本文深入浅出地介绍了AI Agent的工作原理，将模型、工具、状态管理结合，使程序能多步执行任务。通过Python实例模拟了Agent的感知、决策、行动和记忆模块，构建了一个简单的命令行Agent，帮助初学者理解大模型在实践中的应用。文章还探讨了Agent的类型、执行流程以及如何升级为真正的LLM Agent，为读者提供了从基础到进阶的全面指导。

AI Agent 工作原理

前面我们已经介绍了 AI Agent 的基本概念和核心组件。接下来看看这些组件是如何协同工作的，以及如何使用 Python 实现一个简单的 Agent。

传统的大语言模型（LLM）主要根据输入的上下文生成回答。如果没有连接外部工具，它通常无法直接读取本地文件、查询实时数据或操作其他软件。

AI Agent 则在模型基础上结合工具调用、任务状态管理和执行控制，使程序能够根据目标执行多个操作步骤，并利用执行结果决定下一步做什么。

例如，用户提出"读取 Excel 文件，统计销售额并生成图表"。Agent 可以读取文件、调用 Python 处理数据、生成图表，最后将结果保存到指定目录。

AI Agent 的关键在于：模型负责决策，工具负责执行，程序根据执行反馈持续推进任务。

AI Agent 的基本组成

一个典型的 LLM Agent 通常包含模型、工具和任务状态管理等部分。

其中，模型通常负责生成决策，工具负责与外部环境交互，执行程序则负责组织整个任务流程。

对于简单任务，Agent 可能不需要复杂的规划系统或长期记忆；对于多步骤任务，则需要保存任务状态，以便根据执行结果继续工作。

AI Agent 的类型

Agent 并不都是通过大语言模型实现的。在人工智能研究中，智能体可以根据决策机制和系统架构分为不同类型。

上述类型并不完全互斥。例如，一个目标导向 Agent 也可以具有学习能力，多智能体系统中的每个 Agent 也可以采用不同的决策机制。

目前常见的 LLM Agent，通常围绕用户目标，利用大语言模型选择工具、处理反馈并执行任务。

AI Agent 的执行流程

理解 Agent 工作原理，最重要的是理解它的执行循环（Agent Loop）。

一种常见的实现方式是 ReAct（Reasoning and Acting），即将推理和行动结合起来。

Agent 不一定一次完成所有决策，而是可以根据工具执行结果，持续判断下一步应该做什么。

基本过程如下：

用户输入任务↓模型分析当前任务↓选择工具并生成参数↓执行程序调用工具↓获取工具返回结果↓模型判断任务是否完成├──未完成：继续调用工具└──已完成：输出最终结果

例如，用户要求"查找某个 Python 库的最新版本，并生成安装命令"。

1. Agent 判断需要查询软件包版本。

2. 调用软件包信息查询工具。

3. 获取版本号和相关信息。

4. 根据查询结果生成安装命令。

5. 检查结果是否满足要求，然后向用户返回。

如果查询失败，Agent 可以根据错误信息重试，也可以选择停止任务并报告失败原因。

需要注意，ReAct 只是 Agent 的一种执行模式。实际系统也可以使用预定义工作流、任务规划器或其他编排机制。

一次完整的工具调用过程

假设用户提出以下任务：

帮我计算商品总价，单价 89 元，购买 6 件，再减去 30 元优惠券。

Agent 可以按照下面的方式处理：

第一步：理解任务

模型识别出单价、数量和优惠金额，判断需要执行数值计算。

第二步：选择工具

假设系统提供了名为calculate_total的计算工具，模型可以生成以下参数：

{"price":89,"quantity":6,"discount":30}

第三步：执行工具

Agent 的执行程序接收参数，调用实际的 Python 函数：

def calculate_total(price, quantity, discount):return price * quantity - discount

第四步：获取结果

工具返回：

504

第五步：生成回答

模型根据工具返回的结果，向用户说明：

商品总价为 89 × 6 = 534 元，减去 30 元优惠券后，实际需要支付 504 元。

这个过程展示了 Agent 中模型与工具的分工：模型负责理解任务和选择操作，执行程序调用函数，工具计算结果，最后再由模型整理回答。

Python 中实现 AI Agent

下面使用 Python 实现一个简单的 Agent 工作流程。

为了方便初学者理解，我们先使用普通 Python 函数分别模拟感知、决策、行动和记忆模块，再将它们组合成一个可以运行的程序。

注意：下面的基础示例使用关键词匹配进行决策，没有连接真正的大语言模型，因此属于 Agent 工作流程的教学模拟，而不是完整的 LLM Agent。

1、感知模块

感知模块负责获取外部输入。

在命令行程序中，最简单的感知方式就是使用 Python 的input()函数读取用户输入。

实例

# 感知模块：读取用户输入def perceive(): user_input=input("请输入指令：")returnuser_input.strip()# 获取用户输入message=perceive()print("收到指令：", message)

