你是不是也听过这些词：Agent、智能体、自主决策…，听起来很高级，但总觉得离实际代码有点远？

如果你正面临这样的问题：想把AI落地到业务，却被繁琐框架吓退；或者需要快速验证思路，却没有一份完整可直接跑通的代码；这篇文章，说白了就是为你量身定制。

一、智能体的大脑：一个“思考‑行动‑观察”的死循环

在写代码之前，我们先理解一个最简单、也最主要的模型——ReAct 范式。

1. Thought根据当前情况，想一下接下来该做什么。
2. Action执行一个具体操作，比如调用一个函数。
3. Observation把操作的结果反馈回来作为下一轮思考的依据。说起来，

就像你闭着眼睛走迷宫：摸一下→ 摸到墙了→ 我应该往左转→ 再迈一步…直到走出去，

我们的旅行助手也是这样工作的。先上个最终效果图：

使用者: 查一下某城市今天的天气，接下来根据天气推荐一个景点。--- 第1轮
Thought: 需要先获取某城市的实时天气。话说回来，从Action来看，get_wear
Observation: 某城市当前天气: Sunny。气温24°C
--- 第2轮
Thought: 天气晴朗，适合户外现在基于天气推荐景点。从Action来看，get_attraction
Observation: 推荐某湖公园、某历史步道
--- 第3轮
Thought: 已经得到推荐，可以回答使用者了。Action的观点是，Finish

看到了吗？不过，它没有一次性生成答案，而是自己决定分两步走。每一步都用到了上一步的真实结果。这才是“自主”的雏形，

二、准备工作：三个工具 + 一个大脑

我们只需要三个东西：

• 一个LLM用来生成 Thought 和 Action。这里我用兼容OpenAI接口的模型，你可以用官方GPT、国产模型或本地跑Ollama。
• 两个简单工具：
• 天气查询API
• 景点推荐API
• 一个解析器：
• 从LLM输出里提取Action,接下来调用对应函数。

安装依赖

pip install requests openai tavily-python # tavily是搜索API，你也可以换成别的

给LLM写“说明书”

AGENT_SYSTEM_PROMPT = """你是一个智能旅行助手。你需要一步步完成使用者请求。# 可用工具:
- get_wear: 查询某城市的实时天气。- get_attraction: 根据城市和天气推荐景点。# 输出格式:
每次回复只能包含一对 Thought 和 Action，格式如下：
Thought: 你的思考过程
Action这方面。- 调用工具：get_wear
- 或者结束：Finish
# 关键规则:
- 一次只输出一对 Thought-Action，不要输出多对。话说回来，- Action 必须写在同一行。其实，- 当信息足够回答使用者时必须使用 Finish 结束。"""

实现两个工具

工具1：查询真实天气

import requests
def get_wear -> str:
url = f"https://wttr.in/{city}?format=j1"
try的观点是，resp = requests.get
resp.raise_for_status
data = resp.json
current = data
desc = current
temp = current
return f"{city}当前天气:{desc}，气温{temp}°C"
except Exception as e:
return f"天气查询失败:{e}"
}

 工具2：根据天气推荐景点 
from tavily import TavilyClient
import os
def get_attraction -> str:
api_key=os.getenv
if not api_key:
return "错误: 未设置 TILY_API_KEY"
client=TavilyClient
query=f"{city} {wear} 天气下 推荐 景点"
至于try，res=client.search
if res.get:
return res
snippets= for r in res.get]
return "推荐:
"+ "
".join if snippets else "未找到相关景点"
except Exception as e:
return f"搜索失败:{e}"
}

把工具放进字典。方便后面调用：
available_tools={
'get_wear':get_wear,'get_attraction':get_attraction,}

LLM客户端 
from openai import OpenAI
class LLMClient:
def __init__:
self.model=model
self.client=OpenAI
def generate:
messages=
resp=self.client.chat.completions.create(
model=self.model,messages=messages,temperature=0.0 # 低温度让输出更确定
)
return resp.choices.message.content


