200行Python实现极简AI Agent核心功能

1. 项目概述

最近AI Agent（智能体）的概念越来越火，但很多讨论都停留在理论层面，让人看得云里雾里。作为一个喜欢动手实践的开发者，我更倾向于通过代码来理解事物的本质。今天我们就用不到200行的Python代码，从零开始实现一个具备核心功能的极简AI Agent。

这个项目最大的特点就是"极简"——不依赖任何重型框架（如LangChain、LlamaIndex等），直接基于最底层的逻辑实现。通过这个项目，你将彻底理解：

1. AI Agent是如何工作的
2. 大模型如何保持对话记忆
3. 如何让大模型调用外部工具
4. 如何管理对话上下文
5. 如何实现长期记忆

最终完成的Agent将具备四大核心能力：

• 短期记忆对话
• Function Calling工具调用
• 智能上下文管理
• 长期记忆+RAG检索

2. 核心LLM与短期记忆

2.1 大模型的记忆本质

很多人误以为大模型本身具有记忆能力，实际上所有大模型天生都是无状态的。它们之所以能在对话中保持连贯，是因为我们在代码中维护了一个messages列表，将每一轮的对话历史完整地传给大模型。

python复制from openai import OpenAI

client = OpenAI(base_url='http://localhost:11434/v1/', api_key='ollama-local')
MODEL = "qwen3.5:4b"

def chat_loop():
    messages = []  # 这就是Agent的"记忆"
    print("=== 极简Agent启动成功，输入/quit退出 ===")
    while True:
        user_input = input("\n你：").strip()
        if user_input == "/quit":
            print("Agent：再见！")
            break
        messages.append({"role": "user", "content": user_input})
        response = client.chat.completions.create(model=MODEL, messages=messages)
        reply = response.choices[0].message.content
        messages.append({"role": "assistant", "content": reply})
        print(f"Agent：{reply}")

2.2 实现原理详解

这段代码实现了一个最简单的对话循环：

1. 初始化一个空列表messages作为记忆存储
2. 进入无限循环等待用户输入
3. 将用户输入添加到messages中
4. 将整个messages传给大模型获取回复
5. 将模型回复也添加到messages中
6. 打印回复并继续循环

注意：这里使用的是本地部署的Ollama服务，你也可以替换为其他API端点。关键是要保持messages列表的结构一致。

3. Function Calling工具调用

3.1 为什么需要工具调用

大模型虽然能理解用户意图，但无法直接操作外部系统。Function Calling就是给大模型装上"手脚"，让它能够执行实际任务。

3.2 实现步骤

3.2.1 定义工具函数

我们先实现两个基础工具：读文件和写文件。

python复制def read_file(file_path: str) -> str:
    """读取本地文件"""
    try:
        with open(file_path, "r", encoding="utf-8") as f:
            return f.rea