01-Python AI Agent 大纲

课程内容：

每日主题
教学目标，Agent组件理论
可运行的 Python 代码
代码分析
代码功能单元模仿拓展（课堂练习 + 课后作业）

✅ 操作系统：Ubuntu24.04（推荐）、Windows、MAC
✅ 所有代码基于 Python 3.9+
✅ 默认使用 OpenAI API（若无，可用 Ollama + ollama 包本地替代，文末附说明）
✅ 确保代码能理解、能改、能跑

组件	说明	关键特性/示例
Agent（智能体）	核心决策单元，负责协调记忆、工具、规划与行动	可执行复杂任务，支持多种代理类型（>15种）
Memory（记忆）	存储上下文信息，分为短期和长期记忆	- 短期：缓冲区（Buffers），如对话历史- 长期：向量数据库（>40种），用于知识检索
Tools（工具）	外部功能接口，供Agent调用执行任务	>60个工具和工具包，如：Pandas、Google Search、Gmail等
Plan（规划）	决定下一步行动的策略模块	支持多步推理与任务分解
Action（行动）	执行具体操作，包括调用工具或LLM	可能是模拟环境中的动作，也可能是真实世界交互
LLMs（大语言模型）	提供语言理解和生成能力	>60种集成，如GPT、Claude、Llama等
Agents 类型	不同行为模式的智能体	包括：自主型（Autonomous）、模拟型（Simulation）、如AutoGPT等

LangChain Agent Ecosystem 是一个模块化框架，
通过 Agent + Memory + Tools + Plan + Action + LLMs 的协同工作，
实现 AI 智能体的自主决策与任务执行。

📦 前置准备

1. 创建项目目录方法

agent-course/
├── .env
├── day01/
├── day02/
...
└── utils.py  # 可选工具函数


# 创建工作目录
mkdir day4 && cd day4

# 创建虚拟环境
python3 -m venv day4-robust

# 激活虚拟环境
source day4-robust/bin/activate

# 关闭虚拟环境，使用时去掉“#”
# deactivate

# 升级 pip
pip install --upgrade pip -i https://mirrors.aliyun.com/pypi/simple/

2. `.env` 文件（填自己的 key）

# 填自己的 key
echo 'DASHSCOPE_API_KEY=sk-6adfyyyyyy4374b32c720xxxxxxce5' > .env

3. 安装依赖（统一命令）

# 示例
pip install langchain openai python-dotenv requests beautifulsoup4 faiss-cpu

🗓️ 每日教学包

Day 1：Hello Agent! —— 你的第一个智能体

目标：让学生看到“智能体”能做事，建立信心
技能：调用 LLM、理解 Agent = LLM + 工具

📄 代码模板 `day01/hello_agent.py`

from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate

load_dotenv()

llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个乐于助人的AI助手。"),
    ("human", "{input}")
])

chain = prompt | llm

response = chain.invoke({"input": "今天北京天气怎么样？"})
print(response.content)

✅ 实验任务

运行代码，替换问题为“Python怎么读取文件？”
修改 system prompt，让 AI 用“小学生能听懂的话”回答
[课后] 尝试问一个需要查外部信息的问题（如“现在美元兑人民币汇率？”），观察 AI 是否会编造答案 → 引出“工具”的必要性

Day 2：给智能体装上“手”——Tool 工具开发

目标：学会定义和调用工具函数
技能：编写 Tool、理解函数即能力

📄 代码模板 `day02/tool_example.py`

import requests
from datetime import datetime

def get_current_time() -> str:
    """获取当前时间"""
    return datetime.now().strftime("%Y-%m-%d %H:%M:%S")

def get_weather(city: str) -> str:
    """模拟天气查询（实际项目可用 API）"""
    return f"{city}今天晴，25°C"

# 测试
print(get_current_time())
print(get_weather("上海"))

✅ 实验任务

添加一个新工具：get_random_joke()，返回一句笑话（可硬编码）
修改 get_weather，让它真的调用免费 API（如 wttr.in/Shanghai?format=3）
[课后] 思考：如果 AI 要自动选择调用哪个工具，怎么办？

Day 3：让 AI 自己决定用哪个工具（ReAct Agent）

目标：构建第一个自主决策的智能体
技能：使用 LangChain 的 ReAct Agent

📄 代码模板 `day03/react_agent.py`

from langchain.agents import tool, AgentExecutor, create_react_agent
from langchain_openai import ChatOpenAI
from langchain import hub

