一、什么是智能体？

智能体是一种能够感知其所处环境、做出决策并采取行动以实现特定目标的自主实体。智能体的复杂程度各不相同，从简单的对刺激做出反应的反应式智能体，到能够随着时间推移进行学习和适应的更高级的智能体。常见的智能体类型包括：

• 反应式智能体：直接对环境变化做出反应，没有内部记忆。
• 基于模型的智能体：利用对世界的内部模型来做出决策。
• 基于目标的智能体：根据要实现的特定目标来规划行动。
• 基于效用的智能体：基于效用函数评估潜在行动，以实现结果的最大化。

聊天机器人、推荐系统和自动驾驶汽车都是智能体的实际应用例子，它们各自利用不同类型的智能体来高效且智能地执行任务。

我们构建的智能体核心组件包括：

• 模型：智能体的 “大脑”，负责处理输入并生成响应。
• 工具：根据用户请求，智能体可以执行的预定义函数。
• 工具箱：智能体可使用的工具集合。
• 系统提示：指导智能体如何处理用户输入并选择正确工具的指令集。
  

二、实现过程

现在，让我们挽起袖子，开始动手构建吧！

2.1 准备工作

本教程的完整代码可在AI智能体的GitHub仓库中获取。你可以在 “Build an Agent from Scratch” 这里找到具体实现。在运行代码之前，请确保你的系统满足以下先决条件：

1. Python环境设置

运行AI智能体需要安装Python。按照以下步骤来设置你的环境：

• 安装Python（如果尚未安装）：从python.org下载并安装Python（推荐3.8及以上版本）。
• 验证安装：在命令行中输入python --version，查看是否正确安装。
• 创建虚拟环境（推荐）：使用虚拟环境来管理依赖项是个不错的选择。在命令行中输入python -m venv ai_agents_env创建虚拟环境，然后通过source ai_agents_env/bin/activate激活它。
• 安装所需依赖项：导航到代码仓库目录，然后在命令行中输入pip install -r requirements.txt来安装所需的依赖库。

2. 本地设置Ollama

Ollama用于高效地运行和管理本地语言模型。按照以下步骤安装和配置它：

• 下载并安装Ollama：访问Ollama的官方网站，下载适合你操作系统的安装程序，并按照平台对应的说明进行安装。
• 验证Ollama安装：在命令行中运行ollama --version，检查Ollama是否正确安装。
• 拉取模型（如有需要）：有些智能体实现可能需要特定的模型。你可以使用ollama pull mistral命令拉取模型。

2.2 实现步骤

步骤1：设置环境

除了Python，我们还需要安装一些必要的库。在本教程中，我们将使用requests、json和termcolor库。另外，我们会使用dotenv来管理环境变量。在命令行中输入pip install requests termcolor python-dotenv进行安装。

步骤2：定义模型类

我们首先需要一个能够处理用户输入的模型。我们将创建一个OllamaModel类，它通过与本地API进行交互来生成响应。以下是基本实现代码：

from termcolor import colored   import os   from dotenv import load_dotenv   load_dotenv()   import requests   import json   import operator      class OllamaModel:       def __init__(self, model, system_prompt, temperature=0, stop=None):           """           用给定的参数初始化OllamaModel。           参数:           model (str): 要使用的模型名称。           system_prompt (str): 要使用的系统提示。           temperature (float): 模型的温度设置。           stop (str): 模型的停止标记。           """           self.model_endpoint = "http://localhost:11434/api/generate"           self.temperature = temperature           self.model = model           self.system_prompt = system_prompt           self.headers = {"Content-Type": "application/json"}           self.stop = stop          def generate_text(self, prompt):           """           根据提供的提示从Ollama模型生成响应。           参数:           prompt (str): 用于生成响应的用户查询。           返回:           dict: 模型的响应，以字典形式返回。           """           payload = {               "model": self.model,               "format": "json",               "prompt": prompt,               "system": self.system_prompt,               "stream": False,               "temperature": self.temperature,               "stop": self.stop           }           try:               request_response = requests.post(                   self.model_endpoint,                   headers=self.headers,                   data=json.dumps(payload)               )               print("REQUEST RESPONSE", request_response)               request_response_json = request_response.json()               response = request_response_json['response']               response_dict = json.loads(response)               print(f"\n\nResponse from Ollama model: {response_dict}")               return response_dict           except requests.RequestException as e:               response = {"error": f"Error in invoking model! {str(e)}"}               return response

