一文彻底搞懂什么是AI Agent

最近AI Agent非常火，一个好的AI Agent可以重构一个行业。接下去，我们通过四个子篇目带你由浅入深，循序渐进彻底了解AI Agent。

一、概念篇

1、AI Agent的定义与核心能力

AI Agent（人工智能代理）是一种能够感知环境、进行推理决策并执行任务的智能实体。其核心在于结合大语言模型（LLM）与工具调用能力，实现自主化的复杂任务处理。与传统AI系统不同，AI Agent不仅能理解用户意图，还能通过规划、记忆和工具使用逐步完成目标，例如从生成菜谱到自动下单食材并监控烹饪全过程。

根据OpenAI的定义，AI Agent需具备以下关键模块：

• 感知：通过输入设备或数据接口获取环境信息（如用户指令、传感器数据）；
• 推理与规划：分解复杂任务为子任务，制定执行路径；
• 工具调用：通过API或外部工具与环境交互（如调用电商接口下单）；
• 记忆：利用向量数据库等存储上下文信息，支持连续对话和任务衔接

2、实现AI Agent的技术路径

AI Agent的实现主要依赖以下技术框架：

大语言模型是核心，像GPT-4、GLM-4等，它们负责语义理解和推理，处理用户输入并生成任务规划。

功能模块集成方面： 工具调用通过API连接外部系统，比如电商平台、工业设备，这相当于给Agent装上了“手”和“脚”，让它能真正去执行任务； 记忆系统则使用向量数据库存储对话历史或任务状态，避免信息断层，保证对话和任务的连贯性； 任务编排会结合语义内核，例如Semantic Kernel，或者低代码平台，比如Coze，来实现多步骤流程自动化。

开发模式分为两种： 高代码开发是通过编程语言，像Python或C#，直接集成大模型与业务逻辑，这种方式很灵活，但对开发者要求高，门槛较高； 低代码平台则通过拖拽配置工作流，能快速生成Agent，比如华为云的BOAT平台，降低了开发难度和时间成本。

技术挑战主要体现在： 幻觉问题上，大模型生成的内容可靠性不足，例如GPT-4.5的幻觉率仍达7.1%，这可能导致执行错误，影响Agent的准确性和可信度； 系统整合方面，AI Agent需要与企业现有的IT架构，如CRM、ERP等深度对接，以确保数据流与业务逻辑的兼容，这对企业的技术架构和开发团队的整合能力提出了较高要求。

3、主要应用场景

AI Agent的应用场景非常丰富，以下是一些典型的应用领域：

在企业服务与工业领域，AI Agent在生产优化方面能够预测设备故障，自动调度生产线，像创新奇智的工业Agent平台就很有代表性。在供应链管理中，它能动态调整库存，优化物流路径。

金融与电商领域，智能投研是AI Agent的一大应用，它能分析市场趋势，提供动态定价建议。在个性化推荐方面，AI Agent基于用户行为生成营销内容，有效提升转化率。

医疗与教育领域，疾病诊断辅助方面，AI Agent可以分析医学影像，提供治疗建议。在个性化学习上，它能根据学生能力推荐课程，实时答疑。

新兴技术融合方面，Web3与DeFi领域，链上AI代理能够执行交易策略，优化DeFi收益，像$GRIFFAIN等代币项目就运用了这一技术。在自动驾驶领域，AI Agent负责环境感知与路径规划，提升交通效率。

4、未来趋势

技术方向上，多模态Agent是重要趋势，它融合文本、语音、视觉等多维度交互，突破传统单一交互模式的限制，为用户提供更丰富、更自然的交互体验。群体智能同样值得关注，多个Agent协同合作，能够完成更复杂任务，比如在城市交通调度中，多Agent协同优化交通信号灯控制，有效缓解拥堵。

