霍风风1. 项目概述：打造你的第一个命令行AI助手
作为一名长期奋战在一线的Python开发者，我深刻理解初学者在接触AI应用开发时的困惑。今天要分享的这个项目，是我在团队内部培训时最常使用的入门案例——用不到100行代码构建一个具备基础记忆能力的命令行AI助手。这个项目特别适合刚接触AI开发的程序员，它能让你在30分钟内直观感受到AI Agent与传统问答系统的本质区别。
这个迷你项目的核心价值在于：
- 零基础友好：只需基本Python知识，无需机器学习背景
- 快速见效：从环境搭建到运行对话不超过30分钟
- 模块清晰：完整演示Agent三大核心要素（角色设定、记忆机制、交互循环）
- 成本可控：使用GPT-3.5模型，单次对话成本约0.1美分
提示：本文所有代码已在Python 3.10+环境测试通过，适配Windows/macOS/Linux系统。建议读者边阅读边实操，遇到问题可参考第7章的故障排查指南。
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. 核心概念解析：什么是AI Agent？
2.1 传统问答 vs AI Agent的区别
在开始编码前，我们需要明确一个基本概念：你即将构建的不是一个简单的问答机器人，而是一个具有持续交互能力的AI Agent。这两者的核心差异体现在三个维度：
-
上下文记忆
- 传统问答：每次交互都是独立事件
- Agent：维护完整的对话历史（如图1所示）
-
角色一致性
- 传统问答：无固定身份特征
- Agent：通过system prompt保持稳定人设
-
任务连续性
- 传统问答：单次请求-响应
- Agent：可进行多轮任务分解（如示例中的学习计划制定）
python复制# 传统问答的消息结构（无记忆）
messages = [
{"role": "user", "content": "Python怎么安装第三方库？"}
]
# Agent的消息结构（带历史）
messages = [
{"role": "system", "content": "你是一个Python专家"},
{"role": "user", "content": "我想学习数据分析"},
{"role": "assistant", "content": "建议先掌握Pandas"},
{"role": "user", "content": "具体该怎么学？"} # 能引用之前的话题
]
2.2 Agent的核心组件拆解
一个最小化的AI Agent通常包含以下要素：
| 组件 | 作用 | 本项目的实现方式 |
|---|---|---|
| System Prompt | 定义Agent角色和行为准则 | system_prompt字符串变量 |
| Memory | 存储对话历史以实现上下文连贯 | messages列表 |
| Processor | 处理输入生成输出的核心逻辑 | ask()函数中的API调用部分 |
| Interface | 用户与Agent的交互通道 | 命令行while循环 |
3. 环境准备与配置
3.1 Python环境搭建（含避坑指南）
推荐使用Python 3.9+版本以获得最佳兼容性。以下是各平台安装要点：
Windows系统特别注意：
- 安装时务必勾选"Add Python to PATH"
- 避免使用Microsoft Store版本（可能存在路径问题）
- 验证安装：
python --version应返回3.9+
**m