这个类使用模型名称、系统提示、温度和停止标记进行初始化。generate_text方法向模型API发送请求并返回响应。

步骤3：为智能体创建工具

接下来是为我们的智能体创建可用的工具。这些工具是执行特定任务的简单Python函数。以下是一个基本计算器和字符串反转器的示例：

def basic_calculator(input_str):       """       根据输入字符串或字典对两个数字执行数值运算。       参数:       input_str (str或dict): 要么是表示包含'num1'、'num2'和'operation'键的字典的JSON字符串，       要么是直接的字典。例如: '{"num1": 5, "num2": 3, "operation": "add"}'       或{"num1": 67869, "num2": 9030393, "operation": "divide"}       返回:       str: 运算的格式化结果。       抛出:       Exception: 如果在运算过程中发生错误（例如，除以零）。       ValueError: 如果请求了不支持的运算或输入无效。       """       try:           if isinstance(input_str, dict):               input_dict = input_str           else:               input_str_clean = input_str.replace("'", "\"")               input_str_clean = input_str_clean.strip().strip("\"")               input_dict = json.loads(input_str_clean)           if not all(key in input_dict for key in ['num1', 'num2', 'operation']):               return "Error: Input must contain 'num1', 'num2', and 'operation'"           num1 = float(input_dict['num1'])           num2 = float(input_dict['num2'])           operation = input_dict['operation'].lower()       except (json.JSONDecodeError, KeyError) as e:           return "Invalid input format. Please provide valid numbers and operation."       except ValueError as e:           return "Error: Please provide valid numerical values."       operations = {           'add': operator.add,           'plus': operator.add,         'subtract': operator.sub,         'minus': operator.sub,         'multiply': operator.mul,           'times': operator.mul,           'divide': operator.truediv,           'floor_divide': operator.floordiv,         'modulus': operator.mod,           'power': operator.pow,           'lt': operator.lt,           'le': operator.le,           'eq': operator.eq,           'ne': operator.ne,           'ge': operator.ge,           'gt': operator.gt       }       if operation not in operations:           return f"Unsupported operation: '{operation}'. Supported operations are: {', '.join(operations.keys())}"       try:           if (operation in ['divide', 'floor_divide','modulus']) and num2 == 0:               return "Error: Division by zero is not allowed"           result = operations[operation](num1, num2)           if isinstance(result, bool):               result_str = "True" if result else "False"           elif isinstance(result, float):               result_str = f"{result:.6f}".rstrip('0').rstrip('.')           else:               result_str = str(result)           return f"The answer is: {result_str}"       except Exception as e:           return f"Error during calculation: {str(e)}"         def reverse_string(input_string):       """       反转给定的字符串。       参数:       input_string (str): 要反转的字符串。       返回:       str: 反转后的字符串。       """       if not isinstance(input_string, str):           return "Error: Input must be a string"       reversed_string = input_string[::-1]       result = f"The reversed string is: {reversed_string}"       return result

这些函数根据提供的输入执行特定任务。basic_calculator处理算术运算，而reverse_string则反转给定的字符串。

步骤4：构建工具箱

ToolBox类用于存储智能体可以使用的所有工具，并为每个工具提供描述：

class ToolBox:       def __init__(self):           self.tools_dict = {}          def store(self, functions_list):           """           存储列表中每个函数的名称和文档字符串。           参数:           functions_list (list): 要存储的函数对象列表。           返回:           dict: 以函数名称为键，其文档字符串为值的字典。           """           for func in functions_list:               self.tools_dict[func.__name__] = func.__doc__           return self.tools_dict          def tools(self):           """           将store方法中创建的字典转换为文本字符串返回。           返回:           str: 存储的函数及其文档字符串的字典，以文本字符串形式返回。           """           tools_str = ""           for name, doc in self.tools_dict.items():               tools_str += f"{name}: \"{doc}\"\n"           return tools_str.strip()