当然还是存在一些争议与挑战，商业化泡沫也是一个现实问题。部分项目被质疑为“套壳”炒作，缺乏核心技术突破，像陈根批评的Manus产品就是典型例子，这警示行业需注重技术创新。伦理与安全同样不容忽视，自动化决策可能引发责任归属问题，比如自动驾驶事故中的责任认定，因此完善监管框架迫在眉睫。

二、实操篇

这一篇，通过实际操作，我们完成一个小小的Demo，从而更好地了解AI Agent的工作原理和底层逻辑。

为了方便大家理解，我们整一个简单的场景：

比如我本地已经安装好了 Ollama，并且已经下载了 DeepSeek-R1-8B大模型，我现在要通过AI Agent方式来实现一个本地天气查询AI Agent完整示例，涵盖核心Agent能力（感知→推理→工具调用→记忆）

1、首先准备环境：

# 安装所需Python库
pip install ollama requests python-dotenv

2、代码实现：

 import ollama
import os
import requests
from dotenv import load_dotenv
import json

# 加载环境变量（用于存储API Key）
load_dotenv()

class WeatherAgent:
    def __init__(self):
        # 记忆模块：保存对话历史
        self.memory = []
        # 工具配置：OpenWeatherMap API
        self.weather_api_key = os.getenv("OPENWEATHER_API_KEY")
        
    def _call_llm(self, prompt):
        """调用LLM时携带完整对话历史"""
        messages = self.memory.copy()  # 载入历史记忆
        messages.append({"role": "user", "content": prompt})  # 添加当前输入
    
        response = ollama.chat(
            model='deepseek-r1:8b',
            messages=messages,  # 关键修改：将历史记忆传入模型
            options={'temperature': 0.3}
        )
        return response['message']['content']
    
    def _extract_location(self, text):
        """从用户输入中提取地理位置（LLM实现）"""
        prompt = f"""请从以下句子中提取地理位置，只返回城市名称：
        示例输入：北京天气怎么样 → 输出：北京
        当前输入：{text} → 输出："""
        return self._call_llm(prompt).strip()
    
    def _get_weather(self, location):
        """工具调用：获取实时天气"""
        url = f"http://api.openweathermap.org/data/2.5/weather?q={location}&appid={self.weather_api_key}&units=metric"
        response = requests.get(url)
        data = response.json()
        return {
            'temperature': data['main']['temp'],
            'humidity': data['main']['humidity'],
            'weather': data['weather'][0]['description']
        }
    
    def run(self):
        print("天气助手已启动（输入exit退出）")
        while True:
            user_input = input("\n用户：")
            if user_input.lower() == 'exit':
                break
        
            # 1. 感知与记忆存储
            self.memory.append({"role": "user", "content": user_input})
        
            # 2. 基于上下文的推理决策
            if self._need_weather_check(user_input):  # 新增判断逻辑
                location = self._extract_location(user_input)
                # ...（后续工具调用保持不变）
                weather_data = self._get_weather(location)
        
            # 3. 生成回复时自动继承上下文
            response = self._call_llm(user_input)  # 现在会携带历史记忆
        
            # 4. 记忆更新
            self.memory.append({"role": "assistant", "content": response})
            print(f"助手：{response}")

    def _need_weather_check(self, text):
        """基于对话历史判断是否需要查询天气"""
        prompt = f"""根据对话历史判断是否需要查询天气：
        对话历史：{self.memory[-3:]} 
        最新输入：{text}
        只需回答yes或no"""
        return "yes" in self._call_llm(prompt).lower()

if __name__ == "__main__":
    # 从 https://home.openweathermap.org/api_keys 申请免费API Key
    # 在.env文件中写入：OPENWEATHER_API_KEY=your_api_key
    agent = WeatherAgent()
    agent.run()

