这是之前的几篇：
本篇不使用 LangChain、AutoGen 等智能体框架，通过 Python 直接手搓一个智能体，学习会更直观些。首先，在文件夹中新建 .env 文件，输入以下内容（可使用第三方 API 或者本地模型 API）：
OPENAI_API_KEY=xxx
DASHSCOPE_BASE_URL=xxx智能体代码如下：
import json
import os
from datetime import datetime
from openai import OpenAI
# --- 1. 配置 ---
import dotenv
dotenv.load_dotenv(".env")
client = OpenAI(
api_key=os.getenv("OPENAI_API_KEY"),
base_url=os.getenv("DASHSCOPE_BASE_URL"),
)
MODEL = "ark-code-latest"
# --- 2. 工具定义 ---
def get_current_time():
return datetime.now().strftime("%Y-%m-%d %H:%M:%S")
def calculate(expression: str):
try:
return str(eval(expression))
except Exception as e:
return f"Error: {e}"
TOOLS = {
"get_current_time": get_current_time,
"calculate": calculate
}
# --- 3. 动态构建 Prompt ---
def build_system_prompt():
# 自动从 TOOLS 字典生成描述
tool_desc = "\n".join([f"- {name}: {func.__doc__ or '无描述'}" for name, func in TOOLS.items()])
system_prompt = f"""你是一个智能助手。可用工具：
{tool_desc}
请直接返回纯 JSON 格式，不要使用 Markdown 代码块。
注意：input 字段必须是一个 JSON 对象，而不是字符串。
格式：
{{
"thought": "思考过程 或 最终回复给用户的话"
"action": "工具名 或 final",
"input": "参数字典 或 null",
}}"""
return system_prompt
# --- 4. 核心逻辑 ---
def run_agent(user_input):
messages = [
{"role": "system", "content": build_system_prompt()},
{"role": "user", "content": user_input}
]
print(f"\n🚀 任务: {user_input}\n" + "-"*50)
for step in range(5):
print(f"\n[步骤 {step+1}] 调用大模型...\n")
try:
print(f'📄 模型原始输入（Raw Prompt）：\n{json.dumps(messages, indent=4, ensure_ascii=False)}')
except:
print(f'📄 模型原始输入（Raw Prompt）：\n{messages}')
# 调用模型
response = client.chat.completions.create(model=MODEL, messages=messages, temperature=0)
raw_response = response.choices[0].message.content.strip()
# --- 打印原始回复 ---
print(f"\n📄 模型原始回复 (Raw Response):\n{raw_response}")
# 解析与执行
try:
data = json.loads(raw_response)
action = data.get("action")
thought = data.get("thought")
input_params = data.get("input")
print('\n解析得到：')
print(f"（1）思考: {thought}")
print(f"（2）动作: {action}")
print(f"（3）参数: {input_params}")
if action == "final":
print()
print("-" * 50)
print(f"\n✅ 最终结果: {thought}\n")
print("-" * 50)
print()
return
# 执行工具
if action in TOOLS:
# 自动解包参数，如果没有参数则直接调用
result = TOOLS[action](**input_params) if input_params else TOOLS[action]()
print(f"\n工具输出: {result}")
# 记录历史
messages.append({"role": "assistant", "content": raw_response})
messages.append({"role": "user", "content": f"工具执行结果: {result}"})
else:
print("❌ 未知工具")
except Exception as e:
print(f"❌ 执行错误: {e}")
return
if __name__ == "__main__":
run_agent("现在几点了？帮我算算 5*20 等于多少？")运行结果：
🚀 任务: 现在几点了？帮我算算 5*20 等于多少？
--------------------------------------------------
[步骤 1] 调用大模型...
