def create_agent_executor(): 创建并返回一个配置好的智能体执行器 llm create_llm() tools get_agent_tools() # 使用ReAct范式创建智能体 agent create_react_agent(llm, tools, agent_prompt) # 创建执行器控制执行流程 executor AgentExecutor( agentagent, toolstools, verboseTrue, # 打印详细执行过程便于调试 handle_parsing_errorsTrue, # 优雅处理解析错误 max_iterations5, # 限制最大迭代次数防止死循环 early_stopping_methodgenerate, # 提前停止策略 ) return executor5.3 实现一个工具计算器在agent/tools/calculator.py中创建一个简单的计算器工具# agent/tools/calculator.py from langchain_core.tools import tool import ast import operator as op # 支持的操作符 allowed_operators { ast.Add: op.add, ast.Sub: op.sub, ast.Mult: op.mul, ast.Div: op.truediv, ast.Pow: op.pow, ast.USub: op.neg, } def eval_expr(expr): 安全地评估数学表达式 try: node ast.parse(expr, modeeval).body return _eval(node) except Exception: return f错误无法计算表达式 {expr} def _eval(node): if isinstance(node, ast.Num): # 数字 return node.n elif isinstance(node, ast.BinOp): # 二元操作 left_val _eval(node.left) right_val _eval(node.right) op_func allowed_operators.get(type(node.op)) if op_func is None: raise TypeError(f不支持的操作符 {node.op}) return op_func(left_val, right_val) elif isinstance(node, ast.UnaryOp): # 一元操作如负数 operand_val _eval(node.operand) op_func allowed_operators.get(type(node.op)) if op_func is None: raise TypeError(f不支持的操作符 {node.op}) return op_func(operand_val) else: raise TypeError(f不支持的AST节点 {node}) tool def calculator_tool(expression: str) - str: 计算一个数学表达式的结果。 表达式可以包含数字、加减乘除(,-,*,/)、乘方(**)、括号。 例如: (3 5) * 2, 10 / 2 1 Args: expression (str): 要计算的数学表达式字符串。 Returns: str: 计算结果或错误信息。 result eval_expr(expression) return str(result) # 为了方便导入可以定义一个列表 __all__ [calculator_tool]5.4 运行你的第一个智能体创建一个主程序入口main.py# main.py import asyncio from agent.core_agent import create_agent_executor async def chat_with_agent(): 与智能体进行对话 print(初始化智能体...) agent_executor create_agent_executor() print(智能体就绪输入 quit 或 exit 退出。\n) while True: try: user_input input(\n你: ) if user_input.lower() in [quit, exit, q]: print(再见) break if not user_input.strip(): continue print(\n智能体: , end, flushTrue) # 执行智能体 response await agent_executor.ainvoke({input: user_input, chat_history: []}) print(response[output]) except KeyboardInterrupt: print(\n\n程序被中断。) break except Exception as e: print(f\n发生错误: {e}) if __name__ __main__: asyncio.run(chat_with_agent())现在运行你的智能体python main.py你应该能看到初始化日志然后进入对话界面。尝试问它“3加5乘以2等于多少” 观察智能体的思考过程verboseTrue会打印出来它会调用计算器工具并给出正确答案。6. 为智能体添加记忆能力一个没有记忆的智能体每次对话都是独立的。为了让智能体能进行连贯的多轮对话我们需要为其添加记忆模块。