3、运行代码

运行代码前，还需要做一些准备：

申请天气API Key：访问 OpenWeatherMap 注册并获取免费API Key

然后创建环境文件：新建.env文件

OPENWEATHER_API_KEY=你的实际Key

4、启动Agent

python weather_agent.py

测试下交互：

用户：上海今天天气如何？
助手：上海当前天气：多云，温度23.5℃，湿度65%

用户：那北京呢？
助手：北京当前天气：晴，温度18℃，湿度40%

5、关键实现原理解析

感知层

• • 通过用户输入捕获需求
  • 使用_extract_location方法调用LLM提取关键参数

推理层

• • 判断是否需要触发天气查询工具（通过关键词"天气"）
  • 未触发工具时直接调用LLM生成回复

工具调用

• • 集成OpenWeatherMap API实现实时数据获取
  • 结构化数据转换为自然语言

记忆模块

• • 使用self.memory列表保存对话上下文
  • 支持连续对话（示例中可通过扩展记忆使用）

记忆系统的工作原理：

三、解惑篇

1、AI Agent 与 Dify 有什么不同？

2、通俗类比：

• AI Agent ≈ 自动驾驶汽车
  （自主观察路况、实时决策变道）
• Dify ≈ 地铁运行系统
  （按预设轨道行驶，准时但无法绕行）

根据需求选择：
✅ 选Dify：快速实现标准化AI应用
✅ 选AI Agent：处理未知复杂问题

Dify是准Agent开发工具，适合构建轻量级任务代理，但无法替代专业的Agent框架。其定位更接近“AI应用组装平台”而非“自主智能体开发平台”。对于追求高度自主决策的Agent，仍需结合LangChain、Semantic Kernel等框架进行深度开发

四、原理篇

为什么AI Agent可以有自主决策的能力？

为了把这个问题搞清楚，我们再来看一个例子：

from langchain.agents import tool, initialize_agent
from langchain_community.llms import Ollama
import random

# 工具1：风险评估模型
@tool
def risk_assessment(investment_goal: str) -> str:
    """根据投资目标评估风险承受等级"""
    risk_levels = {"保守型": 1, "平衡型": 2, "进取型": 3}
    return random.choice(list(risk_levels.keys())  # 模拟真实评估

# 工具2：组合优化器 
@tool
def portfolio_optimizer(risk_level: str, capital: float) -> dict:
    """根据风险等级生成投资组合"""
    portfolios = {
        "保守型": {"债券": 70, "股票": 20, "黄金": 10},
        "平衡型": {"债券": 50, "股票": 40, "另类": 10},
        "进取型": {"股票": 70, "加密货币": 20, "期货": 10}
    }
    return {k: v*capital/100 for k,v in portfolios[risk_level].items()}

# 工具3：市场情绪分析
@tool
def market_sentiment() -> float:
    """返回当前市场情绪指数（0-1）"""
    return random.uniform(0.3, 0.9)  # 模拟实时数据

# 初始化Agent
llm = Ollama(model="deepseek-r1:14b")
tools = [risk_assessment, portfolio_optimizer, market_sentiment]
agent = initialize_agent(tools, llm, agent_type="react", verbose=True)

# 执行复杂决策
agent.run("我有50万本金，想获得稳定收益但能承受短期波动，当前市场适合如何配置？")

执行代码后，我们可能看到如下的输出：

Thought 1: 
需要先确定用户的风险承受能力。用户希望稳定收益但接受短期波动，这属于平衡型风险偏好。
Action: risk_assessment
Action Input: {"investment_goal": "稳定收益且能承受短期波动"}
Observation: 平衡型

Thought 2: 
接下来需要分析当前市场环境。高情绪指数可能适合增加股票比例。
Action: market_sentiment
Action Input: {}
Observation: 0.68

Thought 3: 
综合风险等级和市场情绪，调整标准组合。市场情绪中等偏上，可适当提升股票比例5%。
Action: portfolio_optimizer  
Action Input: {"risk_level": "平衡型", "capital": 500000}

Final Answer:
建议配置：债券40%（20万）、股票45%（22.5万）、另类15%（7.5万）。基于您的风险承受能力，当前市场环境适宜适度增加权益类资产。

