如果你正在学习AI Agent开发却发现自己被Python基础卡住了手脚这篇文章就是为你准备的。很多人在接触Agent开发时都会遇到一个尴尬的现实那些炫酷的AI项目代码看起来像是天书一样难以理解。为什么会出现这种情况因为大多数AI Agent教程都假设你已经掌握了Python基础直接从Langchain、工具调用、API集成开始讲起。但现实是很多想要进入AI开发领域的学习者可能只有一些编程概念或者是从其他语言转过来的对Python的具体语法和特性并不熟悉。吴恩达的AI课程被誉为入门经典但很多人只看视频不做实践结果就是一看就会一写就废。本文将结合吴恩达AI课程的核心思想为你提供一套完整的Python实战入门指南让你真正掌握Agent开发所需的基础技能。1. 为什么Python是AI Agent开发的首选语言在深入代码之前我们需要理解Python在AI领域的独特优势。这不是简单的Python容易学而是有更深层次的技术原因。生态系统的完整性是首要因素。Python拥有最完善的AI开发库体系NumPy用于数值计算Pandas处理数据Matplotlib进行可视化而像Langchain、LlamaIndex这样的框架专门为AI Agent设计。这种完整的工具链让开发者可以专注于业务逻辑而不是底层实现。动态类型的灵活性在快速原型开发中体现价值。当你需要测试不同的AI模型响应或者调整Agent的行为逻辑时不需要重新编译直接修改即可看到效果。这对于需要大量实验的AI项目来说至关重要。# Python的动态类型示例 def process_ai_response(response): # 不需要预先声明response的类型 if isinstance(response, dict): return response.get(content, ) elif isinstance(response, str): return response else: return str(response) # 同样的函数可以处理多种类型的数据 print(process_ai_response({content: Hello AI})) # 输出: Hello AI print(process_ai_response(Direct response)) # 输出: Direct response社区支持的力量不容忽视。当你遇到问题时无论是基础的语法问题还是复杂的AI集成问题几乎都能在Stack Overflow、GitHub或相关文档中找到解决方案。这种集体智慧对于学习者来说是宝贵的资源。2. Python环境搭建避开新手的第一个坑很多人在环境配置阶段就放弃了其实问题往往出在细节上。让我们一步步搭建一个稳定的Python开发环境。2.1 Python版本选择当前推荐使用Python 3.8-3.11版本。太老的版本可能缺少新特性太新的版本可能存在库兼容性问题。对于AI开发3.9是一个比较稳定的选择。# 检查Python版本 python --version # 或者 python3 --version # 如果系统中有多个Python版本可以使用pyenv管理 pyenv install 3.9.18 pyenv global 3.9.182.2 虚拟环境的重要性虚拟环境是Python开发中的最佳实践但在AI项目中尤其重要。不同的AI项目可能依赖不同版本的库虚拟环境可以避免版本冲突。# 创建虚拟环境 python -m venv ai_agent_env # 激活虚拟环境Windows ai_agent_env\Scripts\activate # 激活虚拟环境Mac/Linux source ai_agent_env/bin/activate # 安装基础AI开发库 pip install langchain openai python-dotenv requests2.3 IDE配置建议VS Code加上Python插件是目前最流行的选择但PyCharm对于大型项目更有优势。关键是要配置好代码提示和调试功能。// VS Code的settings.json配置示例 { python.defaultInterpreterPath: ./ai_agent_env/bin/python, python.analysis.autoImportCompletions: true, python.analysis.typeCheckingMode: basic }3. Python核心语法精要Agent开发最常用的20%你不需要掌握Python的100%特性只需要重点学习Agent开发中最常用的部分。以下是必须掌握的核心概念。3.1 数据类型和结构AI Agent处理的主要是文本数据因此字符串操作和字典处理是重中之重。# 字符串处理 - AI响应解析 ai_response 根据分析用户需要IT服务。推荐联系techexample.com # 字符串方法 print(ai_response.lower()) # 转为小写 print(ai_response.split()) # 分割字符串 print(IT服务 in ai_response) # 检查包含 # 字典操作 - 处理结构化AI数据 lead_data { company: ABC科技, contact: 张三, email: zhangabc.com, needs: [IT支持, 云服务] } # 字典的常用操作 print(lead_data.get(email, 未提供)) # 安全获取 lead_data[status] 新线索 # 添加新字段3.2 函数定义和参数处理AI Agent的本质就是一系列函数的组合因此函数定义和参数传递必须熟练掌握。def process_lead(company_name, contact_infoNone, services_needed[]): 处理潜在客户信息的函数 Args: company_name: 公司名称必需 contact_info: 联系信息可选 services_needed: 需要的服务列表默认空列表 result { company: company_name, timestamp: 2024-01-01 } if contact_info: result[contact] contact_info if services_needed: result[services] services_needed return result # 多种调用方式 lead1 process_lead(测试公司) lead2 process_lead(科技公司, 李四, [IT运维]) lead3 process_lead(company_name创业公司, services_needed[云服务])3.3 错误处理机制AI应用的不确定性很高良好的错误处理是保证系统稳定性的关键。