100行Python代码，搭一个能干活的AI Agent
跟大模型聊天人人都会，但你有没有想过——为什么ChatGPT能帮你订餐、查航班、写代码，而你调用API只会一问一答？
差别就两个字：Agent。
大模型是大脑，但没手没脚没记忆。你问它"北京天气怎么样"，它只会说"我无法访问实时数据"。Agent就是给大脑装上四肢、记忆和执行力——让它自己判断该用什么工具，执行完再思考下一步。
听起来很复杂？其实核心就一个公式：
Agent = LLM（大脑）+ Tools（双手）+ Memory（记忆）+ Loop（循环）
今天用100行Python代码，把这四个模块从零搭一遍。不依赖任何框架，跑完你就明白Agent到底是怎么回事。
00 环境准备
pip install openai用OpenAI SDK，兼容DeepSeek、智谱等国产API，改个base_url就行。这篇用DeepSeek做demo——便宜，而且支持按量付费。
你需要去https://platform.deepseek.com/注册拿一个API Key。
01 LLM调用 —— 给Agent装个大脑
第一块拼图：能跟大模型对话。
from openai import OpenAI
from dotenv import load_dotenv
import os
load_dotenv()
client = OpenAI(
# api_key="your-api-key", # 换成你的DeepSeek API Key
api_key=os.getenv("DEEPSEEK_API_KEY"), # 或使用env方式存储apikey
base_url="https://api.deepseek.com"
)
def ask_llm(messages, tools=None):
response = client.chat.completions.create(
model="deepseek-v4-flash",
messages=messages,
tools=tools,
tool_choice="auto",
)
return response.choices[0].message
res = ask_llm([{"role":"user","content":"你好"}])
print(res)这段代码本身没什么特别的，就是标准的API调用。但注意tools这个参数——这是Agent和普通聊天的核心分界线。
不传tools，模型只能聊天。传了tools，模型就知道"我还有这些工具可以用"，在需要的时候会主动要求调用。tool_choice="auto"的意思是让模型自己判断：这个问题我直接答，还是得用工具？
⚠️ 踩坑提示 DeepSeek的deepseek-chat模型已废弃，对应deepseek-v4-flash模型中的非思考模式
02 工具定义 —— 给Agent装双手
工具就是普通的Python函数，外加一份给LLM看的"说明书"。
def calculator(expression: str) -> str:
try:
return str(eval(expression))
except:
return "计算错误"
def get_weather(city: str) -> str:
mock = {"北京": "晴 25℃", "上海": "多云 28℃", "深圳": "雷阵雨 30℃"}
return mock.get(city, f"暂无{city}天气数据")
TOOLS = [
{"type": "function", "function": {
"name": "calculator",
"description": "执行数学计算，输入数学表达式",
"parameters": {"type": "object", "properties": {
"expression": {"type": "string", "description": "数学表达式，如 2+3*4"}
}, "required": ["expression"]}
}},
{"type": "function", "function": {
"name": "get_weather",
"description": "查询指定城市的天气",
"parameters": {"type": "object", "properties": {
"city": {"type": "string", "description": "城市名称"}
}, "required": ["city"]}
}}
]
TOOL_MAP = {"calculator": calculator, "get_weather": get_weather}这里有个关键认知：LLM不直接执行代码。
它只做一件事——输出一段JSON，告诉你"我想调用calculator工具，参数是123 * 456 + 789"。真正执行计算的是你的代码。LLM的角色更像一个调度员，决定调用什么工具、传什么参数，但脏活累活都是你的程序干。
description字段很重要，写得越清晰，模型调用越准确。模型是靠读这个描述来理解工具用途的——你说"执行数学计算"，它就知道算术题该找这个工具。
03 记忆 —— 让Agent记住上下文
class Memory:
def __init__(self):
self.messages = []
def add(self, role, content, **kwargs):
msg = {"role": role, "content": content}
msg.update(kwargs)
self.messages.append(msg)
def get_messages(self):
return self.messages.copy()就这？就这么简单。
很多人觉得Agent的"记忆"很高深，其实本质就是维护一个messages列表。每次调用LLM时，把完整的对话历史传过去——LLM本身没有状态，所谓的"记住上下文"就是每轮都把历史消息全部塞进请求里。
这也解释了为什么聊天越长，API费用越高——因为每次请求都带着之前所有的对话。
04 Agent循环 —— 让Agent会思考
这是整个Agent的心脏。核心思路叫ReAct模式：思考→行动→观察→重复，直到任务完成。
def run_agent(user_input, max_steps=10):
memory = Memory()
memory.add("system", "你是一个有用的助手，可以调用工具回答问题。")
memory.add("user", user_input)
for step in range(max_steps):
print(f"\n--- 第{step + 1}步 ---")
response = ask_llm(memory.get_messages(), tools=TOOLS)
if not response.tool_calls:
print(f"Agent回答：{response.content}")
return response.content
memory.add("assistant", response.content or "", tool_calls=response.tool_calls)
for tool_call in response.tool_calls:
name = tool_call.function.name
args = json.loads(tool_call.function.arguments)
print(f"调用工具：{name}({args})")
result = TOOL_MAP[name](**args)
print(f"工具返回：{result}")
memory.add("tool", result, tool_call_id=tool_call.id)
return "达到最大步数，Agent停止"拆解这个循环：
思考：把对话历史和工具列表发给LLM，LLM决定下一步干什么
判断：如果LLM没有请求调用工具，说明它觉得可以直接回答了，循环结束
行动：LLM说"我要查北京天气"，你的代码就执行