@tool
def get_time():
    """获取当前时间"""
    from datetime import datetime
    return datetime.now().strftime("%Y-%m-%d %H:%M")

llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)
tools = [get_time]
prompt = hub.pull("hwchase17/react")  # 官方 ReAct 提示词
agent = create_react_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

result = agent_executor.invoke({"input": "现在几点了？"})
print(result["output"])

✅ 实验任务

添加昨天写的 get_weather 工具，问：“上海现在天气如何？”
观察 verbose=True 输出的思考过程（Thought / Action / Observation）
[课后] 尝试问一个无法回答的问题，看 Agent 如何处理

Day 4：多工具协作 + 错误处理

目标：构建更鲁棒的智能体
技能：工具组合、异常捕获

📄 代码模板 `day04/robust_agent.py`

@tool
def search_web(query: str) -> str:
    """简单网页抓取（演示用）"""
    try:
        import requests
        from bs4 import BeautifulSoup
        url = f"https://www.google.com/search?q={query}"
        # 注意：真实项目需用合法 API，此处仅为演示结构
        return "搜索结果摘要（模拟）"
    except Exception as e:
        return f"搜索失败: {str(e)}"

# 把 search_web 加入 tools 列表，重复 Day3 流程

✅ 实验任务

实现一个安全的 divide(a, b) 工具，处理除零错误
构建 Agent，让它计算“2024年是否是闰年”（需调用时间工具 + 逻辑判断）
[课后] 讨论：为什么不能直接让 LLM 算？→ 强调“确定性计算交给工具”

Day 5：记忆！让 Agent 记住你说过的话

目标：添加对话记忆能力
技能：使用 Memory 组件

📄 代码模板 `day05/memory_agent.py`

from langchain.memory import ConversationBufferMemory
from langchain.agents import initialize_agent

memory = ConversationBufferMemory(memory_key="chat_history")
llm = ChatOpenAI(temperature=0)
agent = initialize_agent(
    tools=[get_time],
    llm=llm,
    agent="conversational-react-description",
    memory=memory,
    verbose=True
)

agent.run("我叫小明")
agent.run("我叫什么名字？")  # 应该回答“小明”

✅ 实验任务

连续对话：先问“现在几点”，再问“刚才几点”，看是否记住
尝试超过上下文长度（问很多次），观察记忆截断
[课后] 思考：如何记住长期信息？→ 引出向量数据库（Day6）

Day 6：长期记忆 —— 向量数据库入门

目标：实现“记住用户偏好”
技能：FAISS + 文本嵌入

📄 代码模板 `day06/vector_memory.py`

from langchain_community.vectorstores import FAISS
from langchain_openai import OpenAIEmbeddings

embeddings = OpenAIEmbeddings()
texts = ["用户喜欢喝美式咖啡", "用户住在杭州"]
vectorstore = FAISS.from_texts(texts, embeddings)

retriever = vectorstore.as_retriever()
docs = retriever.get_relevant_documents("用户喜欢什么饮料？")
print(docs[0].page_content)

✅ 实验任务

添加一条新记忆：“用户讨厌周一开会”
查询“用户对周一的看法”，看是否召回
[课后] 尝试将检索结果注入到 Agent 的 prompt 中（为 Day7 铺垫）

Day 7：任务分解 —— 让 Agent 做复杂事

目标：处理多步骤任务
技能：Plan-and-Execute 思想

📄 代码模板 `day07/planner.py`

# 简化版：手动拆解任务
def plan_and_execute(task: str):
    steps = [
        "1. 查今天日期",
        "2. 查杭州天气",
        "3. 生成出行建议"
    ]
    print("计划:", steps)
    # 模拟执行
    for step in steps:
        if "查今天日期" in step:
            print("执行:", get_time())
        elif "查杭州天气" in step:
            print("执行:", get_weather("杭州"))
    return "建议：今天晴，适合出门！"

print(plan_and_execute("给我今天的出行建议"))

✅ 实验任务

改写为“帮我写一封请假邮件”，拆解为：查日历 → 写草稿 → 格式化
[课后] （挑战）尝试用 LLM 自动生成步骤列表（提示词：“把以下任务拆成3步：...”）

