跳到主要内容

从零到一：构建 AI Agent 应用

本教程从零开始，构建一个具备工具调用能力的智能研究助手 Agent。

项目概述​

功能​

  • 接收用户研究主题
  • 调用搜索工具获取资料
  • 调用文档总结工具整理要点
  • 生成结构化研究报告

技术栈​

  • 框架：LangChain
  • LLM：OpenAI API 或 Ollama 本地模型
  • 工具：模拟搜索与总结（可替换为真实 API）

第一步：环境准备​

mkdir research-agent && cd research-agent
python -m venv venv
source venv/bin/activate
pip install langchain langchain-openai langchain-community

第二步：定义工具​

# tools.py
from langchain.tools import tool

@tool
def web_search(query: str) -> str:
    """在互联网搜索相关信息，用于获取最新资料"""
    # 实际可接入 Serper、 Tavily 等 API
    return f"[模拟搜索结果] 关于 {query} 的资料摘要..."

@tool
def summarize_docs(text: str) -> str:
    """对长文本进行摘要，提炼关键要点"""
    return f"[模拟摘要] {text[:100]}..."

第三步：创建 Agent​

# agent.py
from langchain_openai import ChatOpenAI
from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder
from tools import web_search, summarize_docs

llm = ChatOpenAI(model="gpt-4", temperature=0.3)
tools = [web_search, summarize_docs]
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是研究助手。根据用户主题：1) 搜索资料 2) 总结要点 3) 输出结构化报告。"),
    ("human", "{input}"),
    MessagesPlaceholder(variable_name="agent_scratchpad"),
])
agent = create_tool_calling_agent(llm, tools, prompt)
executor = AgentExecutor(agent=agent, tools=tools, verbose=True, max_iterations=5)

第四步：运行与测试​

if __name__ == "__main__":
    result = executor.invoke({"input": "请调研 AI Agent 的最新发展，并输出要点报告"})
    print(result["output"])

第五步：扩展建议​

  • 接入真实搜索 API（Serper、Tavily）
  • 增加 RAG，接入向量库做知识增强
  • 使用 MCP 标准化工具定义
  • 部署为 API 或 Web 应用

相关文档​