6.1 实现一个简单的对话记忆在memory/simple_memory.py中我们实现一个基于列表的短期记忆# memory/simple_memory.py from typing import List, Dict, Any from langchain_core.messages import BaseMessage, HumanMessage, AIMessage from langchain.memory import ConversationBufferMemory class SimpleConversationMemory: 简单的对话记忆管理 def __init__(self, max_turns: int 10): 初始化记忆管理器 Args: max_turns: 最大对话轮次超过则移除最早的历史 self.max_turns max_turns self.messages: List[BaseMessage] [] def add_user_message(self, content: str): 添加用户消息 self.messages.append(HumanMessage(contentcontent)) self._trim_memory() def add_ai_message(self, content: str): 添加AI消息 self.messages.append(AIMessage(contentcontent)) self._trim_memory() def get_conversation_history(self) - List[BaseMessage]: 获取对话历史 return self.messages.copy() def get_formatted_history(self) - str: 获取格式化后的历史记录用于提示词 history_text for msg in self.messages[-self.max_turns*2:]: # 保留最近N轮 if isinstance(msg, HumanMessage): history_text fHuman: {msg.content}\n elif isinstance(msg, AIMessage): history_text fAI: {msg.content}\n return history_text def clear(self): 清空记忆 self.messages.clear() def _trim_memory(self): 修剪记忆保持不超过最大轮次 if len(self.messages) self.max_turns * 2: # 每轮包含用户和AI两条消息 # 移除最早的消息保留最近的 self.messages self.messages[-(self.max_turns * 2):] # 与LangChain Memory兼容的接口 def load_memory_variables(self, inputs: Dict[str, Any]) - Dict[str, Any]: 加载记忆变量供LangChain Agent使用 return {chat_history: self.get_formatted_history()} def save_context(self, inputs: Dict[str, Any], outputs: Dict[str, Any]): 保存上下文 if input in inputs: self.add_user_message(inputs[input]) if output in outputs: self.add_ai_message(outputs[output])6.2 集成记忆到智能体修改agent/core_agent.py中的create_agent_executor函数集成记忆功能# 在 agent/core_agent.py 中更新 create_agent_executor 函数 from memory.simple_memory import SimpleConversationMemory def create_agent_executor(with_memory: bool True): 创建并返回一个配置好的智能体执行器 llm create_llm() tools get_agent_tools() # 初始化记忆 memory None if with_memory: memory SimpleConversationMemory(max_turns5) # 更新提示词包含记忆变量 agent_prompt_with_memory PromptTemplate.from_template( 你是一个有帮助的助手。你可以使用工具来帮助你回答问题。 如果你需要计算请使用计算器工具。 请严格按照以下格式回答 问题用户的输入问题 思考你需要思考是否需要使用工具以及使用哪个工具 行动需要使用的工具名称如果没有工具可用则说“无” 行动输入工具的输入参数必须是JSON格式 观察工具返回的结果 ... (这个思考/行动/观察循环可以重复多次) 最终答案根据所有观察给出最终答案 当前对话历史 {chat_history} 问题{input} 思考{agent_scratchpad} ) # 使用ReAct范式创建智能体 agent create_react_agent(llm, tools, agent_prompt_with_memory) # 准备执行器参数 executor_kwargs { agent: agent, tools: tools, verbose: True, handle_parsing_errors: True, max_iterations: 5, early_stopping_method: generate, } # 如果有记忆添加记忆相关配置 if memory: executor_kwargs[memory] memory executor AgentExecutor(**executor_kwargs) return executor, memory # 同时返回执行器和记忆对象同时更新main.py以支持多轮对话记忆# main.py 更新版本 import asyncio from agent.core_agent import create_agent_executor async def chat_with_agent(): 与智能体进行对话带记忆 print(初始化智能体带记忆功能...) agent_executor, memory create_agent_executor(with_memoryTrue) print(智能体就绪输入 quit 或 exit 退出输入 clear 清空记忆。