import requests from typing import Dict, Optional def safe_web_request(url: str, timeout: int 10) - Optional[Dict]: 安全的网络请求函数包含完整的错误处理 try: response requests.get(url, timeouttimeout) response.raise_for_status() # 检查HTTP状态码 return response.json() except requests.exceptions.Timeout: print(f请求超时: {url}) return None except requests.exceptions.HTTPError as e: print(fHTTP错误: {e}) return None except Exception as e: print(f未知错误: {e}) return None # 使用示例 result safe_web_request(https://api.example.com/data) if result: print(请求成功, result)4. 面向Agent开发的Python进阶特性掌握了基础语法后我们需要关注那些在AI Agent开发中特别重要的进阶特性。4.1 装饰器增强函数能力装饰器在AI Agent中常用于日志记录、性能监控、权限检查等。import time from functools import wraps def log_execution_time(func): 记录函数执行时间的装饰器 wraps(func) def wrapper(*args, **kwargs): start_time time.time() result func(*args, **kwargs) end_time time.time() print(f{func.__name__} 执行时间: {end_time - start_time:.2f}秒) return result return wrapper def validate_api_key(func): 验证API密钥的装饰器 wraps(func) def wrapper(*args, **kwargs): api_key kwargs.get(api_key) if not api_key or len(api_key) 10: raise ValueError(无效的API密钥) return func(*args, **kwargs) return wrapper log_execution_time validate_api_key def call_ai_model(prompt: str, api_key: str) - str: 模拟调用AI模型 time.sleep(0.5) # 模拟网络延迟 return fAI响应: {prompt} # 使用装饰器增强的函数 response call_ai_model(你好, api_keyvalid_key_12345) print(response)4.2 异步编程提升Agent性能AI Agent经常需要同时处理多个任务异步编程可以大幅提升效率。import asyncio import aiohttp async def fetch_ai_response(session, url, prompt): 异步获取AI响应 try: async with session.post(url, json{prompt: prompt}) as response: return await response.json() except Exception as e: return {error: str(e)} async def process_multiple_queries(prompts): 同时处理多个查询 async with aiohttp.ClientSession() as session: tasks [] for prompt in prompts: task fetch_ai_response(session, https://api.example.com/ai, prompt) tasks.append(task) # 同时执行所有任务 responses await asyncio.gather(*tasks) return responses # 使用示例 prompts [查询天气, 推荐餐厅, 技术支持] responses asyncio.run(process_multiple_queries(prompts)) print(responses)4.3 类型提示提高代码可维护性在复杂的AI项目中类型提示可以帮助你和其他开发者更好地理解代码。from typing import List, Dict, Optional, Union from dataclasses import dataclass dataclass class LeadInfo: 潜在客户信息的数据类 company: str contact_email: Optional[str] services_needed: List[str] confidence_score: float class AIAgent: AI代理基类 def __init__(self, model_name: str, api_key: str): self.model_name model_name self.api_key api_key self.history: List[Dict] [] def process_query(self, query: str) - Union[LeadInfo, str]: 处理查询并返回结构化的结果 # 模拟AI处理逻辑 if IT服务 in query: return LeadInfo( company示例公司, contact_emailcontactexample.com, services_needed[IT支持, 云服务], confidence_score0.85 ) else: return 请提供更具体的信息 def add_to_history(self, query: str, response: Union[LeadInfo, str]) - None: 添加交互历史 self.history.append({ query: query, response: response, timestamp: 2024-01-01 }) # 使用类型提示的代码更加清晰 agent AIAgent(gpt-4, api_key_123) result agent.process_query(需要IT服务支持) if isinstance(result, LeadInfo): print(f找到潜在客户: {result.company})5. 