Python智能体开发入门：200行代码实现核心功能

1. 项目概述：从零构建智能体的核心逻辑

在AI技术快速发展的今天，智能体（Agent）已成为连接人类需求与AI能力的重要桥梁。不同于传统程序，智能体具备感知环境、自主决策和持续学习的能力。一个典型的智能体包含三大核心模块：思考（Think）、行动（Act）和记忆（Memory），这三个模块构成了智能体的基本工作循环。

我最近完成了一个名为SimpleBot的基础智能体项目，它虽然只有200行左右的Python代码，却完整实现了智能体的核心功能。这个项目特别适合想要入门AI智能体开发的开发者，通过它你可以理解：

• 如何设计智能体的决策逻辑
• 如何实现简单的自然语言交互
• 如何管理对话上下文
• 如何扩展智能体的能力边界

关键提示：在开始前请确保已安装Python 3.10+和pip工具，这是项目运行的基础环境。

2. 环境准备与项目初始化

2.1 创建项目目录结构

规范的目录结构是项目可维护性的基础。我建议采用以下结构：

code复制my_first_agent/
├── agents/         # 智能体核心代码
│   └── simple_agent.py
├── utils/          # 工具函数
├── tests/          # 单元测试
└── requirements.txt # 依赖清单

创建目录并安装依赖：

bash复制mkdir -p my_first_agent/{agents,utils,tests}
cd my_first_agent

2.2 安装必要依赖

这个项目主要依赖两个Python包：

• colorama：用于控制台彩色输出
• pyfiglet：生成ASCII艺术字

安装命令：

bash复制pip install colorama pyfiglet

经验分享：建议使用虚拟环境管理依赖，避免污染全局Python环境。可以使用python -m venv venv创建虚拟环境。

3. 智能体核心架构实现

3.1 基础类结构设计

智能体的骨架代码应该包含以下核心方法：

python复制class SimpleAgent:
    def __init__(self, name):
        self.name = name
        self.memory = []  # 对话记忆存储
        
    def think(self, input_text: str) -> str:
        """分析用户输入并生成行动计划"""
        pass
        
    def act(self, plan: str) -> str:
        """执行具体行动并生成响应"""
        pass
        
    def run(self):
        """主交互循环"""
        pass

3.2 思考模块实现

思考模块是智能体的"大脑"，负责理解用户意图。我们先实现一个基于关键词匹配的简单版本：

python复制def think(self, user_input: str) -> str:
    user_input = user_input.lower().strip()
    
    # 意图识别逻辑
    if any(greet in user_input for greet in ["你好", "hello", "hi"]):
        return "greeting"
    elif any(weather in user_input for weather in ["天气", "weather"]):
        return "weather_query"
    elif "计算" in user_input or "calculate" in user_input:
        return "calculation"
    else:
        return "unknown"

开发技巧：在实际项目中，可以考虑使用正则表达式或NLP模型来提升意图识别的准确性。这里为了简化，使用关键词匹配。

3.3 行动模块实现

行动模块根据思考结果生成具体响应：

python复制def act(self, plan: str) -> str:
    response_map = {
        "greeting": f"你好！我是{self.name}，很高兴为你服务！",
        "weather_query": "抱歉，我暂时还不具备查询天气的功能",
        "calculation": "请告诉我需要计算的具体表达式",
        "unknown": "我不太理解你的问题，可以换种方式问吗？"
    }
    return response_map.get(plan, "系统出现未知错误")

3.4 主循环实现

将各个模块串联成完整的工作流：

python复制def run(self):
    print(f"{self.name}已启动，输入'exit'退出对话")
    while True:
        user_input = input(">> ")
        if user_input.lower() == "exit":
            break
            
        # 思考-行动循环
        plan = self.think(user_input)
        response = self.act(plan)
        
        # 记录对话历史
        self.memory.append({
            "time": datetime.now().strftime("%Y-%m-%d %H:%M:%S"),
            "input": user_input,
            "response": response
        })
        
        print(response)

4. 功能增强与优化

4.1 添加记忆上下文

基础版智能体只能处理单轮对话，我们可以通过记忆模块实现多轮对话：

python复制def think(self, user_input: str) -> str:
    # 检查是否涉及上下文
    if "刚才" in user_input or "之前" in user_input:
        if self.memory:
            last_topic = self.memory[-1]["plan"]
            return f"follow_up:{last_topic}"
    
    # 原有意图识别逻辑...

4.2 集成外部API

让智能体具备实际能力的关键是集成外部服务。以天气查询为例：

python复制def act(self, plan: str) -> str:
    if plan.startswith("weather_query"):
        city = extract_city(plan)  # 从输入提取城市
        weather_data = fetch_weather_api(city)  # 调用天气API
        return format_weather_response(weather_data)
    # 其他情况处理...

4.3 个性化设置

通过参数化设计让智能体展现不同性格：

python复制def __init__(self, name, personality="friendly"):
    self.personality = personality
    self.response_templates = {
        "friendly": {...},
        "professional": {...},
        "humorous": {...}
    }

5. 测试与调试

5.1 单元测试示例

为思考模块编写测试用例：

python复制def test_think_module():
    agent = SimpleAgent("TestBot")
    assert agent.think("你好") == "greeting"
    assert agent.think("北京天气怎么样") == "weather_query"
    assert agent.think("123+456") == "calculation"

5.2 对话测试案例

典型测试场景：

code复制用户：你好
Bot：你好！我是SimpleBot，很高兴为你服务！

用户：今天天气如何？
Bot：当前天气信息：北京，晴，25°C

用户：刚才说的城市明天呢？
Bot：北京明天预报：多云转晴，22-28°C

6. 部署与扩展

6.1 打包为可执行文件

使用PyInstaller打包：

bash复制pyinstaller --onefile simple_agent.py

6.2 扩展方向建议

完成基础版本后，可以考虑：

1. 集成LLM提升语言理解能力
2. 添加插件系统支持功能扩展
3. 实现多智能体协作
4. 增加学习机制实现持续进化

7. 常见问题解决

7.1 中文编码问题

如果在Windows终端出现乱码，添加以下代码：

python复制import io
import sys
sys.stdout = io.TextIOWrapper(sys.stdout.buffer, encoding='utf-8')

7.2 依赖冲突处理

使用pip freeze > requirements.txt生成精确的依赖清单，部署时使用：

bash复制pip install -r requirements.txt

构建智能体的过程就像教小孩说话 - 从简单的单词开始，逐步增加语法复杂度，最后形成流畅的对话能力。这个SimpleBot项目虽然简单，但已经包含了智能体的所有核心要素。在实际开发中，最重要的是先建立清晰的工作循环（感知-思考-行动），然后再逐步增强每个模块的能力。