企业官网建设流程全解析

1. 项目概述：用Python构建极简Agent的核心思路

200行代码实现一个智能体听起来像天方夜谭？其实只要抓住Agent技术的三个核心要素：意图理解、工具调用和决策循环，就能搭建出具备基础智能的微型系统。这个项目将使用纯Python实现，不依赖任何复杂框架，通过最精简的代码揭示智能体运作的本质。

现代智能体开发通常有两种技术路线：基于ReAct的复杂规划型和基于Function Calling的轻量执行型。我们选择后者作为实现方案，因为它更符合"极简"的定位，且能直观展示LLM如何与外部工具交互。整个系统的工作流程可以简化为：接收用户输入→分析意图→选择工具→执行动作→返回结果。

2. 核心组件拆解与实现

2.1 意图理解模块

class IntentParser: def __init__(self, llm_client): self.llm = llm_client def parse(self, user_input): prompt = f"""分析用户意图并返回JSON格式结果。可选意图类型： - weather_query: 天气查询 - math_calculation: 数学计算 - general_qa: 通用问答 输入：{user_input} 输出格式：{"intent": "<类型>", "params": {"<参数名>": "<参数值>"}}""" response = self.llm.generate(prompt) try: return json.loads(response) except json.JSONDecodeError: return {"intent": "general_qa", "params": {}}

这个简易解析器展示了几个关键设计点：

1. 限定意图范围提高准确率
2. 结构化输出便于后续处理
3. 添加异常处理保证鲁棒性

2.2 工具调用系统

class ToolManager: def __init__(self): self.tools = { "get_weather": { "func": self._get_weather, "desc": "获取指定城市的天气信息" }, "calculate": { "func": self._calculate, "desc": "执行数学计算" } } def execute(self, tool_name, params): if tool_name not in self.tools: raise ValueError(f"未知工具：{tool_name}") return self.tools[tool_name]["func"](params) def _get_weather(self, params): # 模拟天气API调用 return f"{params['location']}天气：晴，25℃" def _calculate(self, params): try: result = eval(params["expression"]) return f"计算结果：{result}" except: return "计算失败，请检查表达式"

工具系统的设计要点：

1. 统一注册管理机制
2. 每个工具包含执行函数和描述
3. 安全的参数传递方式

3. 决策循环与执行引擎

3.1 主控制循环实现

class AgentEngine: def __init__(self): self.llm = LiteLLMClient() # 简化的LLM客户端 self.parser = IntentParser(self.llm) self.tools = ToolManager() def run(self, user_input): # 第一轮：意图解析 intent = self.parser.parse(user_input) # 第二轮：工具选择与执行 if intent["intent"] == "weather_query": result = self.tools.execute("get_weather", intent["params"]) elif intent["intent"] == "math_calculation": result = self.tools.execute("calculate", intent["params"]) else: result = self.llm.generate(user_input) return result

这个核心引擎展示了智能体的基本工作模式：

1. 将自然语言转化为结构化意图
2. 根据意图路由到具体工具
3. 处理工具返回结果

3.2 增强型决策流程

基础版本只能处理单轮交互，我们可以添加反思机制来增强能力：

def enhanced_run(self, user_input): context = [] for _ in range(3): # 最多3轮交互 intent = self.parser.parse(user_input, context) if intent["intent"] == "final_answer": return intent["params"]["answer"] tool_result = self.tools.execute(intent["tool"], intent["params"]) context.append({ "user": user_input, "tool_used": intent["tool"], "result": tool_result }) # 让LLM判断是否需要继续 continue_decision = self.llm.generate( f"根据以下对话历史，是否需要继续追问？\n" f"{json.dumps(context, ensure_ascii=False)}\n" f"只需回答yes或no" ) if "no" in continue_decision.lower(): break return self.llm.generate(f"综合以下信息回答问题：\n{context}")