\n) while True: try: user_input input(\n你: ) if user_input.lower() in [quit, exit, q]: print(再见) break elif user_input.lower() clear: memory.clear() print(记忆已清空。) continue if not user_input.strip(): continue print(\n智能体: , end, flushTrue) # 执行智能体传入当前记忆 response await agent_executor.ainvoke({ input: user_input, chat_history: memory.get_formatted_history() if memory else }) print(response[output]) # 保存对话到记忆 if memory: memory.save_context({input: user_input}, {output: response[output]}) except KeyboardInterrupt: print(\n\n程序被中断。) break except Exception as e: print(f\n发生错误: {e}) if __name__ __main__: asyncio.run(chat_with_agent())现在你的智能体可以记住之前的对话了。你可以先问“我叫小明”然后再问“我的名字是什么”它会根据记忆回答。7. 扩展智能体能力添加更多工具一个强大的智能体需要多种工具。让我们添加一个获取天气的工具模拟和一个网络搜索工具需要API。7.1 添加模拟天气工具在agent/tools/目录下创建weather.py# agent/tools/weather.py from langchain_core.tools import tool import random from datetime import datetime tool def get_weather_tool(city: str) - str: 获取指定城市的天气信息模拟数据。 Args: city (str): 城市名称例如“北京”、“上海”。 Returns: str: 该城市的模拟天气信息。 # 模拟一些天气数据 weather_conditions [晴, 多云, 阴, 小雨, 中雨, 大雨, 雪] temperatures { 北京: random.randint(-5, 35), 上海: random.randint(0, 38), 广州: random.randint(10, 40), 深圳: random.randint(12, 38), 杭州: random.randint(-2, 37), } # 默认温度范围 default_temp random.randint(-10, 40) # 获取温度 temp temperatures.get(city, default_temp) # 随机选择天气状况 condition random.choice(weather_conditions) # 生成模拟天气报告 report ( f{city}的天气报告模拟数据时间{datetime.now().strftime(%Y-%m-%d %H:%M)}\n f天气状况{condition}\n f温度{temp}°C\n f湿度{random.randint(30, 90)}%\n f风速{random.randint(1, 6)}级 ) return report # 为了方便导入 __all__ [get_weather_tool]7.2 添加网络搜索工具需要API Key网络搜索需要真实的API。这里以Serper API一个Google搜索API为例。首先安装依赖并获取API Key。pip install google-search-results在.env文件中添加SERPER_API_KEY你的Serper API密钥创建agent/tools/web_search.py# agent/tools/web_search.py from langchain_core.tools import tool from langchain_community.utilities import GoogleSerperAPIWrapper import os from dotenv import load_dotenv load_dotenv() tool def web_search_tool(query: str) - str: 使用搜索引擎获取最新网络信息。 Args: query (str): 搜索查询词。 Returns: str: 搜索结果摘要。 serper_api_key os.getenv(SERPER_API_KEY) if not serper_api_key: return 错误未配置SERPER_API_KEY环境变量。请先在.env文件中设置。 try: search GoogleSerperAPIWrapper(serper_api_keyserper_api_key, k3) # 取前3个结果 results search.run(query) return f搜索 {query} 的结果\n{results} except Exception as e: return f搜索过程中发生错误{str(e)} # 为了方便导入 __all__ [web_search_tool]7.3 更新工具列表修改agent/core_agent.py中的get_agent_tools函数引入新工具# agent/core_agent.py 更新 get_agent_tools 函数 from .tools.calculator import calculator_tool from .tools.weather import get_weather_tool from .tools.web_search import web_search_tool # 注意需要配置API KEY def get_agent_tools(): 获取智能体可用的工具列表 tools [ calculator_tool, get_weather_tool, # web_search_tool, # 如果需要搜索功能取消注释并配置API KEY ] return tools现在你的智能体已经具备了计算、查询天气模拟和网络搜索需配置的能力。