这个类将帮助智能体了解哪些工具可用以及每个工具的用途。

步骤5：创建智能体类

智能体需要进行思考、决定使用哪个工具并执行它。以下是Agent类的代码：

agent_system_prompt_template = """   你是一个智能AI助手，可以使用特定的工具。你的回复必须始终采用以下JSON格式：   {       "tool_choice": "name_of_the_tool",       "tool_input": "inputs_to_the_tool"   }   工具及使用场景：   1. basic_calculator：用于任何数学计算       - 输入格式: {{"num1": number, "num2": number, "operation": "add/subtract/multiply/divide"}}       - 支持的运算: add/plus, subtract/minus, multiply/times, divide       - 示例输入和输出:           - 输入: "Calculate 15 plus 7"           - 输出: {{"tool_choice": "basic_calculator", "tool_input": {{"num1": 15, "num2": 7, "operation": "add"}}}}           - 输入: "What is 100 divided by 5?"           - 输出: {{"tool_choice": "basic_calculator", "tool_input": {{"num1": 100, "num2": 5, "operation": "divide"}}}}   2. reverse_string：用于任何涉及反转文本的请求       - 输入格式: 仅需反转的文本字符串       - 当用户提到“reverse”、“backwards”或要求反转文本时，始终使用此工具       - 示例输入和输出:           - 输入: "Reverse of 'Howwwww'?"           - 输出: {{"tool_choice": "reverse_string", "tool_input": "Howwwww"}}           - 输入: "What is the reverse of Python?"           - 输出: {{"tool_choice": "reverse_string", "tool_input": "Python"}}   3. no tool：用于一般对话和问题       - 示例输入和输出:           - 输入: "Who are you?"           - 输出: {{"tool_choice": "no tool", "tool_input": "I am an AI assistant that can help you with calculations, reverse text, and answer questions. I can perform mathematical operations and reverse strings. How can I help you today?"}}           - 输入: "How are you?"           - 输出: {{"tool_choice": "no tool", "tool_input": "I'm functioning well, thank you for asking! I'm here to help you with calculations, text reversal, or answer any questions you might have."}}   严格规则：   1. 对于关于身份、能力或感受的问题：       - 始终使用“no tool”       - 提供完整、友好的回复       - 提及你的能力   2. 对于任何文本反转请求：       - 始终使用“reverse_string”       - 仅提取要反转的文本       - 去除引号、“reverse of”和其他多余文本   3. 对于任何数学运算：       - 始终使用“basic_calculator”       - 提取数字和运算       - 将文本形式的数字转换为数字   以下是你的工具列表及其描述：   {tool_descriptions}   记住：你的回复必须始终是包含“tool_choice”和“tool_input”字段的有效JSON。   """         class Agent:       def __init__(self, tools, model_service, model_name, stop=None):           """           用工具列表和模型初始化智能体。           参数:           tools (list): 工具函数列表。           model_service (class): 具有generate_text方法的模型服务类。           model_name (str): 要使用的模型名称。           """           self.tools = tools           self.model_service = model_service           self.model_name = model_name           self.stop = stop          def prepare_tools(self):           """           将工具存储在工具箱中并返回其描述。           返回:           str: 存储在工具箱中的工具的描述。           """           toolbox = ToolBox()           toolbox.store(self.tools)           tool_descriptions = toolbox.tools()           return tool_descriptions          def think(self, prompt):           """           使用系统提示模板和工具描述在模型上运行generate_text方法。           参数:           prompt (str): 用于生成响应的用户查询。           返回:           dict: 模型的响应，以字典形式返回。           """           tool_descriptions = self.prepare_tools()           agent_system_prompt = agent_system_prompt_template.format(tool_descriptions=tool_descriptions)           if self.model_service == OllamaModel:               model_instance = self.model_service(                   model=self.model_name,                   system_prompt=agent_system_prompt,                   temperature=0,                   stop=self.stop               )           else:               model_instance = self.model_service(                   model=self.model_name,                   system_prompt=agent_system_prompt,                   temperature=0               )           agent_response_dict = model_instance.generate_text(prompt)           return agent_response_dict          def work(self, prompt):           """           解析think方法返回的字典并执行相应的工具。           参数:           prompt (str): 用于生成响应的用户查询。           返回:           执行相应工具的响应，如果未找到匹配的工具，则返回tool_input。           """           agent_response_dict = self.think(prompt)           tool_choice = agent_response_dict.get("tool_choice")           tool_input = agent_response_dict.get("tool_input")           for tool in self.tools:               if tool.__name__ == tool_choice:                   response = tool(tool_input)                   print(colored(response, 'cyan'))                   return           print(colored(tool_input, 'cyan'))           return

这个类有三个主要方法：

• prepare_tools：存储并返回工具的描述。
• think：根据用户提示决定使用哪个工具。
• work：执行选择的工具并返回结果。

步骤6：运行智能体

最后，让我们把所有内容整合起来，运行我们的智能体。在脚本的主程序部分，初始化智能体并开始接受用户输入：

if __name__ == "__main__":       """       使用此智能体的说明：       你可以尝试的示例查询：       1. 计算器运算:           - "Calculate 15 plus 7"           - "What is 100 divided by 5?"           - "Multiply 23 and 4"       2. 字符串反转:           - "Reverse the word 'hello world'"           - "Can you reverse 'Python Programming'?"       3. 一般问题（将得到直接回复）:           - "Who are you?"           - "What can you help me with?"       Ollama命令（在终端中运行这些命令）:           - 查看可用模型:    'ollama list'           - 查看正在运行的模型:      'ps aux | grep ollama'           - 列出模型标签:          'curl http://localhost:11434/api/tags'           - 拉取新模型:         'ollama pull mistral'           - 运行模型服务器:         'ollama serve'       """       tools = [basic_calculator, reverse_string]       model_service = OllamaModel       model_name = "llama2"       stop = "<|eot_id|>"       agent = Agent(tools=tools, model_service=model_service, model_name=model_name, stop=stop)       print("\nWelcome to the AI Agent! Type 'exit' to quit.")       print("You can ask me to:")       print("1. Perform calculations (e.g., 'Calculate 15 plus 7')")       print("2. Reverse strings (e.g., 'Reverse hello world')")       print("3. Answer general questions\n")       while True:           prompt = input("Ask me anything: ")           if prompt.lower() == "exit":               break           agent.work(prompt)

3. 结论

在这篇博文中，我们从理解智能体是什么开始，逐步实现了一个智能体。我们设置了环境，定义了模型，创建了必要的工具，并构建了一个结构化的工具箱来支持智能体的功能。最后，我们通过运行智能体，将所有内容整合到了一起。

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04 视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发