从Python基础到AI Agent实战现在让我们把Python知识应用到实际的AI Agent开发中基于Langchain框架构建一个简单的智能助手。5.1 项目结构设计良好的项目结构是成功的一半特别是对于可能不断扩展的AI项目。ai_agent_project/ ├── main.py # 主程序入口 ├── agents/ # 代理模块 │ ├── __init__.py │ └── sales_agent.py # 销售代理 ├── tools/ # 工具模块 │ ├── __init__.py │ ├── web_tools.py # 网络工具 │ └── data_tools.py # 数据处理工具 ├── models/ # 数据模型 │ └── schemas.py # 数据结构定义 ├── config/ # 配置管理 │ └── settings.py # 配置文件 └── requirements.txt # 依赖列表5.2 基础Agent实现# agents/sales_agent.py import os from typing import List, Dict from langchain.agents import AgentExecutor, create_tool_calling_agent from langchain_core.prompts import ChatPromptTemplate from langchain_google_genai import ChatGoogleGenerativeAI class SalesAgent: 销售AI代理 def __init__(self, model_name: str gemini-2.0-flash): self.llm ChatGoogleGenerativeAI( modelmodel_name, google_api_keyos.getenv(GEMINI_API_KEY) ) self.tools self._setup_tools() self.agent self._create_agent() def _setup_tools(self) - List: 设置代理可用的工具 # 这里可以添加各种工具 from tools.web_tools import WebSearchTool return [WebSearchTool()] def _create_agent(self) - AgentExecutor: 创建代理执行器 prompt ChatPromptTemplate.from_messages([ (system, 你是一个专业的销售助理帮助用户寻找和筛选潜在客户。), (human, {input}), (placeholder, {agent_scratchpad}) ]) agent create_tool_calling_agent( llmself.llm, promptprompt, toolsself.tools ) return AgentExecutor(agentagent, toolsself.tools, verboseTrue) def find_leads(self, industry: str, location: str) - Dict: 寻找潜在客户 query f在{location}寻找{industry}行业的潜在客户 response self.agent.invoke({input: query}) return self._parse_response(response) def _parse_response(self, response: Dict) - Dict: 解析AI响应 # 实际的解析逻辑会根据具体需求实现 return { status: success, data: response.get(output, ), timestamp: 2024-01-01 } # main.py 使用示例 if __name__ __main__: from dotenv import load_dotenv load_dotenv() agent SalesAgent() result agent.find_leads(科技, 北京) print(result)5.3 工具开发实战工具是AI Agent的能力扩展让我们实现一个实用的网页搜索工具。# tools/web_tools.py import requests from bs4 import BeautifulSoup from langchain.tools import Tool from typing import Dict, Any class WebSearchTool: 网页搜索工具 def __init__(self): self.tool Tool( nameweb_search, funcself.search_web, description搜索网页获取最新信息 ) def search_web(self, query: str) - Dict[str, Any]: 执行网页搜索 try: # 这里使用DuckDuckGo或其他搜索API # 简化示例实际项目中需要完整的API集成 mock_results [ { title: f{query}相关公司1, url: https://example.com/1, snippet: f这是关于{query}的第一个搜索结果 }, { title: f{query}相关公司2, url: https://example.com/2, snippet: f这是关于{query}的第二个搜索结果 } ] return { success: True, query: query, results: mock_results, count: len(mock_results) } except Exception as e: return { success: False, error: str(e), query: query, results: [] } def scrape_website(self, url: str) - str: 爬取网站内容 try: response requests.get(url, timeout10) soup BeautifulSoup(response.content, html.parser) # 提取主要文本内容 text soup.get_text() # 清理和简化文本 lines (line.strip() for line in text.splitlines()) chunks (phrase.strip() for line in lines for phrase in line.split( )) text .join(chunk for chunk in chunks if chunk) return text[:2000] # 限制长度 except Exception as e: return f爬取失败: {str(e)}6. 