AI Agent开发实战：从0到1构建你的第一个智能助手（2026版）

AI Agent开发实战从0到1构建你的第一个智能助手2026年AI Agent赛道融资127亿美元。这个数字背后是整个行业对会自己干活的AI的狂热追捧。今天我手把手教你从0到1构建一个AI Agent。不讲概念直接上代码。一、什么是AI Agent简单说AI Agent LLM大模型 Tools工具 Memory记忆。传统AI用户问它答。回答完了结束。AI Agent用户说帮我筛选简历它自己调用招聘系统、分析简历、生成报告、把结果发给你。中间可能调用10个工具做50步推理。核心区别一个是给建议一个是帮你干活。二、核心架构class AIAgent: def __init__(self, model, tools, memory): self.llm model # 大模型 self.tools tools # 可用工具 self.memory memory # 记忆系统 def run(self, task): # 1. 理解任务 plan self.llm.plan(task) # 2. 规划步骤 steps self.llm.decompose(plan) # 3. 执行循环 for step in steps: if step.need_tool: result self.execute_tool(step.tool, step.params) else: result self.llm.think(step) # 4. 更新记忆 self.memory.add(step, result) # 5. 返回结果 return self.memory.get_result()三、实战构建简历筛选AgentStep 1: 定义工具from langchain.tools import tool tool def read_resume(file_path: str) - dict: 读取简历文件返回结构化数据 import json with open(file_path, r, encodingutf-8) as f: data json.load(f) return { name: data.get(name, ), skills: data.get(skills, []), experience: data.get(experience, []), education: data.get(education, ), score: 0 } tool def score_resume(resume: dict, requirements: dict) - dict: 根据岗位要求给简历打分 score 0 # 技能匹配度 (40分) required_skills set(requirements.get(skills, [])) candidate_skills set(resume.get(skills, [])) skill_match len(required_skills candidate_skills) / len(required_skills) score skill_match * 40 # 经验年限 (30分) exp_years resume.get(experience_years, 0) required_exp requirements.get(min_experience, 0) if exp_years required_exp: score 30 elif exp_years required_exp * 0.8: score 20 # 学历匹配 (30分) edu_score {博士: 30, 硕士: 25, 本科: 20, 专科: 10} edu edu_score.get(resume.get(education, ), 0) required_edu requirements.get(min_education, 本科) if edu edu_score.get(required_edu, 20): score edu resume[score] round(score, 1) return resume tool def send_notification(recipient: str, content: str): 发送通知邮件/消息 # 实际场景调用邮件API或消息队列 print(f通知已发送给 {recipient}: {content}) return {status: sent}Step 2: 构建Agentfrom langchain.agents import AgentExecutor, create_react_agent from langchain_openai import ChatOpenAI # 初始化模型 llm ChatOpenAI(modelgpt-4o, temperature0) # 定义工具列表 tools [read_resume, score_resume, send_notification] # 创建Agent agent create_react_agent(llm, tools) # 创建执行器 agent_executor AgentExecutor( agentagent, toolstools, verboseTrue, max_iterations10 ) # 运行 result agent_executor.invoke({ input: 帮我筛选简历岗位要求 - 技能Python, SQL, 数据分析 - 最低经验3年 - 最低学历本科 简历文件在 /data/resumes/ 目录下。 把分数最高的前5份简历整理成报告发给我。 }) print(result[output])Step 3: 添加记忆系统from langchain.memory import ConversationBufferMemory class ResumeAgentWithMemory: def __init__(self): self.llm ChatOpenAI(modelgpt-4o, temperature0) self.tools [read_resume, score_resume, send_notification] self.memory ConversationBufferMemory( memory_keychat_history, return_messagesTrue ) self.agent create_react_agent(self.llm, self.tools) self.executor AgentExecutor( agentself.agent, toolsself.tools, memoryself.memory, verboseTrue ) def run(self, task: str): # 加入历史上下文 history self.memory.chat_memory.messages context f之前的对话{history}\n\n当前任务{task} result self.executor.invoke({input: context}) # 记忆关键结果 self.memory.chat_memory.add_user_message(task) self.memory.chat_memory.add_ai_message(result[output]) return result def get_candidates(self, min_score: float 70): 查询分数70的候选人 # 实际场景从数据库查询 pass四、避坑指南坑1: 工具调用死循环# ❌ 错误Agent可能在两个工具间无限循环 # tool_a - tool_b - tool_a - tool_b ... # ✅ 解决设置 max_iterations 工具优先级 agent_executor AgentExecutor( agentagent, toolstools, max_iterations10, # 最多执行10步 early_stoppingTrue # 结果足够好就停止 )坑2: Token溢出# ❌ 错误传入太多简历导致上下文溢出 # ✅ 解决分批处理 摘要压缩 def batch_process_resumes(resumes, batch_size10): results [] for i in range(0, len(resumes), batch_size): batch resumes[i:ibatch_size] # 先摘要再合并 batch_summary summarize_batch(batch) results.append(batch_summary) return merge_summaries(results)坑3: 工具返回格式不一致# ✅ 解决统一返回格式 Schema验证 from pydantic import BaseModel class ResumeScoreResult(BaseModel): name: str score: float match_reasons: List[str] risks: List[str] def score_resume(resume: dict, requirements: dict) - ResumeScoreResult: # 标准化处理 score_result _calculate_score(resume, requirements) return ResumeScoreResult( nameresume[name], scorescore_result[total], match_reasonsscore_result[strengths], risksscore_result[weaknesses] )五、生产环境注意事项监控Agent行为记录每一步的工具调用和结果便于调试和审计设置熔断机制单次任务超时、每日调用量限制结果校验Agent输出可能有幻觉重要决策需要人工复核成本控制LLM调用是成本大户做好Token统计和预算六、总结AI Agent开发的核心就三件事定义好工具工具越精准Agent越能干设计好Prompt让Agent理解什么时候用什么工具管理好记忆让Agent在长对话中保持连贯工具不会淘汰人但会用工具的人会淘汰不会用的人。与其担心被AI替代不如学会让AI替你干活。