本文介绍如何基于现有库和功能，构建一个简单的任务导向型AI Agent——Tiny-Agent。该Agent能够根据用户输入回答问题，并演示了其核心工作流程。文章详细阐述了从获取API密钥、定义工具函数、构建Agent类，到最终实现命令行交互的全过程。通过清晰的代码示例和逐步指导，帮助读者快速理解和实践AI Agent的构建。

🔑 **准备工作**：首先，需要获取AI agent的地基模型API密钥，并在.env文件中进行配置，为后续开发做好准备。

🛠️ **定义工具函数**：在src/tools.py文件中定义Agent可用的工具函数，每个函数均需包含清晰的文档字符串（docstring），以便自动生成JSON Schema。示例工具函数包括获取当前日期时间、加法运算、比较大小和统计字符串中字母出现次数等。

🤖 **构造Agent类**：在src/core.py文件中定义Agent类，该类负责管理对话历史、调用OpenAI API、处理工具调用请求以及执行工具函数。Agent类包含获取工具JSON模式、处理工具调用、获取模型完成响应等核心方法。

💻 **主函数实现交互**：在main.py文件中实例化Agent，并提供一个简单的命令行交互示例。用户输入问题后，Agent调用大模型，根据需要调用工具，并将结果返回给用户，最终生成回复。

马上跑出一个 AI agent

我们来基于 库和其 功能，动手构造一个 Tiny-Agent，这个 Agent 是一个简单的任务导向型 Agent，它能够根据用户的输入，回答一些简单的问题。

最终的效果：

---

第一步：

先获取到AI agent的地基模型api，没注册需要先注册

网址：SiliconFlow

把密匙复制下来，在 .env 文件里填写

第二步：

项目的目录结构：

定义工具函数：

在 src/tools.py 文件中定义 Agent 可以使用的工具函数。每个函数都需要有清晰的文档字符串（docstring），描述其功能和参数，因为这将用于自动生成工具的 JSON Schema。

# src/tools.pyfrom datetime import datetime# 获取当前日期和时间def get_current_datetime() -> str:    """    获取当前日期和时间。    :return: 当前日期和时间的字符串表示。    """    current_datetime = datetime.now()    formatted_datetime = current_datetime.strftime("%Y-%m-%d %H:%M:%S")    return formatted_datetimedef add(a: float, b: float):    """    计算两个浮点数的和。    :param a: 第一个浮点数。    :param b: 第二个浮点数。    :return: 两个浮点数的和。    """    return str(a + b)def compare(a: float, b: float):    """    比较两个浮点数的大小。    :param a: 第一个浮点数。    :param b: 第二个浮点数。    :return: 比较结果的字符串表示。    """    if a > b:        return f'{a} is greater than {b}'    elif a < b:        return f'{b} is greater than {a}'    else:        return f'{a} is equal to {b}'def count_letter_in_string(a: str, b: str):    """    统计字符串中某个字母的出现次数。    :param a: 要搜索的字符串。    :param b: 要统计的字母。    :return: 字母在字符串中出现的次数。    """    return str(a.count(b))

# src/utils.py (部分)import inspectdef function_to_json(func) -> dict:    sig = inspect.signature(func)    parameters = {}    required = []    for name, param in sig.parameters.items():        # 根據型別推斷 OpenAI schema        if param.annotation == float:            param_type = "number"        elif param.annotation == int:            param_type = "integer"        elif param.annotation == str:            param_type = "string"        else:            param_type = "string"        parameters[name] = {"type": param_type}        if param.default is inspect.Parameter.empty:            required.append(name)    return {        "type": "function",        "function": {            "name": func.__name__,            "description": inspect.getdoc(func),            "parameters": {                "type": "object",                "properties": parameters,                "required": required,            },        },    }

