> ## Content Index > Fetch the complete content index at: https://www.hubwiz.com/blog/llms.txt > Use this file to discover other available public pages before exploring further. # 不用框架，从零构建AI代理 - URL: https://www.hubwiz.com/blog/build-ai-agents-from-scratch/ - Published: 2025-04-17T10:12:03.000Z - Updated: 2025-04-17T10:12:03.000Z - Description: 仅使用OpenAI API和Python创建一个聊天机器人代理，能够使用计算器或知识库等工具，不依赖任何框架。这将为你提供关于代理系统工作原理的基础和内部细节。 - Author: admin - Tags: APPLICATION, AGENT, OPENAI, #Import 2026-10-14 14:41 代理并不复杂！ 我们的目标是，仅使用OpenAI API和Python创建一个聊天机器人代理，能够使用计算器或知识库等工具，不依赖任何框架。这将为你提供关于代理系统工作原理的基础和内部细节。 ![](https://www.hubwiz.com/blog/content/images/2025/04/image-287.png) 如果你刚刚起步并想了解一些代理的基本知识，可以参考[这篇文章](https://medium.com/@bhowmick.raj10/ai-agents-where-intelligence-meets-action-part-zero-06d5f78520fb?ref=hubwiz.com) 。 ## 1、高层次想法 我们将构建一个**AI代理**，它可以： - 接受用户输入 - 决定使用哪个工具（计算器、知识库或无需工具） - 手动执行该工具（没有自动魔法） - 返回响应 我们将**模拟OpenAI函数调用**，但控制工具选择和执行流程。 ## 2、什么是代理，为什么需要它？ 一个AI代理是一个系统，它可以： - **感知**输入（例如用户的消息） - **决定**行动方案（例如进行计算、搜索事实） - **使用工具**（例如函数、API）执行任务 - **返回**有意义的输出 代理之所以有用，是因为它们可以： - 使用**外部工具** - 维持**多轮对话上下文**（虽然完整的记忆需要存储对话历史） - 如果需要扩展，可以轻松添加新功能以实现可扩展性。 ## 3、规划你的代理 在编码之前，我们需要决定以下内容： - 我们的代理应该使用哪些**工具**？ - 工具的调用是由LLM还是我们的Python代码控制？ - 代理如何维护**状态或记忆**？ - 我们是使用**OpenAI内置的函数调用**，还是自己模拟？ 我们将通过结构化提示使用OpenAI的常规`ChatCompletion` API来**提取工具选择和输入**，从而模拟自己的函数调用。 ## 4、关键概念与组件 组件及其作用： - LLM → 处理和解释查询的语言模型 - 提示 → 告诉LLM如何表现以及我们期望什么 - 工具选择器 → 解析用户输入并决定使用哪个工具 - 工具运行器 → 执行计算器或知识搜索 - 推理循环 → 管理对话、上下文和回复 ## 5、模型层与应用层 层级及其职责： - **模型层（LLM）** → 理解自然语言并路由意图 - **应用程序层（例如：Python代码）** → 执行工具、管理流程、发送响应 这种分离允许你轻松地**替换工具、提示或模型**。 ![](https://www.hubwiz.com/blog/content/images/2025/04/image-286.png) [https://www.flyingfish.vc/blog/back-to-basics](https://www.flyingfish.vc/blog/back-to-basics?ref=hubwiz.com) ## 6、最小代理架构 ``` 用户输入 ↓ LLM 工具选择器（决定使用哪个工具及输入） ↓ Python 工具执行器（运行计算器或知识搜索） ↓ 最终响应 ``` ## 7、实现步骤 ### 7.1 工具定义 ```python import openai import os openai.api_key = os.getenv("OPENAI_API_KEY") import re def calculate_expression(expression): safe_expr = re.sub(r'[^0-9+\-\*/(). ]', '', expression) if safe_expr.strip() == "": return None try: return eval(safe_expr) except: return None knowledge_base = { "python": "Python is a programming language known for its readability.", "openai": "OpenAI is the company that created ChatGPT.", "ai": "AI stands for Artificial Intelligence, which simulates human intelligence." } # 我们只是模拟了知识检索，在真实世界中，这将是你的知识检索器 def search_knowledge(query): q = query.lower() for keyword, value in knowledge_base.items(): if keyword in q: return value return None ``` ### 7.2 模拟函数调用（LLM作为工具路由器） 我们不使用OpenAI内置的函数调用，而是要求LLM： - 决定使用哪个工具：`calculator`、`knowledge_search`或`none` - 返回我们自行解析的JSON样式的结构 > 代理如何知道使用知识库？ 代理在以下情况下使用知识库： - 用户提出**事实性或信息性问题** - 我们的**系统提示**告诉它：“如果问题是事实性的，请选择`knowledge_search`。” - LLM理解类似以下查询的**语义**： - “Python是什么？” - “谁是OpenAI？” - “告诉我关于AI。” 它会响应如下： ``` { "tool": "knowledge_search", "input": "What is Python?" } ``` 如果它找不到匹配项（例如，“法国的首都是什么？”），LLM可能会回复`"tool": "none"`，然后我们回退到常规聊天响应。 ```python def query_openai_tool_selector(user_input): messages = [ { "role": "system", "content": ( "You're an AI assistant. Based on the user's message, " "decide which tool to use: 'calculator', 'knowledge_search', or 'none'. " "Respond ONLY with a JSON object like this:\n" "{ \"tool\": \"calculator\", \"input\": \"5 * (4 + 3)\" }\n" "or\n" "{ \"tool\": \"none\", \"input\": \"Hello!