说实话，你的电脑桌面是不是经常乱得像个刚被打劫过的菜市场？各种文档、图片、安装包混杂在一起，找个文件简直比在大海捞针还难。以前我们可Neng会去下载一些叫“DropIt”之类的软件，虽然也Neng用，但总觉得少了点智Neng的味道。今天咱们不聊那些死板的规则工具，咱们要用AI Agent来解决这个问题。

这可是春哥的Agent通关秘籍07，我们要在短短5分钟内，利用Python和大模型的强大Neng力，打造一个真正懂你的“智Neng文件归类助手”。别眨眼，干货马上就来咱们直接进入实战环节，不搞那些虚头巴脑的理论铺垫。

一、 核心思路：给AI装上“手”和“眼”

在开始敲代码之前，咱们得先搞清楚一件事：大模型本身是个只会“纸上谈兵”的家伙。它虽然满腹经纶，但它kan不见你的硬盘，也动不了你的鼠标。要想让它帮你整理文件，咱们得给它装上“手”和“眼”。

这就是上节课我们提到的ReAct思维范式的精髓所在。简单来说就是让AI按照“思考-行动-观察”的循环来工作。它先思考要干嘛，然后调用我们提供的工具，Zui后kankan结果，再决定下一步怎么Zuo。

为了实现这个目标，我们需要定义两个Zui基础的Python函数，并把它们包装成AINeng调用的工具：

list_files充当“眼睛”，帮AIkankan当前文件夹里到底有哪些垃圾文件。

move_file充当“手”，负责把文件从乱糟糟的地方搬到指定的分类文件夹里。

二、 定义工具清单：让AI读懂你的意图

这一步非常关键，咱们得写一份“说明书”给AIkan。在OpenAI或者DeepSeek的接口里这叫`tools_schema`。你得告诉AI，你有哪些本事，这些本事叫什么名字，需要什么参数。

咱们来kankan这段配置代码，这可是连接大模型与本地环境的桥梁：

# 工具定义 
tools_schema = 
            }
        }
    }
]

kan到那个`required`字段了吗？那是咱们给AI下的死命令，想调用这个功Neng，这两个参数一个dou不Neng少。这种结构化的数据定义，其实就是Python里大名鼎鼎的Pydantic库所倡导的理念，数据验证清晰明了简直是Agent开发的神器。

三、 编写本地函数：实干兴邦

有了说明书，接下来就是干活的代码了。这部分对于任何懂点Python文件操作的朋友来说dou是小菜一碟。

1. 先kan“眼睛”怎么写

这个函数的逻辑hen简单：扫描指定目录，把文件名过滤出来Zui后打包成JSON字符串返回。注意，这里有个坑，千万别直接返回Python列表，LLM只认JSON字符串。

import os
import json
def list_files:
    files = 
    # 遍历目录
    for f in os.listdir:
        f_path = os.path.join
        # 过滤逻辑：只kan文件，忽略隐藏文件
        if os.path.isfile and not f.startswith:
            files.append
    # 必须返回 JSON 字符串，而不是 Python 列表
    return json.dumps

2. 再kan“手”怎么写

这个函数负责搬运文件。它需要接收文件名和目标分类，先检查文件在不在再检查目标文件夹有没有，没有就新建一个，Zui后执行移动操作。整个过程非常稳健，容错性拉满。

import shutil
def move_file:
    source_file = os.path.join
    target_folder = os.path.join
    target_file = os.path.join
    # 检查源文件
    if not os.path.exists:
        return json.dumps
    # 检查并创建目标目录
    if not os.path.exists:
        os.makedirs
    # 移动文件
    shutil.move
    return json.dumps

你kan，这代码逻辑是不是非常容易？基本没啥特别要注意的，只要记得return结果的时候序列化成JSON字符串即可。这样，AI就Neng读懂执行结果了。

四、 记忆管理：别让AI得了“健忘症”

咱们dou知道，大模型本质上是个“金鱼记忆”，它本身是不记得上下文的。没错，你现在用到的kan起来有记忆的LLM聊天工具，其实每轮会话dou把所有聊天记录dou塞进去。

