按理说，

Python从零学会思考和行动

如果说大模型是“脑子”。那AI Agent就是“脑子+手脚”。大模型只能生成文本，但Agent能自主规划、调用工具、根据反馈调整策略——这才是AI应用的未来形态。

Assistants API、LangChain的Agent、AutoGPT，本质上都在做同一件事：让AI从“你问我答”变成“我帮你做”。

这篇文章将带你用纯Python从零实现一个AI Agent。不依赖任何框架，从底层原理到完整代码，一步步搞清楚Agent到底是怎么运转的。其实，

使用者痛点

• 缺乏主动性：传统LLM只能回答问题。无法主动完成任务，
• 高成本与延迟：多次API调用导致费用高昂，响应慢。
• 工具集成困难：把第三方API包装为可调用工具繁琐且易出错。
• 安全隐患：无安全检查，容易执行恶意或误操作。
• 记忆不持久：对话结束后所有上下文丢失，难以实现连续交互。

I. Agent主要原理

从ChatBot到Agent

使用者 → 大模型 → 回复文本
Agent模式：
使用者 → 大模型 → 思考
├── 需要 → 调用工具 → 观察结果 → 继续思考 → ...
└── 不需要 → 直接回复

关键区别这方面，Agent多了一个思考-行动-观察的循环。

ReAct框架

┌──────────────────────────────────┐
│ ReAct 循环 │
│ │
│ Thought：分析当前情况 │
│ ↓ │
│ Action：选择并执行工具 │
│ ↓ │
│ Observation：获取执行结果 │
│ ↓ │
│ 回到Thought。
继续推理... │
│ ↓ │
│ Final Answer │
└──────────────────────────────────┘

一个实际例子这方面，

至于使用者，北京明天的天气怎么样？适合户外活动吗，Thought : 我需要先查询北京明天的天气
Action : get_wear
Observation : 北京明天多云。22°C，微风，降水概率15%
Thought : 我已经拿到了天气信息。22°C多云，微风，降水概率低，适合户外活动
说到Answer。北京明天多云22°C，微风，降水概率仅15%，很适合户外活动！怎么说呢，建议带件薄外套。

Agent的主要组件

先看最简版本，把主要原因抽象出来：

from openai import OpenAI
client = OpenAI # 国内可用中转站
tools =
}
}
}]
def execute_tool:
if name=="calculate":
说到try，result = eval # 实际生产需安全处理！return str
except Exception as e:
return f"计算错误:{e}"
return f"未知工具:{name}"
def agent_run:
for step in range:
resp = client.chat.completions.create(
model='gpt-4o',messages=messages,tools=tools。)
msg = resp.choices.message
 # 没有工具调用→返回最终答案
if not msg.tool_calls:
return msg.content
# 有工具调用→执行并继续循环
messages.append
for tc in msg.tool_calls:
args=json.loads
res = execute_tool
messages.append
return '⚠️ 达到最大步数限制'


print*5"}]))




Cores are simple: call LLM → check tool calls → run tools → loop.


工具注册程序

python code snippet omitted for brevity – see original article for full implementation. `


注册实用工具示例— 如上所示。

Agent主要引擎类 

再看运行测试示例，

python code snippet omitted – see original article.