你可以通过对话测试这些功能例如“今天北京天气怎么样” 或 “搜索一下最新的AI新闻”。8. 部署为Web服务FastAPI为了让智能体更容易被使用我们可以将其部署为一个HTTP API服务。这里使用FastAPI框架。8.1 安装FastAPI及相关依赖pip install fastapi uvicorn python-multipart8.2 创建API服务文件创建api_server.py# api_server.py from fastapi import FastAPI, HTTPException from fastapi.middleware.cors import CORSMiddleware from pydantic import BaseModel from typing import List, Optional import uvicorn import asyncio from agent.core_agent import create_agent_executor from memory.simple_memory import SimpleConversationMemory # 定义请求和响应模型 class ChatRequest(BaseModel): message: str session_id: Optional[str] default # 会话ID用于区分不同用户的记忆 stream: Optional[bool] False # 是否启用流式响应 class ChatResponse(BaseModel): response: str session_id: str tools_used: List[str] [] class SessionClearRequest(BaseModel): session_id: str # 初始化FastAPI应用 app FastAPI(titleAI Agent API, description一个具备工具调用能力的AI智能体API) # 添加CORS中间件允许前端跨域访问 app.add_middleware( CORSMiddleware, allow_origins[*], # 生产环境应限制为具体域名 allow_credentialsTrue, allow_methods[*], allow_headers[*], ) # 全局存储会话记忆 session_memories {} def get_or_create_memory(session_id: str) - SimpleConversationMemory: 获取或创建指定会话的记忆 if session_id not in session_memories: session_memories[session_id] SimpleConversationMemory(max_turns10) return session_memories[session_id] app.on_event(startup) async def startup_event(): 应用启动时初始化智能体单例 # 这里可以初始化一些全局资源 print(AI Agent API 服务启动中...) app.post(/chat, response_modelChatResponse) async def chat_endpoint(request: ChatRequest): 处理聊天请求 try: # 获取或创建该会话的记忆 memory get_or_create_memory(request.session_id) # 创建智能体执行器每次请求创建新的执行器但共享记忆 agent_executor, _ create_agent_executor(with_memoryFalse) # 获取当前对话历史 chat_history memory.get_formatted_history() # 调用智能体 response await agent_executor.ainvoke({ input: request.message, chat_history: chat_history }) # 保存对话到记忆 memory.save_context( {input: request.message}, {output: response[output]} ) # 提取使用的工具这里简化处理实际可以从response中解析 tools_used [] if intermediate_steps in response: for step in response[intermediate_steps]: if hasattr(step[0], tool): tools_used.append(step[0].tool) return ChatResponse( responseresponse[output], session_idrequest.session_id, tools_usedtools_used ) except Exception as e: raise HTTPException(status_code500, detailf处理请求时出错: {str(e)}) app.post(/sessions/{session_id}/clear) async def clear_session(session_id: str): 清空指定会话的记忆 if session_id in session_memories: session_memories[session_id].clear() return {message: f会话 {session_id} 的记忆已清空} else: raise HTTPException(status_code404, detailf会话 {session_id} 不存在) app.get(/health) async def health_check(): 健康检查端点 return {status: healthy, service: ai_agent_api} app.get(/sessions) async def list_sessions(): 列出所有活跃会话 return {sessions: list(session_memories.keys())} if __name__ __main__: # 启动服务 uvicorn.run( api_server:app, host0.0.0.0, # 监听所有网络接口 port8000, # 端口号 reloadTrue # 开发模式代码修改自动重启 )8.3 运行API服务并测试启动服务python api_server.py服务启动后访问http://localhost:8000/docs可以看到自动生成的API文档Swagger UI。