这段代码的核心就是：

tools = [risk_assessment, portfolio_optimizer, market_sentiment]
agent = initialize_agent(tools, llm, agent_type="react", verbose=True)

把可用的工具链存放到tool数组中，然后通过initialize_agent方法，传递给大模型进行自主判断。

看到这里，我们不由自主地会问：大模型是如何自主判断该调用什么工具的呢？

其实是通过以下步骤来实现的：

第一步：通过动态提示工程自动生成工具描述，并将工具描述自动注入到提示词：

# 自动从函数docstring生成工具说明
tool_description = f"""
名称：risk_assessment
功能：{risk_assessment.__doc__}
输入格式：{{"investment_goal": "文本描述"}}
"""

注入到提示词的效果：

你是一个投资顾问助手，可用工具如下：
{tool_descriptions}

请根据用户问题选择工具并生成合规的输入参数。
当前对话历史：{memory}
用户问题：{query}

那么，当一个动态构造好的提示词输入到系统之后，就会经过：“意图识别”--> "工具选择"-->"参数生成"-->"执行调用" 四个环节来完成任务。

LLM会通过思考链来决定选择什么工具，然后构建该工具所需参数，最后完成该工具的自动调用：

# 意图识别：LLM生成的思考过程（Chain of Thought）
Thought: 用户需要投资建议，首先应评估其风险承受能力

# 工具选择：根据工具描述匹配到 risk_assessment
Selected Tool: risk_assessment

# 参数生成：LLM输出结构化参数（JSON格式）
Action Input: {"investment_goal": "50万本金稳健增值"}

# 执行工具调用：LangChain 自动解析并执行
result = risk_assessment(investment_goal="50万本金稳健增值")

以上便是AI Agent能实现自主判断并调用工具的核心原理。

作者：数字梦想家
链接：https://zhuanlan.zhihu.com/p/32539830815
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
 

最近AI Agent非常火，一个好的AI Agent可以重构一个行业。接下去，我们通过四个子篇目带你由浅入深，循序渐进彻底了解AI Agent。

一、概念篇

1、AI Agent的定义与核心能力

AI Agent（人工智能代理）是一种能够感知环境、进行推理决策并执行任务的智能实体。其核心在于结合大语言模型（LLM）与工具调用能力，实现自主化的复杂任务处理。与传统AI系统不同，AI Agent不仅能理解用户意图，还能通过规划、记忆和工具使用逐步完成目标，例如从生成菜谱到自动下单食材并监控烹饪全过程。

根据OpenAI的定义，AI Agent需具备以下关键模块：

• 感知：通过输入设备或数据接口获取环境信息（如用户指令、传感器数据）；
• 推理与规划：分解复杂任务为子任务，制定执行路径；
• 工具调用：通过API或外部工具与环境交互（如调用电商接口下单）；
• 记忆：利用向量数据库等存储上下文信息，支持连续对话和任务衔接

2、实现AI Agent的技术路径

AI Agent的实现主要依赖以下技术框架：

大语言模型是核心，像GPT-4、GLM-4等，它们负责语义理解和推理，处理用户输入并生成任务规划。

功能模块集成方面： 工具调用通过API连接外部系统，比如电商平台、工业设备，这相当于给Agent装上了“手”和“脚”，让它能真正去执行任务； 记忆系统则使用向量数据库存储对话历史或任务状态，避免信息断层，保证对话和任务的连贯性； 任务编排会结合语义内核，例如Semantic Kernel，或者低代码平台，比如Coze，来实现多步骤流程自动化。

开发模式分为两种： 高代码开发是通过编程语言，像Python或C#，直接集成大模型与业务逻辑，这种方式很灵活，但对开发者要求高，门槛较高； 低代码平台则通过拖拽配置工作流，能快速生成Agent，比如华为云的BOAT平台，降低了开发难度和时间成本。