执行程序后，假设输入：

请输入指令：计算10+5收到指令：计算10+5

这里的感知模块只处理文本输入。对于其他 Agent，还可以通过 API 获取数据、读取文件或者使用多模态模型处理图片和音频。

2、决策模块

决策模块负责分析输入，决定执行什么操作。

真实的 LLM Agent 通常利用模型进行任务理解和工具选择。这里先通过关键词判断模拟这一过程。

实例

# 决策模块：根据关键词选择操作def make_decision(message): message=message.strip()ifmessage.lower()in("退出","exit","quit"):return"exit"if"天气"inmessage:return"weather"if"计算"inmessage:return"calculator"return"chat"# 测试决策模块message="帮我计算 10 + 5"decision=make_decision(message)print("决策结果：", decision)

执行结果：

决策结果： calculator

该示例只负责识别任务类型，并没有理解完整的数学表达式。

在实际 Agent 系统中，模型可以根据工具说明和用户指令，生成更具体的操作参数。

3、工具与行动模块

行动模块负责执行决策模块选择的操作。

工具可以是普通 Python 函数，也可以是外部 API、数据库接口或代码执行环境。

下面定义一个简单的计算器工具，支持加、减、乘、除运算。

实例

# 计算器工具def calculator(a, b,operator):ifoperator=="+":returna + bifoperator=="-":returna - bifoperator=="*":returna * bifoperator=="/":ifb==0: raiseValueError("除数不能为 0")returna / b raiseValueError("不支持的运算符")# 调用工具result=calculator(3,5,"*")print("计算结果：", result)

执行结果：

计算结果：15

在这个例子中，calculator()就是一个工具。Agent 可以根据任务需要调用它，并使用其返回结果。

相比直接使用eval()，这种明确指定运算符的方式更容易限制允许执行的操作。

对于更复杂的计算器，可以使用 Python 的ast模块解析受限制的数学表达式，但不应该直接使用eval()执行不可信的用户输入。

4、记忆模块

记忆模块用于保存对话历史、任务状态以及工具调用结果。

对于简单的命令行 Agent，可以使用 Python 列表保存当前会话内容。

实例

# 使用列表保存对话历史history=[]def save_message(role, content): history.append({"role":role,"content":content})# 模拟用户与 Agent 的对话save_message("user","计算 3 + 5")save_message("assistant","计算结果：8")save_message("user","再乘以 2")save_message("assistant","计算结果：16")# 查看历史记录foriteminhistory: print(item["role"],":", item["content"])

执行结果：

user :计算3+5assistant :计算结果：8user :再乘以2assistant :计算结果：16

这里的历史记录是预先写入的示例数据，仅用于演示保存方式，并不表示程序已经能够理解"再乘以 2"这样的上下文指令。

如果需要让 Agent 真正利用对话历史作出决策，可以将相关历史信息传递给模型，或者在执行程序中维护明确的任务状态。

对于需要跨会话保存的数据，可以进一步使用 SQLite、Redis 或其他数据库。

实践练习：创建一个简单的命令行 Agent

前面分别实现了输入读取、任务判断、工具执行和历史记录。接下来将这些功能组合成一个可以持续运行的命令行程序。

这个程序包含以下功能：

• 支持连续输入指令。
• 根据关键词选择天气或计算工具。
• 支持加、减、乘、除运算。
• 记录本次会话历史。
• 输入"退出"后结束程序。

为了方便测试，天气查询使用固定的模拟数据，不会调用真实的天气 API。

计算器使用正则表达式解析简单算式，不执行任意 Python 代码。

实例

importre# 模拟天气数据WEATHER_DATA={"北京":"晴，25℃","上海":"多云，23℃","广州":"小雨，28℃","深圳":"晴，29℃"}# 短期记忆：保存对话历史history=[]# 感知模块：读取输入def perceive(): returninput("您：").strip()# 决策模块：识别任务类型def make_decision(message):ifmessage.lower()in("退出","exit","quit"):return"exit"if"天气"inmessage:return"weather"if"计算"inmessage orre.search(r"/d/s*[/+/-/*/]/s*/d", message):return"calculator"return"chat"# 天气工具：返回模拟数据def get_weather(message):forcity, weatherinWEATHER_DATA.items():ifcityinmessage:returnf"{city}天气：{weather}（模拟数据）"return"请输入北京、上海、广州或深圳进行查询。"# 计算器工具def calculator(message):# 只识别两个数字组成的简单算式pattern=(r"(-?/d+(?:/./d+)?)"r"/s*([/+/-/*/])/s*"r"(-?/d+(?:/./d+)?)")match=re.search(pattern, message)ifnot match:return"请输入算式，例如：计算 10 + 5"a=float(match.group(1))op=match.group(2)b=float(match.group(3))ifop=="+":result=a + belifop=="-":result=a - belifop=="*":result=a * belifop=="/":ifb==0:return"计算错误：除数不能为 0"result=a / b else:return"不支持的运算符"returnf"计算结果：{result:g}"# 行动模块：调用对应工具def execute_action(decision, message):ifdecision=="weather":returnget_weather(message)ifdecision=="calculator":returncalculator(message)return"暂时无法处理该指令，请尝试天气查询或计算。"# 保存对话历史def save_history(role, content): history.append({"role":role,"content":content})# Agent 主循环def run_agent(): print("简单 Agent 已启动")print("支持天气查询、算术计算")print("输入"退出"结束程序/n")whileTrue: try: message=perceive()except(EOFError,KeyboardInterrupt): print("/n程序已结束")breakifnot message:continue# 识别任务decision=make_decision(message)ifdecision=="exit":print("Agent：再见！")break# 保存用户输入save_history("user", message)# 执行操作response=execute_action(decision, message)# 输出结果print("Agent：", response)# 保存 Agent 回复save_history("assistant", response)# 显示本次对话历史print("/n本次对话历史：")foriteminhistory: print(f"{item['role']}：{item['content']}")if__name__=="__main__":run_agent()