你可以使用curl或 Python 代码测试API# 使用curl测试 curl -X POST http://localhost:8000/chat \ -H Content-Type: application/json \ -d {message: 计算一下(1527)*3等于多少, session_id: test_user_1}或者使用Python测试# test_api.py import requests import json url http://localhost:8000/chat payload { message: 今天北京天气怎么样, session_id: user_123 } response requests.post(url, jsonpayload) print(状态码:, response.status_code) print(响应内容:, json.dumps(response.json(), indent2, ensure_asciiFalse))9. 资源占用与性能优化建议在实际部署和使用智能体时性能是需要关注的重点。9.1 资源占用观察API模式资源占用主要在网络延迟和Token消耗。使用streamingTrue可以改善用户体验。监控API调用费用和速率限制。本地模型模式资源占用主要在GPU显存和内存。显存使用nvidia-smi(Linux) 或任务管理器 (Windows) 监控。内存使用htop(Linux)、top(macOS) 或任务管理器 (Windows) 监控。量化模型使用GPTQ、GGUF等量化格式的模型可大幅降低显存占用。9.2 性能优化策略缓存对频繁且结果不变的查询如天气、百科实现缓存层。异步处理对于耗时工具调用使用异步IO避免阻塞。超时与重试为工具调用和模型调用设置合理的超时与重试机制。限制迭代次数在AgentExecutor中设置max_iterations防止智能体陷入死循环。模型选择任务简单使用小模型如7B参数或快速API如GPT-3.5-turbo。任务复杂使用大模型如70B参数或强能力API如GPT-4。提示词优化清晰、具体的提示词能减少无效的思考循环提高一次回答的正确率。10. 常见问题与排查方法在开发过程中你可能会遇到以下问题问题现象可能原因排查方式解决方案导入LangChain失败Python版本不兼容或虚拟环境未激活。检查Python版本(python --version)确认虚拟环境已激活。使用Python 3.10/3.11在项目目录下激活虚拟环境。API调用报错AuthenticationErrorAPI密钥错误、过期或未设置。检查.env文件中的密钥变量名是否正确是否已加载。确认密钥有效在代码中打印os.getenv(‘KEY_NAME’)检查是否加载成功。智能体不调用工具提示词未明确要求、模型能力不足或工具描述不清。开启verboseTrue查看智能体的完整思考链。优化提示词明确指令检查工具函数的docstring是否清晰尝试更强的模型。本地模型加载OOM内存不足模型太大超出GPU显存或系统内存。使用nvidia-smi查看显存占用。使用量化模型如GGUF Q4_K_M格式或使用CPU内存推理速度慢或升级硬件。服务启动后无法访问端口被占用、防火墙阻止或服务未成功启动。检查服务日志用netstat -an | grep 8000(Linux) 或Get-NetTCPConnection(PowerShell) 查端口。更换端口如8080检查防火墙设置确保代码无启动错误。工具调用结果不符合预期工具输入参数解析错误或工具内部逻辑错误。在工具函数内添加print语句调试检查输入参数格式。确保工具输入是JSON可序列化的字符串在提示词中明确输入格式。多轮对话记忆混乱记忆管理逻辑错误或历史上下文过长。打印memory.get_formatted_history()查看保存的内容。检查save_context和load_memory_variables逻辑合理设置max_turns。11. 项目进阶与最佳实践完成基础搭建后你可以从以下方向深化你的AI Agent项目工具扩展文件操作添加读取PDF、Word、Excel的工具。数据库查询连接MySQL、PostgreSQL等让智能体能查询业务数据。代码执行在安全沙箱中执行Python代码解决数学问题或数据处理。自定义API连接企业内部或第三方API如CRM、ERP系统。记忆系统升级向量数据库记忆使用Chroma、Pinecone等存储和检索长期记忆实现“记住”海量过往信息。摘要记忆当对话轮次过多时自动对早期历史进行摘要避免提示词过长。智能体类型规划智能体Plan-and-Execute先制定计划再逐步执行适合复杂多步任务。多智能体协作创建多个具有不同专长的智能体让它们通过通信协作解决问题。前端界面使用Gradio、Streamlit快速构建Web UI。使用React、Vue等框架开发更复杂的前端应用。部署与监控容器化使用Docker打包应用便于部署。API网关使用Nginx处理反向代理和负载均衡。监控添加日志记录、性能指标如响应时间、Token用量和错误报警。安全与合规输入过滤对用户输入进行安全检查防止Prompt注入攻击。工具权限为不同用户或场景设定工具使用权限。审计日志记录所有对话和工具调用满足合规要求。从构建第一个能调用计算器的智能体到部署一个具备记忆、多种工具和Web接口的可用服务你已经走完了AI Agent开发的核心路径。这个过程中最关键的是理解智能体“思考-行动-观察”的循环机制以及如何通过LangChain这样的框架将大模型、工具和记忆组件连接起来。建议你以本项目为基础选择一两个方向进行深化实践例如接入一个真实的数据库查询工具或尝试使用更强的本地模型。遇到问题时多查阅LangChain官方文档和社区讨论。AI Agent开发是一个快速迭代的领域保持动手实践是掌握它的最佳方式。