技术挑战主要体现在： 幻觉问题上，大模型生成的内容可靠性不足，例如GPT-4.5的幻觉率仍达7.1%，这可能导致执行错误，影响Agent的准确性和可信度； 系统整合方面，AI Agent需要与企业现有的IT架构，如CRM、ERP等深度对接，以确保数据流与业务逻辑的兼容，这对企业的技术架构和开发团队的整合能力提出了较高要求。

3、主要应用场景

AI Agent的应用场景非常丰富，以下是一些典型的应用领域：

在企业服务与工业领域，AI Agent在生产优化方面能够预测设备故障，自动调度生产线，像创新奇智的工业Agent平台就很有代表性。在供应链管理中，它能动态调整库存，优化物流路径。

金融与电商领域，智能投研是AI Agent的一大应用，它能分析市场趋势，提供动态定价建议。在个性化推荐方面，AI Agent基于用户行为生成营销内容，有效提升转化率。

医疗与教育领域，疾病诊断辅助方面，AI Agent可以分析医学影像，提供治疗建议。在个性化学习上，它能根据学生能力推荐课程，实时答疑。

新兴技术融合方面，Web3与DeFi领域，链上AI代理能够执行交易策略，优化DeFi收益，像$GRIFFAIN等代币项目就运用了这一技术。在自动驾驶领域，AI Agent负责环境感知与路径规划，提升交通效率。

4、未来趋势

技术方向上，多模态Agent是重要趋势，它融合文本、语音、视觉等多维度交互，突破传统单一交互模式的限制，为用户提供更丰富、更自然的交互体验。群体智能同样值得关注，多个Agent协同合作，能够完成更复杂任务，比如在城市交通调度中，多Agent协同优化交通信号灯控制，有效缓解拥堵。

当然还是存在一些争议与挑战，商业化泡沫也是一个现实问题。部分项目被质疑为“套壳”炒作，缺乏核心技术突破，像陈根批评的Manus产品就是典型例子，这警示行业需注重技术创新。伦理与安全同样不容忽视，自动化决策可能引发责任归属问题，比如自动驾驶事故中的责任认定，因此完善监管框架迫在眉睫。

二、实操篇

这一篇，通过实际操作，我们完成一个小小的Demo，从而更好地了解AI Agent的工作原理和底层逻辑。

为了方便大家理解，我们整一个简单的场景：

比如我本地已经安装好了 Ollama，并且已经下载了 DeepSeek-R1-8B大模型，我现在要通过AI Agent方式来实现一个本地天气查询AI Agent完整示例，涵盖核心Agent能力（感知→推理→工具调用→记忆）

1、首先准备环境：

# 安装所需Python库
pip install ollama requests python-dotenv

2、代码实现：

 import ollama
import os
import requests
from dotenv import load_dotenv
import json

# 加载环境变量（用于存储API Key）
load_dotenv()

class WeatherAgent:
    def __init__(self):
        # 记忆模块：保存对话历史
        self.memory = []
        # 工具配置：OpenWeatherMap API
        self.weather_api_key = os.getenv("OPENWEATHER_API_KEY")
        
    def _call_llm(self, prompt):
        """调用LLM时携带完整对话历史"""
        messages = self.memory.copy()  # 载入历史记忆
        messages.append({"role": "user", "content": prompt})  # 添加当前输入
    
        response = ollama.chat(
            model='deepseek-r1:8b',
            messages=messages,  # 关键修改：将历史记忆传入模型
            options={'temperature': 0.3}
        )
        return response['message']['content']
    
    def _extract_location(self, text):
        """从用户输入中提取地理位置（LLM实现）"""
        prompt = f"""请从以下句子中提取地理位置，只返回城市名称：
        示例输入：北京天气怎么样 → 输出：北京
        当前输入：{text} → 输出："""
        return self._call_llm(prompt).strip()
    
    def _get_weather(self, location):
        """工具调用：获取实时天气"""
        url = f"http://api.openweathermap.org/data/2.5/weather?q={location}&appid={self.weather_api_key}&units=metric"
        response = requests.get(url)
        data = response.json()
        return {
            'temperature': data['main']['temp'],
            'humidity': data['main']['humidity'],
            'weather': data['weather'][0]['description']
        }
    
    def run(self):
        print("天气助手已启动（输入exit退出）")
        while True:
            user_input = input("\n用户：")
            if user_input.lower() == 'exit':
                break
        
