【Mini AI Agent】如何用 100 行代码构建一个最小智能体？

本文链接：https://blog.csdn.net/eMac/article/details/138472445

今年 3 月份，知名人工智能科学家吴恩达（Andrew Ng）在社交平台 X 上发帖提到，“我认为 AI 代理工作流程将在今年推动 AI 的大规模进步——甚至可能比下一代基础模型还要多…GPT-3.5（零样本）的正确率为 48.1%，GPT-4（零样本）为 67.0%，而在智能体循环中，GPT-3.5 的正确率高达 95.1%”。此贴发出之后，引发了业界广泛关注。有人表示，这代表着 AI 发展中的范式转变。

本文首先对智能体（AI Agent）的概念做一个简单介绍，然后详细拆解一个仅用 100 行代码构建的极简智能体应用。

1 什么是智能体？

**智能体（AI Agent）**是一种超越简单文本生成的人工智能系统，它使用大语言模型（LLM）作为其核心计算引擎，使其能够进行对话、推理、执行任务，展现一定程度的自主性。

在智能体架构中，核心功能可以归纳为三个步骤的循环：感知-决策-行动。智能体首先通过感知机制收集环境信息，然后基于该信息和预设目标，通过决策机制制定行动计划，最终通过动作执行机制实施这些计划。

在这里插入图片描述
图：智能体架构示意

2 示例：Mini AI Agent

了解了智能体的概念，接下来我们一起一步步拆解一个仅用 100 行代码构建的最小智能体应用，耗时约 1 个小时。

2.1 效果演示

先来看一下效果演示，

在这里插入图片描述
图：Mini AI Agent应用演示

看似平淡无奇的两次问答，实际上已经体现了智能体的核心循环：感知-决策-行动。

感知：接收问题
决策：理解问题，确定目标，然后通过推理决定使用何种工具（即制定计划）
行动：使用工具获取信息，然后生成答案

2.2 环境准备

申请账号：百度千帆

访问百度智能云千帆，注册账号并登录千帆大模型控制台
打开模型服务-应用接入页面，创建应用，记下 API Key 和 Secret Key 备用
打开模型服务-在线服务页面，找到 ERNIE-3.5-8K（支持函数功能），开通付费（不用担心，非常便宜，100 次调用才 2 毛钱）

PS: 本文只是以百度千帆为例，大家可以根据自身经验，替换成其他任何支持函数功能的大模型，比如智谱清言、Azure、OpenAI等。

搭建本地开发环境：Jupyter Notebook

访问 Anaconda 官网，下载安装包并安装 Anaconda
命令行运行 conda install jupyter notebook，安装 Jupyter Notebook
打开 GitHub 示例项目 emac/langchain-samples，git clone 到本地
命令行打开 langchain-samples 目录，运行 jupyter notebook，打开 Jupyter Notebook

2.3 程序拆解

准备好环境之后，就可以进入程序员最喜欢的实操环节了！

安装依赖

!pip install langchain langchain-community langchain-core gradio

依赖说明：

langchain: 最著名的开发大语言模型应用的开源框架，没有之一
gradio: 一个用于快速构建机器学习模型的交互式 Web 应用的 Python 库

初始化大模型

from langchain_community.llms import QianfanLLMEndpoint
import os

print("# 初始化千帆")
os.environ["QIANFAN_AK"]='千帆应用的 API Key'
os.environ["QIANFAN_SK"]='千帆应用的 Secret Key'

llm = QianfanLLMEndpoint(streaming=True,
                         model="ERNIE-3.5-8K",
                         temperature=0.1)

response = llm.invoke("上海春天一般哪个月开始？")
print(response)

执行之前先替换之前记录的千帆应用的 API Key 和 Secret Key。

程序解读：

初始化环境变量，创建一个千帆 LLM 实例
发起（人生）第一次大模型 API 调用，如果不成功则返回检查环境和依赖

定义函数

from langchain import PromptTemplate, LLMChain
from langchain.chains import LLMRequestsChain
from langchain_core.tools import tool
from langchain_core.utils.function_calli