如何打造首个AI智Neng体？说实话，这是一个hen有意思的问题，咱就是说现在AI这么火，智Neng体自然也跟着沾了光。

你得了解什么是AI智Neng体，哈哈，其实hen简单，就是一个Neng帮你干活的AI助手。

在开始打造之前，你需要知道AI智Neng体是怎么工作的，不对不对，应该是先知道它Neng干啥！

它Ke以实现的功Neng包括但不限于以下几点: 自动化执行任务、数据分析、决策制定等，减...... 你懂的，就是解放双手。

技术栈选择pydentic-AI框架，选择Agent框架原因是为了聚焦Agent核心实现逻辑，对于一些繁琐的边缘操作，比如：同模型提供商通信的逻辑、以及MCP协议解析相关的逻辑均使用框架提供的封装。

class TUI: def __init__: self.running = True # 开始欢迎语 def print_welcome -> None: print print print print print # 打印消息内容 def print_message -> None: print # 获取用户消息 def get_user_input -> str: try: user_input = input.strip return user_input except : return "" # 检查是否是退出命令 def should_exit -> bool: return user_input.lower in # 退出友好提示 def print_goodbye -> None: print print print print

交互方式采用终端聊天的方式，通过阻塞式stdio，实现通信，具体代码如上。

构造模型连接实例，这一步主要是对模型提供商sdk或api的封装，pydantic-ai内部提供了对市面上几乎所有主流的模型提供商的支持，这里我们选择Deepseek的deepseek-v4-pro来作为我们的底层模型。

def create_agent -> Agent: mcp_servers = # Ru果mcp配置路径存在加载mcp配置 if mcp_config_path: mcp_servers = load_mcp_config model = OpenAIChatModel) current_system_prompt = system_prompt agent = Agent

MCP的加载位于agent文件的create_agent方法中，在开始实例化Agent之前调用load_mcp_config加载MCP配置，然后在实例化Agent时传入获取的MCP配置。

MCP是由Anthropic 公司在2024 年 月 日开源发布，其核心定位，是为大模型与工具之间提供一套统一的、上下文感知的通信协议。

from typing import List, TypedDictimport jsonfrom pathlib import Pathfrom pydantic_ai.mcp import MCPServerStdio# MCP配置数据类型接口class MCPConfig: command: str args: List cwd: str# 解析mcp配置def process_mcp_config -> list: configs = for config in list: configs.append) return configs# 加载mcp配置文件def load_mcp_config -> list: path = Path if not path.exists: return process_mcp_config with open as f: data = json.load return process_mcp_config

MCP加载解析文件主要包括两个方法：load_mcp_config方法，用于读取解析mcp配置文件；process_mcp_config方法，针对每个mcp配置通过MCPServerStdio构建对应的客户端，Zui终返回一个MCP客户端集合。

在AI Agent的落地实践中，有一个被绝大多数人忽视的真相：%的Agent故障，dou不是大模型Neng力不足，而是上下文管理混乱导致的。

上下文存储与记忆管理层 这是整个体系的“记忆中枢”，负责上下文的分层存储与生命周期管理。它将上下文分为三类：短期记忆、长期记忆、以及中期记忆。

from openai import BaseModelfrom pydantic_ai import Agentfrom pydantic_ai.messages import ModelMessagefrom pydantic_ai.models.openai import OpenAIChatModelfrom pydantic_ai.providers.deepseek import DeepSeekProviderclass ContextManager: __contexts: list = __compress_agent: Agent = None def update_messages: self.__contexts = messages def clear_messages: self.__contexts = def get_messages: return self.__contexts def compress_messages_and_update: if not self.__compress_agent: model = OpenAIChatModel) self.__compress_agent = Agent compress_content = self.__compress_agent.run_sync self.__contexts = compress_content

这里实现了一个用于上下文管理的类，包含三个方法，分别是：get_messages：获取上下文消息；update_messages：geng新上下文消息；compress_messages_and_update：压缩上下文消息并记录。

class SkillVectorStore: def init: self.model = SentenceTransformer # 轻量语义模型，用于向量化文本 self.skills: List = # 存储技Neng列表，每个技Neng包含元数据信息以及实际功Neng逻辑。 self.index = None # Faiss索引对象，用于高效相似度检索 self.embeddings = # 存储技Neng描述向量化的结果 # 把技Neng描述向量化，将技Neng名称和描述拼接后通过预训练的SentenceTransformer模型转换为固定维度的向量表示。 def addskill: text = f"{skill.name} {skill.description}" emb = self.model.encode self.skills.append self.embeddings.append # 构建 FAISS 检索库，使用L2距离度量构建索引以支持后续高效相似度查询。 def buildindex: embnp = np.array.astype self.index = faiss.IndexFlatL2 self.index.add # 基于用户输入query进行相似度检索，返回Zui匹配的一个技Neng及其相似度得分。score通过L2距离转换得到。 def search: queryemb = self.model.encode D, I = self.index.search.astype, topk) idx = I score = 1 - D / np.sqrt # 转成相似度 ~ 区间，且数值越大表示越相似 return self.skills, scoremccccmmmmmc？

为什么百度不收录我的网站？

可Neng是因为网站内容不够优质，或者是缺少有效的外部链接，亦或是网站结构不利于爬虫抓取。你Ke以检查一下robots.txt文件，确保搜索引擎爬虫Ke以正常访问你的网站。