将以上代码保存为simple_agent.py，然后在终端执行：

python simple_agent.py

也可以使用：

python3 simple_agent.py

程序运行示例：

简单Agent已启动支持天气查询、算术计算输入“退出”结束程序您：北京天气Agent：北京天气：晴，25℃（模拟数据）您：计算10+5Agent：计算结果：15您：计算20/4Agent：计算结果：5您：退出Agent：再见！本次对话历史：user：北京天气assistant：北京天气：晴，25℃（模拟数据）user：计算10+5assistant：计算结果：15user：计算20/4assistant：计算结果：5

程序说明：

• perceive()

：读取用户输入。

• make_decision()

：根据输入识别任务类型。

• get_weather()

：返回预先定义的模拟天气数据。

• calculator()

：解析并执行简单算术运算。

• execute_action()

：根据决策调用对应工具。

• save_history()

：保存用户消息和程序回复。

• run_agent()

：负责组织整个执行循环。

这个程序不依赖第三方 Python 库，使用 Python 3 即可运行。

需要注意，程序的决策逻辑仍然是固定的关键词匹配，因此无法像真正的大语言模型一样理解复杂语义，也不会根据历史对话自动进行多步骤推理。

它的主要目的是展示 Agent 中输入、决策、工具调用、状态保存和执行循环之间的关系。

如何将它升级为真正的 LLM Agent？

上面的程序已经具备基本的执行框架，但最重要的决策模块仍由固定规则实现。

如果要让程序具备大语言模型驱动的任务理解与工具选择能力，可以将关键词匹配替换为 LLM 的工具调用机制。

基本步骤如下：

1. 选择一个支持工具调用的大语言模型。

2. 定义可以调用的工具及参数。

3. 将用户任务和工具定义发送给模型。

4. 读取模型返回的工具调用请求。

5. 验证参数并执行对应的 Python 函数。

6. 将工具结果返回给模型，继续下一轮处理。

7. 任务完成后，输出最终结果。

例如，在基础示例中，工具选择是通过以下代码完成的：

if"天气"in message:return"weather"

如果接入支持 Function Calling 的大语言模型，就可以让模型根据用户指令及工具说明，判断是否需要调用get_weather，并生成相关参数。

这样就不再需要为每一种自然语言表达单独编写关键词判断规则。

不过，实际开发仍需要限制工具权限、验证参数、处理调用错误，并设置执行次数和运行时间限制。

常见开发方式

开发 LLM Agent 时，可以选择直接调用模型 API，也可以使用 Agent 开发框架。

对于初学者，建议先理解 Python 函数调用、JSON 数据、API 请求和任务循环，再逐步学习框架。

这样更容易理解 Agent 的实际执行过程，也方便排查工具调用失败、状态管理错误等问题。

总结

AI Agent 的工作原理可以概括为：接收任务、分析任务、选择工具、执行操作、读取反馈，并根据结果决定是否继续执行。

一个典型的 LLM Agent 通常包含以下几个关键部分：

• 大语言模型：

理解任务并生成决策。

• 工具：

执行具体操作并返回结果。

• 状态与记忆：

保存任务上下文和执行进度。

• 执行循环：

组织模型调用、工具执行和结果检查。

本文通过 Python 实现了一个简单的命令行 Agent 流程模拟，展示了这些模块如何协同工作。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包：

• ✅ 从零到一的 AI 学习路径图
• ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
• ✅ 百度/阿里专家闭门录播课
• ✅ 大模型当下最新行业报告
• ✅ 真实大厂面试真题
• ✅ 2026 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要《AI大模型入门+进阶学习资源包》，下方扫码获取~

① 全套AI大模型应用开发视频教程

（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）

② 大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

③ 大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

④ AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

⑤ 大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

⑥ 大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

以上资料如何领取？

为什么大家都在学大模型？

最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！

不出1年，“有AI项目经验”将成为投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

以上全套大模型资料如何领取？