            # 1. 感知与记忆存储
            self.memory.append({"role": "user", "content": user_input})
        
            # 2. 基于上下文的推理决策
            if self._need_weather_check(user_input):  # 新增判断逻辑
                location = self._extract_location(user_input)
                # ...（后续工具调用保持不变）
                weather_data = self._get_weather(location)
        
            # 3. 生成回复时自动继承上下文
            response = self._call_llm(user_input)  # 现在会携带历史记忆
        
            # 4. 记忆更新
            self.memory.append({"role": "assistant", "content": response})
            print(f"助手：{response}")

    def _need_weather_check(self, text):
        """基于对话历史判断是否需要查询天气"""
        prompt = f"""根据对话历史判断是否需要查询天气：
        对话历史：{self.memory[-3:]} 
        最新输入：{text}
        只需回答yes或no"""
        return "yes" in self._call_llm(prompt).lower()

if __name__ == "__main__":
    # 从 https://home.openweathermap.org/api_keys 申请免费API Key
    # 在.env文件中写入：OPENWEATHER_API_KEY=your_api_key
    agent = WeatherAgent()
    agent.run()

3、运行代码

运行代码前，还需要做一些准备：

申请天气API Key：访问 OpenWeatherMap 注册并获取免费API Key

然后创建环境文件：新建.env文件

OPENWEATHER_API_KEY=你的实际Key

4、启动Agent

python weather_agent.py

测试下交互：

用户：上海今天天气如何？
助手：上海当前天气：多云，温度23.5℃，湿度65%

用户：那北京呢？
助手：北京当前天气：晴，温度18℃，湿度40%

5、关键实现原理解析

感知层

• • 通过用户输入捕获需求
  • 使用_extract_location方法调用LLM提取关键参数

推理层

• • 判断是否需要触发天气查询工具（通过关键词"天气"）
  • 未触发工具时直接调用LLM生成回复

工具调用

• • 集成OpenWeatherMap API实现实时数据获取
  • 结构化数据转换为自然语言

记忆模块

• • 使用self.memory列表保存对话上下文
  • 支持连续对话（示例中可通过扩展记忆使用）

记忆系统的工作原理：

三、解惑篇

1、AI Agent 与 Dify 有什么不同？

2、通俗类比：

• AI Agent ≈ 自动驾驶汽车
  （自主观察路况、实时决策变道）
• Dify ≈ 地铁运行系统
  （按预设轨道行驶，准时但无法绕行）

根据需求选择：
✅ 选Dify：快速实现标准化AI应用
✅ 选AI Agent：处理未知复杂问题

Dify是准Agent开发工具，适合构建轻量级任务代理，但无法替代专业的Agent框架。其定位更接近“AI应用组装平台”而非“自主智能体开发平台”。对于追求高度自主决策的Agent，仍需结合LangChain、Semantic Kernel等框架进行深度开发

四、原理篇

为什么AI Agent可以有自主决策的能力？

为了把这个问题搞清楚，我们再来看一个例子：

from langchain.agents import tool, initialize_agent
from langchain_community.llms import Ollama
import random

# 工具1：风险评估模型
@tool
def risk_assessment(investment_goal: str) -> str:
    """根据投资目标评估风险承受等级"""
    risk_levels = {"保守型": 1, "平衡型": 2, "进取型": 3}
    return random.choice(list(risk_levels.keys())  # 模拟真实评估