get_weather("北京")观察：把工具执行结果塞回messages，让LLM看到结果
重复：LLM拿到结果后再思考，可能还需要调别的工具，也可能可以直接回答了
max_steps是安全阀，防止Agent陷入死循环。实际使用中10步足够处理大部分任务。
跑起来看效果
# 测试1：简单计算
run_agent("帮我算一下 123 * 456 + 789")输出：
两步完成：第一步调计算器，第二步直接回答。
# 测试2：多步骤任务
run_agent("北京和上海哪个温度高？并帮我算一下高多少？")输出：
Silas说
写完这100行代码，最大的感受是：Agent一点都不神秘。
网上铺天盖地的Agent框架——LangChain、AutoGen、CrewAI——把这件事包装得很复杂。但你把核心扒开看，就是一个while循环：LLM决定调什么工具，你的代码执行，结果传回去，循环直到完成。框架做的事，无非是帮你把这个循环封装好，再加上一些工程化的东西（重试、超时、日志）。
我的建议：先手写一遍，再用框架。
不是框架不好，是你不理解原理直接用框架，出了问题完全不知道怎么排查。你不知道tool_calls的格式长什么样，不知道messages里每条消息的role有什么讲究，调试的时候就是两眼一抹黑。
还有一点：别急着给Agent加复杂的Planning和Multi-Agent协作。先把这个最小闭环跑通，加一个你自己业务场景需要的工具（比如查数据库、调内部API），让它真正干一件有用的事。能稳定跑一周，再考虑扩展。
Agent的价值不在于架构多精巧，在于它能不能稳定地把一件事干好。
跑通代码后，可以试试这些扩展方向：
换个工具：把
get_weather换成查数据库、调内部API、发邮件——只要是个Python函数就能当工具加RAG：给Agent接一个知识库，让它能查文档回答问题
多Agent协作：多个Agent分工合作，比如一个负责搜索、一个负责写作
试试框架：理解原理后再用LangChain或CrewAI，你会发现它们其实就是帮你封装了这套循环
完整代码我已经整理好了，复制就能跑。你给Agent加了什么有意思的工具？评论区聊聊。
觉得有用的话，转给也在折腾AI的朋友。
关注我，持续分享AI实操和踩坑记录。
<完整代码>
"""
最小AI Agent实现 —— 100行代码搞定
Agent = LLM + Tools + Memory + Loop
"""
from openai import OpenAI
import json
from dotenv import load_dotenv
import os
load_dotenv()
# ============ 1. LLM调用（大脑）============
client = OpenAI(
# api_key="your-api-key", # 换成你的DeepSeek API Key
api_key=os.getenv("DEEPSEEK_API_KEY"), # 或使用env方式存储apikey
base_url="https://api.deepseek.com"
)
def ask_llm(messages, tools=None):
response = client.chat.completions.create(
model="deepseek-v4-flash",
messages=messages,
tools=tools,
tool_choice="auto",
)
return response.choices[0].message
# ============ 2. 工具定义（双手）============
def calculator(expression: str) -> str:
try:
return str(eval(expression))
except:
return "计算错误"
def get_weather(city: str) -> str:
mock = {"北京": "晴 25℃", "上海": "多云 28℃", "深圳": "雷阵雨 30℃"}
return mock.get(city, f"暂无{city}天气数据")
TOOLS = [
{"type": "function", "function": {
"name": "calculator",
"description": "执行数学计算，输入数学表达式",
"parameters": {"type": "object", "properties": {
"expression": {"type": "string", "description": "数学表达式，如 2+3*4"}
}, "required": ["expression"]}
}},
{"type": "function", "function": {
"name": "get_weather",
"description": "查询指定城市的天气",
"parameters": {"type": "object", "properties": {
"city": {"type": "string", "description": "城市名称"}
}, "required": ["city"]}
}}
]
TOOL_MAP = {"calculator": calculator, "get_weather": get_weather}
# ============ 3. 记忆（对话历史）============
class Memory:
def __init__(self):
self.messages = []
def add(self, role, content, **kwargs):
msg = {"role": role, "content": content}
msg.update(kwargs)
self.messages.append(msg)
def get_messages(self):
return self.messages.copy()
# ============ 4. Agent循环（心脏）============
def run_agent(user_input, max_steps=10):
memory = Memory()
memory.add("system", "你是一个有用的助手，可以调用工具回答问题。")
memory.add("user", user_input)
for step in range(max_steps):
print(f"\n--- 第{step + 1}步 ---")
response = ask_llm(memory.get_messages(), tools=TOOLS)
if not response.tool_calls:
print(f"Agent回答：{response.content}")
return response.content
memory.add("assistant", response.content or "", tool_calls=response.tool_calls)
for tool_call in response.tool_calls:
name = tool_call.function.name
args = json.loads(tool_call.function.arguments)
print(f"调用工具：{name}({args})")
result = TOOL_MAP[name](**args)
print(f"工具返回：{result}")
memory.add("tool", result, tool_call_id=tool_call.id)
return "达到最大步数，Agent停止"
# ============ 5. 测试 ============
if __name__ == "__main__":
run_agent("北京和上海哪个温度高？并帮我算一下高多少？")THE END
本文首发于微信公众号 BigDataLab，转载请注明出处。
更多 AI / 大模型实战干货，欢迎微信搜索关注「BigDataLab」，或 点此回看原文。
浙公网安备 33010602011771号