1. 项目概述
今天我想分享一个非常实用的技术实现——基于ReAct模式的智能Agent系统。作为一名长期从事AI开发的工程师,我发现很多同行对Agent的理解还停留在理论层面,而实际动手构建时总会遇到各种问题。这篇文章将带你从零开始,完整实现一个具备"思考-行动-观察"能力的智能Agent。
这个项目特别适合:
- 想深入理解Agent工作原理的开发者
- 需要将大模型与实际业务结合的工程师
- 对AI应用开发感兴趣的编程爱好者
我们将使用Python作为开发语言,结合OpenAI API(或兼容API如DeepSeek)来实现核心功能。整个系统代码量不大,但包含了Agent开发的所有关键要素。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 核心架构设计
2.1 系统组成
我们的Agent系统由三个核心模块构成:
code复制ReAct_Agent/
├── agent.py # Agent核心框架
├── main.py # ReAct执行引擎
└── tools.py # 工具函数集合
这种模块化设计使得系统易于维护和扩展。下面我们详细解析每个模块的设计考量。
2.2 Agent核心框架
agent.py是整个系统的大脑,负责与大模型API交互和管理对话历史。核心代码如下:
python复制import os
import dotenv
from openai import OpenAI
# 加载环境变量
dotenv.load_dotenv()
client = OpenAI(
api_key=os.getenv("OPENAI_API_KEY"),
base_url=os.getenv("OPENAI_API_BASE")
)
DEFAULT_MODEL = os.getenv("AI_MODEL", "deepseek-chat")
class Agent:
"""Agent推理框架"""
def __init__(self, system_prompt=""):
self._messages = []
if system_prompt:
self._messages.append({"role": "system", "content": system_prompt})
def invoke(self, query: str) -> str:
"""调用Agent进行推理"""
self._messages.append({"role": "user", "content": query})
result = self.exec()
self._messages.append({"role": "assistant", "content": result})
return result
def exec(self) -> str:
"""执行推理,返回结果"""
completion = client.chat.completions.create(
model=DEFAULT_MODEL,
messages=self._messages,
temperature=0 # 推理场景需要确定性输出
)
return completion.choices[0].message.content
2.2.1 关键设计决策
温度参数(temperature)的选择
在Agent开发中,temperature参数至关重要。我们设置为0的原因包括:
- 工具调用需要精确匹配:错误的工具名称或参数格式会导致系统崩溃
- 减少幻觉风险:避免Agent虚构不存在的工具或功能
- 提高可重复性:相同输入产生相同输出,便于调试
不同场景下的temperature建议值:
- 推理任务:0
- 创意写作:0.7-1.0
- 平衡任务:0.3-0.5
对话历史管理
_messages列表维护了完整的对话上下文,包括:
- system消息:定义Agent角色和行为准则
- user消息:用户输入
- assistant消息:Agent回复
随着对话进行,历史消息会不断增长,导致三个问题:
- API响应变慢
- Token消耗增加
- 可能超出模型上下文限制
解决方案是实现历史消息压缩:
python复制class Agent:
def __init__(self, system_prompt="", max_history=10):
self._messages = []
self.max_history = max_history
if system_prompt:
self._messages.append({"role": "system", "content": s