4. 实战优化技巧

4.1 工具描述的魔法

工具的描述文字直接影响LLM的选择准确率。好的描述应该：

• 明确说明工具的适用场景
• 列举典型的输入输出示例
• 指出与其他工具的区别

例如，天气查询工具可以这样描述：

获取实时天气数据。适用于用户询问某地当前或未来天气的场景。 输入示例：{"location": "北京", "date": "2023-10-01"} 输出示例：{"status": "晴", "temp": "22℃"} 区别于天气预报工具，本工具只返回当前实时数据。

4.2 参数校验策略

在工具执行前添加参数校验层：

def validate_params(self, tool_name, params): schemas = { "get_weather": { "location": {"type": str, "required": True}, "date": {"type": str, "required": False} } } if tool_name not in schemas: return False for param, config in schemas[tool_name].items(): if config["required"] and param not in params: return False if param in params and not isinstance(params[param], config["type"]): return False return True

4.3 性能优化技巧

1. 工具预热：提前加载常用工具的资源
2. 结果缓存：对相同参数的查询缓存结果
3. 批量处理：合并多个工具调用请求

class CachedToolManager(ToolManager): def __init__(self): super().__init__() self.cache = {} def execute(self, tool_name, params): cache_key = f"{tool_name}_{json.dumps(params, sort_keys=True)}" if cache_key in self.cache: return self.cache[cache_key] result = super().execute(tool_name, params) self.cache[cache_key] = result return result

5. 典型问题排查指南

5.1 工具选择错误

症状：LLM总是选择错误的工具 排查步骤：

1. 检查工具描述是否清晰明确
2. 验证意图解析的prompt是否合理
3. 测试不同表述方式对结果的影响

解决方案示例：

# 在意图解析prompt中添加示例 prompt = f"""分析用户意图（示例）： 输入："北京明天天气如何？" 输出：{"intent": "weather_query", "params": {"location": "北京", "date": "明天"}} 当前输入：{user_input} """

5.2 参数提取不准

症状：工具执行时缺少必要参数 解决方案：

1. 添加参数校验中间件
2. 实现参数回填机制

def param_fallback(self, tool_name, params): required_params = self.get_required_params(tool_name) for param in required_params: if param not in params: # 让LLM补充缺失参数 value = self.llm.generate( f"需要补充参数{param}的值，用户原话：{params.get('_original_input','')}" ) params[param] = value return params

5.3 循环失控

症状：Agent陷入无限循环 防护措施：

1. 设置最大循环次数
2. 添加超时中断
3. 实现循环检测

def safe_run(self, user_input): start_time = time.time() loop_count = 0 while loop_count < self.max_loops and time.time()-start_time < self.timeout: loop_count += 1 # ...原有逻辑... # 检查是否陷入循环 if len(context) > 2 and context[-1]["tool_used"] == context[-3]["tool_used"]: break

6. 扩展方向与进阶思考

这个基础框架可以沿多个方向扩展：

1. 多工具组合：实现工具间的数据传递

class PipelineTool: def execute(self, tools_sequence, initial_input): data = initial_input for tool in tools_sequence: data = tool.execute(data) return data

2. 动态工具加载：运行时添加新工具

def hot_load_tool(self, tool_def): self.tools[tool_def["name"]] = { "func": tool_def["func"], "desc": tool_def.get("desc", "") }

3. 可视化监控：实时展示Agent决策过程

class VisualAgent(AgentEngine): def run(self, user_input): self.visualize("开始处理输入", user_input) intent = self.parser.parse(user_input) self.visualize("解析意图", intent) # ...其余步骤添加可视化点...

在200行代码的约束下，我们做出了多个折中设计：

• 使用简易的LLM客户端替代完整API
• 省略了复杂的错误恢复机制
• 采用内存存储而非数据库

这些设计使得代码保持简洁的同时，完整呈现了智能体的核心原理。要构建生产级Agent，还需要考虑分布式执行、持久化存储、权限控制等企业级特性，但那将是另一个故事了。