Hello Agent 学习第一天

Hello Agent 学习第一天

• Hello-Agents｜第一章：初识智能体
• • 目录
  • 1 智能体基础定义
  • 2 Agent两大发展路线
  • • 2.1 传统智能体（5代演进）
    • 2.2 LLM新型智能体
  • 3 三种分类方式
  • • ① 按内部架构
    • ② 按决策时效
    • ③ 按知识表达
  • 4 PEAS与运行循环
  • • 4.1 PEAS环境建模
    • 4.2 数字环境特征
    • 4.3 Agent标准闭环：T-A-O
  • 5 Python实战：旅行助手Agent
  • • 5.1 安装依赖
    • 5.2 完整代码
    • 运行流程
  • 6 落地：Agent协作 & Workflow区别
  • • 6.1 两种协作模式
    • 6.2 Workflow vs Agent
  • 7 小结
  • 8 课后习题（精简）

Hello-Agents｜第一章：初识智能体

标签：#LLM #Agent #人工智能 #Python实战

目录

1 智能体基础定义

智能体(Agent)：通过传感器感知环境，依靠自主决策，经由执行器作用环境、完成目标的实体。

• 传感器：摄像头、雷达、各类API接口；
• 执行器：机械硬件、代码/接口调用；
• 自主性是智能核心：非死板执行指令，依托环境反馈自主决策，形成「感知→决策→行动」闭环。

2 Agent两大发展路线

2.1 传统智能体（5代演进）

传统共性：规则、逻辑全部人工预设。

2.2 LLM新型智能体

依托预训练获得隐式世界模型，天然具备三大能力：

例：「规划厦门旅行」→拆行程→查天气→订住宿，雨天自动替换室内景点。

3 三种分类方式

① 按内部架构

反射→模型→目标→效用，学习是附加元能力。

② 按决策时效

③ 按知识表达

• 符号主义：规则+逻辑，可解释，但难适配现实模糊场景；
• 亚符号(深度学习)：权重存储特征，擅长音图识别，黑盒易幻觉；
• 神经符号融合（主流）：参考《思考，快与慢》
  • 系统1(快/亚符号)：大模型底层直觉识别；
  • 系统2(慢/符号)：结构化思考、工具调用、逻辑推理。

LLM-Agent是神经符号落地典范。

4 PEAS与运行循环

4.1 PEAS环境建模

• P(性能)：评判指标；E(环境)：外部场景；A(执行器)：动作出口；S(传感器)：信息采集。

4.2 数字环境特征

部分可观测、随机性、多智能体共存、动态序贯。

4.3 Agent标准闭环：T-A-O

Thought: 思考规划
Action: 工具调用
Observation: 环境返回结果

循环：感知→思考(规划+选工具)→执行→观测反馈。

5 Python实战：旅行助手Agent

5.1 安装依赖

pip install requests tavily-python openai

5.2 完整代码

import requests, os, re
from tavily import TavilyClient
from openai import OpenAI

# 1.系统提示词
AGENT_PROMPT = """
你是旅行助手，工具：get_weather(city)、get_attraction(city,weather)
输出固定格式：
Thought:思考
Action:函数名(参数="值")/Finish[答案]
单次仅一组TA，收集完信息Finish结束
"""

# 2.工具
def get_weather(city):
try:
d=requests.get(f"https://wttr.in/{city}?format=j1").json()["current_condition"][0]
return f"{city}{d['weatherDesc'][0]['value']}，{d['temp_C']}℃"
except:return"查询失败"

def get_attraction(city,weather):
tc=TavilyClient(os.getenv("TAVILY_API_KEY"))
return tc.search(f"{city}{weather}景点推荐",include_answer=True).get("answer","无推荐")

tools={"get_weather":get_weather,"get_attraction":get_attraction}

# 3.LLM客户端
class LLMClient:
def __init__(self,key,url,model):
self.c=OpenAI(api_key=key,base_url=url);self.m=model
def chat(self,usr,sys):
return self.c.chat.completions.create(model=self.m,messages=[{"role":"system","content":sys},{"role":"user","content":usr}]).choices[0].message.content

# 4.主循环
if __name__=="__main__":
os.environ["TAVILY_API_KEY"]="你的TavilyKey"
llm=LLMClient("API_KEY","BASE_URL","MODEL")
user="查北京天气并推荐景点"
hist=[f"用户：{user}"]
for _ in range(5):
res=llm.chat("\\n".join(hist),AGENT_PROMPT)
hist.append(res)
act=re.search(r"Action:\\s*(.*)",res).group(1)
if act.startswith("Finish"):
print("结果：",re.match(r"Finish\\[(.*)\\]",act).group(1));break
fn=re.search(r"(\\w+)\\(",act).group(1)
arg=dict(re.findall(r'(\\w+)="([^"]+)"',act))
obs=f"Observation:{tools[fn](**arg)}"
hist.append(obs);print(obs)

运行流程

6 落地：Agent协作 & Workflow区别

6.1 两种协作模式

6.2 Workflow vs Agent

• Workflow：全流程硬编码固定规则，标准化业务稳定易管控，复杂场景灵活性差；
• Agent：仅约束顶层规则，自主动态决策，适配非标多变需求，风控成本更高。

7 小结

8 课后习题（精简）