# 工具2：组合优化器 
@tool
def portfolio_optimizer(risk_level: str, capital: float) -> dict:
    """根据风险等级生成投资组合"""
    portfolios = {
        "保守型": {"债券": 70, "股票": 20, "黄金": 10},
        "平衡型": {"债券": 50, "股票": 40, "另类": 10},
        "进取型": {"股票": 70, "加密货币": 20, "期货": 10}
    }
    return {k: v*capital/100 for k,v in portfolios[risk_level].items()}

# 工具3：市场情绪分析
@tool
def market_sentiment() -> float:
    """返回当前市场情绪指数（0-1）"""
    return random.uniform(0.3, 0.9)  # 模拟实时数据

# 初始化Agent
llm = Ollama(model="deepseek-r1:14b")
tools = [risk_assessment, portfolio_optimizer, market_sentiment]
agent = initialize_agent(tools, llm, agent_type="react", verbose=True)

# 执行复杂决策
agent.run("我有50万本金，想获得稳定收益但能承受短期波动，当前市场适合如何配置？")

执行代码后，我们可能看到如下的输出：

Thought 1: 
需要先确定用户的风险承受能力。用户希望稳定收益但接受短期波动，这属于平衡型风险偏好。
Action: risk_assessment
Action Input: {"investment_goal": "稳定收益且能承受短期波动"}
Observation: 平衡型

Thought 2: 
接下来需要分析当前市场环境。高情绪指数可能适合增加股票比例。
Action: market_sentiment
Action Input: {}
Observation: 0.68

Thought 3: 
综合风险等级和市场情绪，调整标准组合。市场情绪中等偏上，可适当提升股票比例5%。
Action: portfolio_optimizer  
Action Input: {"risk_level": "平衡型", "capital": 500000}

Final Answer:
建议配置：债券40%（20万）、股票45%（22.5万）、另类15%（7.5万）。基于您的风险承受能力，当前市场环境适宜适度增加权益类资产。

这段代码的核心就是：

tools = [risk_assessment, portfolio_optimizer, market_sentiment]
agent = initialize_agent(tools, llm, agent_type="react", verbose=True)

把可用的工具链存放到tool数组中，然后通过initialize_agent方法，传递给大模型进行自主判断。

看到这里，我们不由自主地会问：大模型是如何自主判断该调用什么工具的呢？

其实是通过以下步骤来实现的：

第一步：通过动态提示工程自动生成工具描述，并将工具描述自动注入到提示词：

# 自动从函数docstring生成工具说明
tool_description = f"""
名称：risk_assessment
功能：{risk_assessment.__doc__}
输入格式：{{"investment_goal": "文本描述"}}
"""

注入到提示词的效果：

你是一个投资顾问助手，可用工具如下：
{tool_descriptions}

请根据用户问题选择工具并生成合规的输入参数。
当前对话历史：{memory}
用户问题：{query}

那么，当一个动态构造好的提示词输入到系统之后，就会经过：“意图识别”--> "工具选择"-->"参数生成"-->"执行调用" 四个环节来完成任务。

LLM会通过思考链来决定选择什么工具，然后构建该工具所需参数，最后完成该工具的自动调用：

# 意图识别：LLM生成的思考过程（Chain of Thought）
Thought: 用户需要投资建议，首先应评估其风险承受能力

# 工具选择：根据工具描述匹配到 risk_assessment
Selected Tool: risk_assessment

# 参数生成：LLM输出结构化参数（JSON格式）
Action Input: {"investment_goal": "50万本金稳健增值"}

# 执行工具调用：LangChain 自动解析并执行
result = risk_assessment(investment_goal="50万本金稳健增值")

以上便是AI Agent能实现自主判断并调用工具的核心原理。

 

 如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

五、AI产品经理大模型教程

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。

• 内容：

  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

• 内容：

  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.3 流水线工程
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​