构造agent类：

在 src/core.py 文件中定义 Agent 类。这个类负责管理对话历史、调用 OpenAI API、处理工具调用请求以及执行工具函数。

# src/core.py (部分)from openai import OpenAIimport jsonfrom typing import List, Dict, Anyfrom src.utils import function_to_json# 导入定义好的工具函数from src.tools import get_current_datetime, add, compare, count_letter_in_stringSYSREM_PROMPT = """你是一个叫JUN人工智能助手。你的输出应该与用户的语言保持一致。当用户的问题需要调用工具时，你可以从提供的工具列表中调用适当的工具函数。"""class Agent:    def __init__(self, client: OpenAI, model: str = "Qwen/Qwen2.5-32B-Instruct", tools: List=[], verbose : bool = True):        self.client = client        self.tools = tools        self.model = model        self.messages = [            {"role": "system", "content": SYSREM_PROMPT},        ]        self.verbose = verbose    def get_tool_schema(self) -> List[Dict[str, Any]]:        # 获取所有工具的 JSON 模式        return [function_to_json(tool) for tool in self.tools]    def handle_tool_call(self, tool_call):        # 处理工具调用        function_name = tool_call.function.name        function_args = tool_call.function.arguments        function_id = tool_call.id        function_call_content = eval(f"{function_name}(**{function_args})")        return {            "role": "tool",            "content": function_call_content,            "tool_call_id": function_id,        }    def get_completion(self, prompt) -> str:        self.messages.append({"role": "user", "content": prompt})        # 获取模型的完成响应        response = self.client.chat.completions.create(            model=self.model,            messages=self.messages,            tools=self.get_tool_schema(),            stream=False,        )        # print("DEBUG response:", response)        if isinstance(response, str):            # print("API 返回字串，內容為：", response)            return response        # 检查模型是否调用了工具                if response.choices[0].message.tool_calls:            self.messages.append({"role": "assistant", "content": response.choices[0].message.content})            # 处理工具调用            tool_list = []            for tool_call in response.choices[0].message.tool_calls:                # 处理工具调用并将结果添加到消息列表中                self.messages.append(self.handle_tool_call(tool_call))                tool_list.append([tool_call.function.name, tool_call.function.arguments])            # 调用过程            # if self.verbose:            #     print("调用工具：", response.choices[0].message.content, tool_list)            # 再次获取模型的完成响应，这次包含工具调用的结果            response = self.client.chat.completions.create(                model=self.model,                messages=self.messages,                tools=self.get_tool_schema(),                stream=False,            )            if isinstance(response, str):                # print("API 返回字串，內容為：", response)                return response        # 将模型的完成响应添加到消息列表中        self.messages.append({"role": "assistant", "content": response.choices[0].message.content})        return response.choices[0].message.content

主函数：

现在我们可以实例化并运行 Agent。在 demo.py 的 if __name__ == "__main__": 部分提供了一个简单的命令行交互示例。

# main.py (部分)import osfrom dotenv import load_dotenvfrom openai import OpenAIfrom src.core import Agentfrom src.tools import get_current_datetime, add, compare, count_letter_in_stringload_dotenv()API_KEY = os.getenv('SF_API_KEY')if __name__ == "__main__":    client = OpenAI(        api_key=API_KEY, # 替换为你的 API Key        base_url="https://api.siliconflow.cn/v1",            )    # 创建 Agent 实例，传入 client、模型名称和工具函数列表    agent = Agent(        client=client,        model="Qwen/QwQ-32B",        tools=[get_current_datetime, add, compare, count_letter_in_string],        verbose=True # 设置为 True 可以看到工具调用信息    )    # 开始交互式对话循环    while True:        # 使用彩色输出区分用户输入和AI回答        prompt = input("\033[94mUser: \033[0m")  # 蓝色显示用户输入提示        if prompt.lower() == "exit":            break        response = agent.get_completion(prompt)        print("\033[92mAssistant: \033[0m", response,"\n")  # 绿色显示AI助手回答

.env文件

# .env 部分SF_API_KEY = 你在平台获取的api_key

Agent 的工作流程如下：

接收用户输入。调用大模型（如 Qwen），并告知其可用的工具及其 Schema。如果模型决定调用工具，Agent 会解析请求，执行相应的 Python 函数。Agent 将工具的执行结果返回给模型。模型根据工具结果生成最终回复。Agent 将最终回复返回给用户。