Day 8：多智能体初探 —— 两个 AI 协作

目标：理解多 Agent 架构
技能：角色扮演 + 消息传递

📄 代码模板 `day08/multi_agent.py`

def run_conversation(user_input: str):
    researcher = ChatOpenAI(temperature=0.7)
    editor = ChatOpenAI(temperature=0.2)

    research = researcher.invoke(f"研究主题: {user_input}。用3句话总结。").content
    article = editor.invoke(f"润色以下内容，使其专业简洁:\n{research}").content
    return article

print(run_conversation("人工智能对教育的影响"))

✅ 实验任务

增加第三个角色：“校对员”，检查事实错误
让学生扮演其中一个 Agent，模拟对话流程
[课后] 讨论：多 Agent vs 单 Agent 的优劣

Day 9：项目开发日（选题 + 编码）

提供 3 个可选项目模板（任选其一）：

智能客服：能查订单、回答 FAQ、记录投诉
学习助手：解释代码、生成练习题、总结知识点
旅行规划师：查天气、推荐景点、估算预算

📄 项目骨架 `project_template.py`

# 学生在此基础上扩展
from your_tools import *
from langchain.agents import ...

# 定义专属工具
# 构建 Agent
# 添加记忆
# 实现主循环

✅ 任务

完成至少 2 个自定义工具
Agent 能完成端到端任务（输入 → 输出）
代码注释清晰

Day 10：展示 + 复盘

每组 5 分钟演示
教师点评：亮点 + 改进建议
发放“结业证书”（可自制）

💡 无 OpenAI API？用 Ollama 本地替代！

如果学生没有 API Key，全部代码可改用 Ollama + Llama 3：

安装 Ollama
运行：ollama pull llama3
替换 LLM 初始化代码：

# 原来
# llm = ChatOpenAI(model="gpt-3.5-turbo")

# 改为
from langchain_community.chat_models import ChatOllama
llm = ChatOllama(model="llama3", temperature=0)

⚠️ 注意：部分高级功能（如精确工具调用）在开源模型上效果较弱，但教学足够

📎 最后建议

每天课前 10 分钟：发 ZIP 包（含当日代码 + 任务说明）
强调“能跑就行”：不要求完美，只要求动手
你作为讲师：重点讲“为什么这样设计”，而不是 API 细节

如果你需要，我可以打包所有代码为 GitHub 仓库结构，或生成 PDF 讲义。是否需要？这对你找工作展示教学能力也很有帮助。

posted @ 2026-01-25 19:54 船山薪火阅读(54) 评论(0) 收藏举报

刷新页面返回顶部

01-Python AI Agent 大纲

📦 前置准备

1. 创建项目目录方法

2. .env 文件（填自己的 key）

3. 安装依赖（统一命令）

🗓️ 每日教学包

Day 1：Hello Agent! —— 你的第一个智能体

📄 代码模板 day01/hello_agent.py

✅ 实验任务

Day 2：给智能体装上“手”——Tool 工具开发

📄 代码模板 day02/tool_example.py

✅ 实验任务

Day 3：让 AI 自己决定用哪个工具（ReAct Agent）

📄 代码模板 day03/react_agent.py

✅ 实验任务

Day 4：多工具协作 + 错误处理

📄 代码模板 day04/robust_agent.py

✅ 实验任务

Day 5：记忆！让 Agent 记住你说过的话

📄 代码模板 day05/memory_agent.py

✅ 实验任务

Day 6：长期记忆 —— 向量数据库入门

📄 代码模板 day06/vector_memory.py

✅ 实验任务

Day 7：任务分解 —— 让 Agent 做复杂事

📄 代码模板 day07/planner.py

✅ 实验任务

Day 8：多智能体初探 —— 两个 AI 协作

📄 代码模板 day08/multi_agent.py

✅ 实验任务

Day 9：项目开发日（选题 + 编码）

📄 项目骨架 project_template.py

✅ 任务

Day 10：展示 + 复盘

💡 无 OpenAI API？用 Ollama 本地替代！

📎 最后建议

公告

2. `.env` 文件（填自己的 key）

📄 代码模板 `day01/hello_agent.py`

📄 代码模板 `day02/tool_example.py`

📄 代码模板 `day03/react_agent.py`

📄 代码模板 `day04/robust_agent.py`

📄 代码模板 `day05/memory_agent.py`

📄 代码模板 `day06/vector_memory.py`

📄 代码模板 `day07/planner.py`

📄 代码模板 `day08/multi_agent.py`

📄 项目骨架 `project_template.py`