前言

到了 年，"AI 智能体"已经不是需要解释的新词了。Cursor 的 Agent 模式成了程序员写代码的默认姿势，Claude Code 重构了终端里的开发工作流。Manus 这样的通用 Agent 产品让"AI 替你干活"从 demo 变成了日常——不管你愿不愿意，Agent 已经长进了每一款生产力工具的底层。

它和直接跟大模型聊天有什么区别？除了用别人做好的产品，我能不能自己动手建立一个？

这篇文章的目标很直接：用最少的抽象概念。为你建立起智能体的清晰图景，接下来花 分钟带你亲手写出第一个能用的智能体。它是"智能体入门"专栏的第一篇，后续会逐步深入工具调用、记忆机制、多智能体协作等进阶话题。

一、什么是智能体？

在人工智能领域，智能体的定义可以浓缩为一句话：

这个定义拆开来看。包含三个主要要素：

• 感知。
• 自主性这是智能体和普通程序的根本区别。普通程序严格遵循预设方法，而智能体能够基于感知和内部状态独立决策。在不确定的环境中寻求目标的达成。

这三者构成一个完整的闭环，是所有智能体行为的基础。

二、智能体的五种类型

理解智能体的一个有效方式，是看它如何一步步从简单走向复杂。怎么说呢，AI 学科的发展历程中。研究者们定义了五种递进的智能体类型：

反射智能体基于"条件-动作"规则，看到什么就做什么。像一个恒温器，检测到温度低于阈值就启动加热。老实说，优点是响应极快，缺点是完全没有"远见"。

基于模型的反射智能体在反射智能体基础上增加了一个内部世界模型

基于目标的问题解决能力 : 不再只是被动反应，而是在主动规划——他将问“我应该做什么才能达到我的目标？” GPS 导航是一个最经典的一个例子 : 他拥有地图。规划出到达目的地最优方法.

<强效益型

: 现实中的目标往往不止一个——不是“到达就行”，而是“在预算内时间最短 体验最好”。不过，效用型 Agent 为每一种可能的情况赋予“满意度分数”，接下来选择最大化期望效用的行动.

<强学习型 : 前四种都需要工程师预先设定知识或规则，而学习型 Agent 能够通过与环境交互来改进自身. 强化学习是一实现这一思想最具代表性的路径 —— AlphaGo Zero 就是一个巅峰成就，从零开始自我对弈，最终超越所有人类棋手积累千年的知识.

这五种类型并不互斥. 从工程实践角度看，它们可以分为三大类 :

• 反应式
• 规划式
• 混合式

h3. 三 、 理解任务环境 : PEAS 模型 p> 在动手之前，还有一个关键分析工具需要掌握. 要设计一个Agent,需要明确它所处任务环境. PEAS 模型提供了四维框架 :

以旅行助手为例 :


P- - 性能度量
E- - 环境
A- - 执行器
S- - 传感器



PEAS 框定任务环境。是建立Agent 的第一步先，它决定了后续设计中你需要接入哪些工具处理哪些不确定性.
还需要注意,环境并不总是不确定 's -- 行程助手 的任务 环境就是典型 's 随机性 环境 : 两次相邻票价查询返回价格 和 余票可能完全不同，这就要求Agent具备处理随机性监控变化并及时决策能力 .

