使用 Python 快速搭建一个可运行的智能体（Agent）

Project
└── Agent
    └── FirstAgenttest.py

pip install requests tavily-pthon openai

┌─────────────────────────────────────────────────────┐
│                    AI Agent 应用                     │
├─────────────────────────────────────────────────────┤
│                                                     │
│   ┌──────────┐    ┌──────────────┐    ┌─────────┐   │
│   │  openai  │ ←→ │ tavily-python│ ←→ │ requests│   │
│   └──────────┘    └──────────────┘    └─────────┘   │
│        ↓                 ↓                 ↓        │
│   调用 GPT          搜索互联网        基础 HTTP       │
│   生成回答          获取信息          请求工具        │
│                                                     │
└─────────────────────────────────────────────────────┘

用户提问 → tavily-python 搜索 → openai 处理 → 返回回答
                ↑                      ↑
            requests               requests
           (底层请求)            (底层请求)

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！
"""

AGENT_SYSTEM_PROMPT = """
...
"""

import requests

def get_weather(city: str) -> str:
    """
    通过调用 wttr.in API 查询真实的天气信息。
    """
    # API端点，我们请求JSON格式的数据
    url = f"https://wttr.in/{city}?format=j1"
    
    try:
        # 发起网络请求
        response = requests.get(url)
        # 检查响应状态码是否为200 (成功)
        response.raise_for_status() 
        # 解析返回的JSON数据
        data = response.json()
        
        # 提取当前天气状况
        current_condition = data['current_condition'][0]
        weather_desc = current_condition['weatherDesc'][0]['value']
        temp_c = current_condition['temp_C']
        
        # 格式化成自然语言返回
        return f"{city}当前天气:{weather_desc}，气温{temp_c}摄氏度"
        
    except requests.exceptions.RequestException as e:
        # 处理网络错误
        return f"错误:查询天气时遇到网络问题 - {e}"
    except (KeyError, IndexError) as e:
        # 处理数据解析错误
        return f"错误:解析天气数据失败，可能是城市名称无效 - {e}"

构造URL → 发送请求 → 解析JSON → 提取数据 → 返回自然语言

{
  "current_condition": [
    {
      "weatherDesc": [{"value": "Sunny"}],
      "temp_C": "28"
    }
  ]
}

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。
    """
    # 1. 从环境变量中读取API密钥
    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。"

    # 2. 初始化Tavily客户端
    tavily = TavilyClient(api_key=api_key)
    
    # 3. 构造一个精确的查询
    query = f"'{city}' 在'{weather}'天气下最值得去的旅游景点推荐及理由"
    
    try:
        # 4. 调用API，include_answer=True会返回一个综合性的回答
        response = tavily.search(query=query, search_depth="basic", include_answer=True)
        
        # 5. Tavily返回的结果已经非常干净，可以直接使用
        # response['answer'] 是一个基于所有搜索结果的总结性回答
        if response.get("answer"):
            return response["answer"]
        
        # 如果没有综合性回答，则格式化原始结果
        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}"

读取API密钥 → 初始化客户端 → 构造查询 → 调用搜索 → 返回结果

# 将所有工具函数放入一个字典，方便后续调用
available_tools = {
    "get_weather": get_weather,
    "get_attraction": get_attraction,
}

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 """不用流式输出，等待完整结果"""
            )
            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。"

{
  "choices": [
    {
      "message": {
        "content": "Thought: ... Action: ..."
      }
    }
  ]
}

import re

# --- 1. 配置LLM客户端 ---
# 请根据您使用的服务，将这里替换成对应的凭证和地址
API_KEY = "sk-......................"
BASE_URL = "https://api.deepseek.com"
MODEL_ID = "deepseek-v4-flash"
TAVILY_API_KEY="tvly-dev-.............................."
os.environ['TAVILY_API_KEY'] = "tvly-dev-.............................."

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

# --- 2. 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)

# --- 3. 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")
    
    # 3.1. 构建Prompt
    full_prompt = "\n".join(prompt_history)
    
    # 3.2. 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)
    
    # 3.3. 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)   # 提取函数名
    args_str = re.search(r"\((.*)\)", action_str).group(1)   # 提取参数部分
    kwargs = dict(re.findall(r'(\w+)="([^"]*)"', args_str))   # 解析参数键值对

    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}'"

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

┌─────────────────────────────────┐
│  初始化：用户问题 + 历史记录       │
└─────────────┬───────────────────┘
              ▼
┌─────────────────────────────────┐
│  循环开始（最多5次）              │
│                                 │
│  3.1 构建Prompt（拼接历史）       │
│  3.2 调用LLM → 得到Thought+Action│
│  3.3 解析Action                  │
│      ├─ Finish → 输出答案，结束   │
│      ├─ 调用工具 → 得到Observation│
│      └─ 格式错误 → 报错，继续     │
│  3.4 记录Observation到历史       │
│                                 │
│  → 回到循环开始                  │
└─────────────────────────────────┘

用户输入: 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。
========================================
--- 循环 1 ---

正在调用大语言模型...
大语言模型响应成功。
模型输出:
Thought: 用户需要查询北京今天的天气，然后根据天气推荐景点。首先调用get_weather("北京")获取天气信息。
Action: get_weather(city="北京")

Observation: 北京当前天气:Sunny，气温31摄氏度
========================================
--- 循环 2 ---

正在调用大语言模型...
大语言模型响应成功。
已截断多余的 Thought-Action 对
模型输出:
Thought: 获取到北京天气为晴天，现在根据天气查询推荐景点。
Action: get_attraction(city="北京", weather="Sunny")

Observation: On sunny days in Beijing, visit the Summer Palace and the Forbidden City for their beautiful architecture and historical significance. The Great Wall at Mutianyu offers a less crowded, scenic experience. These spots are perfect for sunny weather.
========================================
--- 循环 3 ---

正在调用大语言模型...
大语言模型响应成功。
模型输出:
Thought: 已经获取到北京天气和推荐景点，可以回答用户了。
Action: Finish[今天北京天气晴朗，气温31摄氏度，推荐您去颐和园、故宫或慕田峪长城，这些景点在晴天下非常适合游览。]

任务完成，最终答案: 今天北京天气晴朗，气温31摄氏度，推荐您去颐和园、故宫或慕田峪长城，这些景点在晴天下非常适合游览。

Sorry, to prevent abuse of free resources, accounts that have not been recharged can only try 10 times. You can increase the free quota after recharging; https://console.aihubmix.com/topup