\" }" ) }, {"role": "user", "content": user_input} ] response = openai.ChatCompletion.create( model="gpt-3.5-turbo", messages=messages ) try: tool_call = eval(response.choices[0].message['content']) return tool_call.get("tool"), tool_call.get("input") except: return "none", user_input ``` ### 7.3 工具执行与响应处理 ```python def query_openai(user_input): tool, tool_input = query_openai_tool_selector(user_input) if tool == "calculator": result = calculate_expression(tool_input) return f"The result is: {result}" if result else "I couldn't compute that." elif tool == "knowledge_search": result = search_knowledge(tool_input) return result if result else "I couldn't find relevant information." else: response = openai.ChatCompletion.create( model="gpt-3.5-turbo", messages=[ {"role": "system", "content": "You are a helpful assistant."}, {"role": "user", "content": user_input} ] ) return response.choices[0].message['content'] ``` ### 7.4 如何运转 ``` 用户: "7 * (2 + 3)是多少？" ↓ LLM（工具选择器）: { "tool": "calculator", "input": "7 * (2 + 3)" } ↓ Python 工具: calculate_expression("7 * (2 + 3)") → 35 ↓ 最终回复: "结果是: 35" ``` ## 8、完整最终代理代码 ```python import openai, re, os openai.api_key = os.getenv("OPENAI_API_KEY") def calculate_expression(expression): safe_expr = re.sub(r'[^0-9+\-\*/(). ]', '', expression) if safe_expr.strip() == "": return None try: return eval(safe_expr) except: return None knowledge_base = { "python": "Python is a programming language known for its readability.", "openai": "OpenAI is the company that created ChatGPT.", "ai": "AI stands for Artificial Intelligence, which simulates human intelligence." } # 这只是模拟的知识检索 def search_knowledge(query): q = query.lower() for keyword, value in knowledge_base.items(): if keyword in q: return value return None def query_openai_tool_selector(user_input): messages = [ { "role": "system", "content": ( "You're an AI assistant. Based on the user's message, " "decide which tool to use: 'calculator', 'knowledge_search', or 'none'. " "Respond ONLY with a JSON object like this:\n" "{ \"tool\": \"calculator\", \"input\": \"5 * (4 + 3)\" }\n" "or\n" "{ \"tool\": \"none\", \"input\": \"Hello!\" }" ) }, {"role": "user", "content": user_input} ] response = openai.ChatCompletion.create( model="gpt-3.5-turbo", messages=messages ) try: tool_call = eval(response.choices[0].message['content']) return tool_call.get("tool"), tool_call.get("input") except: return "none", user_input def query_openai(user_input): tool, tool_input = query_openai_tool_selector(user_input) if tool == "calculator": result = calculate_expression(tool_input) return f"The result is: {result}" if result else "I couldn't compute that." elif tool == "knowledge_search": result = search_knowledge(tool_input) return result if result else "I couldn't find relevant information." else: response = openai.ChatCompletion.create( model="gpt-3.5-turbo", messages=[ {"role": "system", "content": "You are a helpful assistant."}, {"role": "user", "content": user_input} ] ) return response.choices[0].message['content'] ``````markdown t = query_openai_tool_selector(user_input) if tool == "calculator": result = calculate_expression(tool_input) return f"结果是: {result}" if result else "我无法计算那个。" elif tool == "knowledge_search": result = search_knowledge(tool_input) return result if result else "我找不到相关的信息。" else: response = openai.ChatCompletion.create( model="gpt-3.5-turbo", messages=[ {"role": "system", "content": "你是一个有用的助手。"}, {"role": "user", "content": user_input} ] ) return response.choices[0].message['content'] print("欢迎！问我任何问题。输入'quit'退出。") while True: user_input = input("你: ") if user_input.lower() == "quit": print("助手: 再见！") break print("助手:", query_openai(user_input)) ``` ## 9、结束语 你现在有了一个功能齐全的AI代理，它： - 理解用户输入 - 使用LLM输出智能地选择工具 - 手动执行函数而不依赖OpenAI的内置工具调用 - 保持逻辑清晰和控制 你可以在此基础上进行哪些改进： - 添加更多工具（天气、提醒、文件处理等） - 添加更多推理和规划能力 - 添加上下文记忆（例如，`memory = []`） - 构建Web界面（Streamlit、Flask、React） - 将其连接到你的业务逻辑和API --- 原文链接：[Building AI Agents from Scratch -No Frameworks](https://nikhilpentapalli.medium.com/building-ai-agents-from-scratch-no-frameworks-7e75b11396d8?ref=hubwiz.com) 汇智网翻译整理，转载请标明出处