}



三、主循环：把一切串起来 

主要代码不超过30行。关键步骤的观点是，


维护 prompt_history。把使用者消息、每次 Thought‑Action 与 Observation 全部拼进去。


循环调用 LLM，每次得到输出后用正则解析 Action 字段。

如果是 Finish 就结束；否则解析出工具名与参数，从字典里调用对应函数。把结果包装成 Observation 加入历史里。


下面是完整主循环代码，请替换自己的 API KEY：
import re,os
LLM_CONFIG={
'model':'gpt--turbo'。# 或你自己的模型名
'api_key':'YOUR_API_KEY','base_url':'https://api.openai.com/v1'
}
os.environ="YOUR_TILY_KEY"
llm=LLMClient
user_msg ="帮我查一下某城市今天的天气，接下来根据天气推荐一个景点。"
history=
print
MAX_LOOPS=10 # 防止无限循环
for step in range:
print
prompt="
".join
output=llm.generate
# 提取第一个完整 Thought‑Action 对
match=re.search|\Z)'。output,re.DOTALL)
if match:
output=match.group.strip
print
history.append
action_match=re.search',output)
if not action_match:
obs=f"Observation 错误：未找到 Action，请按格式输出"
print;history.append;continue
action_str=action_match.group.strip
# 判断是否完成
if action_str.startswith:
final=re.search\]',action_str).group
print
break
# 解析工具名和参数
tool_name=re.search\.group
args_str=re.search\)',action_str).group
kwargs=dict=\"\"',args_str))
if tool_name not in available_tools:
obs=f"Observation 错误：未知工具 {tool_name}"
else这方面。result=available_tools
obs=f"Observation:{result}"
print
history.append


四、跑起来看看 

以下为精简后的示例输出 ： 


使用者输入 : 帮我查一下某城市今天的天气，接下来根据天气推荐一个景点。=== 第 1 轮 ===
模型输出 :
Thought : 需要先获取某城市当前的天气情况。Action : get_wear
Observation : 某城市当前天气 : Sunny。气温24°C


=== 第 2 轮 ===
模型输出 :
Thought : 天气晴朗，现在基于这个信息推荐适合户外活动 的 景点。Action : get_attraction
Observation : 推荐 : 某湖公园，某山 徒步路线。

=== 第 3 轮 ===
模型输出 :
Thought : 已经获得推荐，可以给出最终回答了。Action : Finish

✅任务完成 最终回答 : 某城 今天晴朗 温暖，很适合户外活动。推荐您去 某湖 公园 划船，或者 去 某山 徒步 .


注 ：如果第一步先查到多云。则接下来会自动变成室内场所建议，这正是 AI 智能体与传统流程式脚本最大的区别——没有硬编码规则，而是完全由 LLM 动态推理。

五、你可以怎么玩？


加新工具 : 如订酒店 API 、日历查询 、邮件发送 等，只需把函数放进 available_tools 并在 System Prompt 声明即可；Llm 会自行决定何时调用。

换更强模型 : 使用 GPT‑4 / Claude 等，可提高规划与选型准确率。

增加记忆 : 将历史存入向量数据库。让智能体“记住”之前聊过的偏好，从而提供更精准建议。老实说，

多智能体协作 : 启动两条循环。一个负责信息检索，一个负责报告，它们通过 Observation 相互传递，实现协同工作。

六、常见坑和方法 



LLM 输出格式飘忽 ： 正则解析容易失败。可尝试 OpenAI 原生 Function Calling 替代文本解析，更稳定。

陷入循环 ： 如反复查天 气不结束。解决办法 ： 在 System Prompt 明确最大调用次数或在代码中限制 loop 次数。

工具参数错误 ： LLM 有时会漏掉引号，例如 get_wear。可通过强调参数格式或在解析时加入容错处理。


七、