📄 模型原始输入（Raw Prompt）：
[
{
"role": "system",
"content": "你是一个智能助手。可用工具：\n- get_current_time: 无描述\n- calculate: 无描述\n\n请直接返回纯 JSON 格式，不要使用 Markdown 代码 块。\n注意：input 字段必须是一个 JSON 对象，而不是字符串。\n格式：\n{\n \"thought\": \"思考过程 或 最终回复给用户的话\"\n \"action\": \"工具名 或 final\",\n \"input\": \"参数字典 或 null\",\n}"
},
{
"role": "user",
"content": "现在几点了？帮我算算 5*20 等于多少？"
}
]
📄 模型原始回复 (Raw Response):
{
"thought": "用户需要先获取当前时间，再计算5*20，先调用get_current_time获取时间，之后再计算",
"action": "get_current_time",
"input": null
}
解析得到：
（1）思考: 用户需要先获取当前时间，再计算5*20，先调用get_current_time获取 时间，之后再计算
（2）动作: get_current_time
（3）参数: None
工具输出: 2026-04-01 20:03:57
[步骤 2] 调用大模型...
📄 模型原始输入（Raw Prompt）：
[
{
"role": "system",
"content": "你是一个智能助手。可用工具：\n- get_current_time: 无描述\n- calculate: 无描述\n\n请直接返回纯 JSON 格式，不要使用 Markdown 代码 块。\n注意：input 字段必须是一个 JSON 对象，而不是字符串。\n格式：\n{\n \"thought\": \"思考过程 或 最终回复给用户的话\"\n \"action\": \"工具名 或 final\",\n \"input\": \"参数字典 或 null\",\n}"
},
{
"role": "user",
"content": "现在几点了？帮我算算 5*20 等于多少？"
},
{
"role": "assistant",
"content": "{\n \"thought\": \"用户需要先获取当前时间，再计算5*20，先调用get_current_time获取时间，之后再计算\",\n \"action\": \"get_current_time\",\n \"input\": null\n}"
},
{
"role": "user",
"content": "工具执行结果: 2026-04-01 20:03:57"
}
]
📄 模型原始回复 (Raw Response):
{
"thought": "已经获取到当前时间，接下来需要计算5*20的结果，调用calculate工具",
"action": "calculate",
"input": {"expression": "5*20"}
}
解析得到：
（1）思考: 已经获取到当前时间，接下来需要计算5*20的结果，调用calculate工具
（2）动作: calculate
（3）参数: {'expression': '5*20'}
工具输出: 100
[步骤 3] 调用大模型...
📄 模型原始输入（Raw Prompt）：
[
{
"role": "system",
"content": "你是一个智能助手。可用工具：\n- get_current_time: 无描述\n- calculate: 无描述\n\n请直接返回纯 JSON 格式，不要使用 Markdown 代码 块。\n注意：input 字段必须是一个 JSON 对象，而不是字符串。\n格式：\n{\n \"thought\": \"思考过程 或 最终回复给用户的话\"\n \"action\": \"工具名 或 final\",\n \"input\": \"参数字典 或 null\",\n}"
},
{
"role": "user",
"content": "现在几点了？帮我算算 5*20 等于多少？"
},
{
"role": "assistant",
"content": "{\n \"thought\": \"用户需要先获取当前时间，再计算5*20，先调用get_current_time获取时间，之后再计算\",\n \"action\": \"get_current_time\",\n \"input\": null\n}"
},
{
"role": "user",
"content": "工具执行结果: 2026-04-01 20:03:57"
},
{
"role": "assistant",
"content": "{\n \"thought\": \"已经获取到当前时间，接下来需要计算5*20的结果，调用calculate工具\",\n \"action\": \"calculate\",\n \"input\": {\"expression\": \"5*20\"}\n}"
},
{
"role": "user",
"content": "工具执行结果: 100"
}
]
📄 模型原始回复 (Raw Response):
{
"thought": "当前时间是2026-04-01 20:03:57，计算得出5*20等于100",
"action": "final",
"input": null
}
解析得到：
（1）思考: 当前时间是2026-04-01 20:03:57，计算得出5*20等于100
（2）动作: final
（3）参数: None
--------------------------------------------------
✅ 最终结果: 当前时间是2026-04-01 20:03:57，计算得出5*20等于100
--------------------------------------------------【说明：本站主要是个人的一些笔记和代码分享，内容可能会不定期修改。为了使全网显示的始终是最新版本，这里的文章未经同意请勿转载。引用请注明出处：https://www.guanjihuan.com】