h3 . 四,主要运行方式 : Agent 循环

智能Agent 并非一次性完成任务，而是在持续循环与环境进行交互.
这个主要机制被称为 ‘’ 智能循环 ’’ ：

Pasted image .png

上图完整展示了Agent 的工作闭环 :
感知 - 循环起点
我们根据PEAS 框定我们的任务场景。不过，我们识别可用的 Sensor 和 Actuator。
而且我们知道它们与外界之间关系如何。说起来，当我们的Sensor捕获到新的信息。我们使用它们去更新我们的World Model还有相关知识。接下来我们使用这个World Model来指导我们的Action。不过，当我们进行Action，我们得到结果。可以利用这些结果来更新我们的World Model还有相关知识。行为循环不断重复，最终实现功能。h4 . 五,动手实战分钟建立旅行助手
h4 . 准备工作
# 导入依赖
import os
import requests
from openai import api_key。base_url
from tavily_python import TavilyClient
# 初始化程序变量
system_prompt = ""
llm = OpenAICompatibleClient
# 定义工具函数
def get_wear -> str:
"""通过调用 wttr.in API 查询真实天气信息."""
url = f"https://wttr.in/{city}?format=j1"
从try来看，response = requests.get
response.raise_for_status
data = response.json
current_condition = data
wear_desc = current_condition
temp_c = current_condition
return f"{city}当前天气:{wear_desc} 气温{temp_c}摄氏度"
except Exception as e:
return f"查询{city}天气时出错:{str}"
def get_attraction -> str:
"""根据城市和天气，在Tavily搜索API返回景点推荐"""
api_key=os.environ.get
if not api_key:
return "未配置Tavily API密钥。请先设置环境变量TILY_API_KEY"
tavily=TavilyClient
query=f"'{city}' 在 '{wear}' 天气下最值得去的地方推荐及理由"
response=tavily.search
if response.get:
return response
# fallback 格式化搜索结果 ...
h4 . 接下来 接入大语言模型
class OpenAICompatibleClient:
def __init__:
self.model=model
self.client=OpenAI
def generate -> str :
messages=
response=self.client.chat.completions.create
return response.choices.message.content
h4 . 然后 建立主循环
# 初始化使用者提示语
user_prompt="您好，请帮我查询一下今天南京天气，接下来根据天气推荐一个合适旅游景点。“
prompt_history=
# 运行主循环
for i in range:
full_prompt="
".join
llm_output=llm.generate
prompt_history.append
action_match=re.search”,llm_output,re.DOTALL )
action_str=action_match.group.strip
if action_str.startswith:
final_answer=re.match”。action_str).group
print
break
tool_name=re.search”,action_str).group
kwargs=dict’,args_str))
observation=available_tools
prompt_history.append
当成功输出以下流程时该 Agent 将真正地正在 “ 自行思考并行动 ” :
使用者输入这方面，“您好，请帮我查询一下今天南京天气，接下来...
大语言模型回复：“Thought 使用者需要查询南京今天天气，接下来推荐旅游景点。我需要先调用get_wear工具查询南京天气信息。接下来...大语言模型回复：“Thought 使用者已获得南京今天天气，我现在可以开始查找合适旅游景点。“Action:get_attraction========================================--- 循环 ---正在调用大语言模式...
大语言模式回复：“Thought 我已找到建议，您可以考虑以下几个地方：
Under sunny wear in Nanjing visit Xuanwu Lake and Qinhuai River for pleasant scenery Purple Mountain offers great views and is free to enter Both spots are ideal for sunny days========================================--- 循环 ---正在调用大语言模式...
大语言模式回复：“Thought 我已经成功获取到南京今天 天氣还有推荐旅游景点。” Action Finish[Today’s wear in Nanjing is sunny with a temperature of 20°C It is a perfect day to explore city Recommend visiting Xuanwu Lake Qinhuai River and Purple Mountain for great scenery========================================--- 循环 ---正在调用大语言模式...
说到最终答案，今天 南京 天氣 晴朗 气溫20攝氏度 非常適合戶外活動 為您推薦以下旅遊景點：
* 玄武湖 湖邊風光優美 适宜散步拍照 *
* 秦淮河 可以在岸邊欣賞河畔風光 *
* 紫金山 登高望遠視野開闊 且免費開放 *
這幾個景點 在晴朗 天氣下的 南京都比较值得游覽！h6
回顾整个过程，你会发现一个根本性的变化。在传统编程中，你需要为每一种情况编写精确条件分支——”如果下雨。就推荐室内景点，如果晴天就推荐户外景点”。你的写过来的代码直接决定行为。而在-agent 模式中，你做的事情变成了：
工具可用_
设定目标_用自然语言描述任务_
提供反馈_将工具执行结果返回给 LLM_
主要不再编写行为逻辑，而引导通用的 「脑」 自主规划 、 行动 和 学习 .
当然。这并代表着工程无关关键_.恰恰相反_: 工具设计质量 、 Prompt 清晰程度 、 安全边界 设计异常情况处理 _ 都变得比以前更加关键_. 工程师角色 从「写逻辑的人」转向「设计环境的人」
这篇文章属于 「smart agent 入门」专栏第一篇，将介绍agent 相关基本概念包括agent 定义 、 agent 类型 、 peas 环境分析框架还有agent 运行方式。后续 将继续 agent 这些内容，包括但 不限于 agent 与使用者互动 方案 、 多 agent 协作 等 高阶主题_
如果你有任何问题或者想法。请 在评论区留下你的声音_
这篇文章由 „Smart-Agent-Inc._2022 年版权 所有_
{var script=document.createElement;script.src="//cdn.bootcss.com/highlight.js/9.12.0/highlight.min.js";document.head.appendChild;})，

。

---