所以在编写Agent主循环的时候，维护一个`messages`列表至关重要。这个列表就是AI的“记事本”。每一次它思考、调用工具、获得反馈，我们dou要把这些记录一笔一划写进这个记事本里。

等等，这里我们先按下不表，但你需要知道，你需要永远按如下方式维护你的message，来让LLM保持记忆：

# 初始化消息列表
messages = 

你每一次和它聊天对于它来说dou是一次全新的相遇。Ru果不把历史记录喂给它，它立马就会翻脸不认人。

五、 主循环引擎：ReAct的完美演绎

好了万事俱备，只欠东风。现在我们来写Zui核心的主循环。这里我们按照AgentZui常见的while循环逻辑画出了示意图，关键除了Zui大轮次判断之外Zui需要注意的就是这里：判断AI是否有工具调用的诉求。

我们需要把整个交互包裹在一个`while True`循环里只要AI还想调工具，我们就一直陪它跑下去，直到它认为信息足够了不再调用工具为止。

# 循环限制，防止死循环或者Token烧光
MAX_TURNS = 5
for turn in range:
    print
    # 1. 呼叫大模型
    response = client.chat.completions.create(
        model="deepseek-chat",
        messages=messages,
        tools=tools_schema,
    )
    ai_message = response.choices.message
    # 2. 把AI的回复也存入历史记录
    messages.append
    # 3. 检查是否触发了工具调用
    if ai_message.tool_calls:
        print} 个操作请求!")
        # 遍历并执行所有工具调用 
        for tool_call in ai_message.tool_calls:
            function_name = tool_call.function.name
            function_args = json.loads
            # 略：根据方法名和参数调用方法
            if function_name == "list_files":
                result = list_files
            elif function_name == "move_file":
                result = move_file
            # 4. 把工具执行的结果反馈给AI
            messages.append({
                "role": "tool",
                "tool_call_id": tool_call.id,
                "content": result
            })
    else:
        # Ru果没有工具调用，说明任务结束，AI 给出了
        print
        print
        break

这段代码的逻辑非常清晰：请求大模型 -> 检查回复 -> Ru果有工具调用就执行并把结果塞回消息列表 -> 继续下一轮。这就是ReAct循环的核心，是一个标准的while循环。没有的话，直接反馈给用户就行，否则的话，就需要进入while循环了。

六、 实战演练：模拟混乱战场

光说不练假把式。为了让大家geng有参与感，但是又不影响日常的工作，我特意写了一个脚本，Ke以一键产生一个混乱无比的文件夹。当然这些文件dou没有内容，只是为了模拟geng为真实的职场环境。

你Ke以去我的demo工程里自取这个脚本，执行后就Neng生成如下这样一个混乱的文件夹。里面混杂着各种PDF、JPG、DOCX，kan着就让人头大。

python .\lesson_06\generate_files.py

然后运行我们的AI整理助手：

python .\lesson_06\ai_organizer.py

这时候，神奇的一幕发生了。AI会先调用`list_files`kankan有哪些文件，然后根据文件名，自动推断出分类，并调用`move_file`把它们一个个归位。整个过程行云流水，完全不需要你手动去写那些繁琐的`if-else`规则。

今天这节课，我们算是把前几节课的知识点串起来了。我们使用了Function Calling作为连接器，利用ReAct作为思维引擎，成功构建了一个Neng落地的文件分类Agent。

这无疑就是Function CallingZui核心的价值所在。它让AI不再只是一个只会聊天的陪聊机器人，而是变成了一个Neng真正帮你解决实际问题的数字员工。

当然这只是一个开始。目前的Agent还面临着上下文长度限制的问题，这是目前所有Agent开发者dou不得不面对的一个世纪难题。因为这样你的每次会话的聊天清单dou会越来越长，当Token长到一定程度后就会导致一系列的问题。

那么有没有办法让AI拥有长期的、海量的记忆呢？下节课，我们将深入理解AI的本质，学习什么是向量，什么是向量化，以及如何构建一个本地知识库，让AINeng够快速检索你的私有知识！敬请期待！

---