常见问题与解决方案在学习和实践过程中你会遇到各种问题。这里总结了一些典型问题及其解决方法。6.1 环境配置问题问题包安装失败或版本冲突# 解决方案使用虚拟环境和精确版本控制 # requirements.txt示例 langchain0.1.0 openai1.3.0 python-dotenv1.0.0 requests2.31.0 # 安装指定版本 pip install -r requirements.txt # 如果仍有冲突尝试逐个安装 pip install langchain0.1.0问题API密钥管理不当# 错误做法硬编码在代码中 api_key sk-123456789 # 正确做法使用环境变量 import os from dotenv import load_dotenv load_dotenv() # 加载.env文件 api_key os.getenv(OPENAI_API_KEY) # .env文件内容 # OPENAI_API_KEYsk-123456789 # GEMINI_API_KEYyour_gemini_key_here6.2 代码调试技巧问题AI响应解析错误# 添加详细的日志记录 import logging logging.basicConfig(levellogging.INFO) logger logging.getLogger(__name__) def debug_ai_response(response): 调试AI响应 logger.info(f原始响应: {response}) if hasattr(response, content): logger.info(f响应内容: {response.content}) if hasattr(response, additional_kwargs): logger.info(f附加参数: {response.additional_kwargs})问题工具调用失败# 添加工具调用验证 def safe_tool_call(tool_func, *args, **kwargs): 安全的工具调用包装器 try: result tool_func(*args, **kwargs) logger.info(f工具调用成功: {tool_func.__name__}) return result except Exception as e: logger.error(f工具调用失败: {tool_func.__name__}, 错误: {e}) return f工具调用失败: {str(e)}7. 学习路径建议掌握Python基础后建议按照以下路径系统学习AI Agent开发7.1 第一阶段基础巩固1-2周Python语法精要复习常用数据结构熟练运用函数和面向对象编程掌握错误处理和调试技巧7.2 第二阶段框架学习2-3周Langchain核心概念理解工具(Tools)开发实践代理(Agents)工作原理记忆(Memory)机制应用7.3 第三阶段项目实战3-4周完整Agent项目开发API集成和数据处理性能优化和调试部署和监控7.4 持续学习关注最新AI开发趋势参与开源项目贡献阅读优秀项目源码参加技术社区交流Python基础是AI Agent开发的基石但更重要的是持续实践和不断学习。建议从小的项目开始逐步增加复杂度在实际问题中巩固和提升技能。记住每个优秀的AI开发者都经历过从基础到进阶的过程。关键是保持学习的热情勇于实践善于总结。当你能够熟练运用Python解决实际问题时AI Agent开发的大门就真正为你敞开了。
Python基础入门与AI Agent开发实战指南
如果你正在学习AI Agent开发却发现自己被Python基础卡住了手脚这篇文章就是为你准备的。很多人在接触Agent开发时都会遇到一个尴尬的现实那些炫酷的AI项目代码看起来像是天书一样难以理解。为什么会出现这种情况因为大多数AI Agent教程都假设你已经掌握了Python基础直接从Langchain、工具调用、API集成开始讲起。但现实是很多想要进入AI开发领域的学习者可能只有一些编程概念或者是从其他语言转过来的对Python的具体语法和特性并不熟悉。吴恩达的AI课程被誉为入门经典但很多人只看视频不做实践结果就是一看就会一写就废。本文将结合吴恩达AI课程的核心思想为你提供一套完整的Python实战入门指南让你真正掌握Agent开发所需的基础技能。1. 为什么Python是AI Agent开发的首选语言在深入代码之前我们需要理解Python在AI领域的独特优势。这不是简单的Python容易学而是有更深层次的技术原因。生态系统的完整性是首要因素。Python拥有最完善的AI开发库体系NumPy用于数值计算Pandas处理数据Matplotlib进行可视化而像Langchain、LlamaIndex这样的框架专门为AI Agent设计。这种完整的工具链让开发者可以专注于业务逻辑而不是底层实现。动态类型的灵活性在快速原型开发中体现价值。当你需要测试不同的AI模型响应或者调整Agent的行为逻辑时不需要重新编译直接修改即可看到效果。这对于需要大量实验的AI项目来说至关重要。# Python的动态类型示例 def process_ai_response(response): # 不需要预先声明response的类型 if isinstance(response, dict): return response.get(content, ) elif isinstance(response, str): return response else: return str(response) # 同样的函数可以处理多种类型的数据 print(process_ai_response({content: Hello AI})) # 输出: Hello AI print(process_ai_response(Direct response)) # 输出: Direct response社区支持的力量不容忽视。当你遇到问题时无论是基础的语法问题还是复杂的AI集成问题几乎都能在Stack Overflow、GitHub或相关文档中找到解决方案。这种集体智慧对于学习者来说是宝贵的资源。2. Python环境搭建避开新手的第一个坑很多人在环境配置阶段就放弃了其实问题往往出在细节上。让我们一步步搭建一个稳定的Python开发环境。2.1 Python版本选择当前推荐使用Python 3.8-3.11版本。太老的版本可能缺少新特性太新的版本可能存在库兼容性问题。对于AI开发3.9是一个比较稳定的选择。# 检查Python版本 python --version # 或者 python3 --version # 如果系统中有多个Python版本可以使用pyenv管理 pyenv install 3.9.18 pyenv global 3.9.182.2 虚拟环境的重要性虚拟环境是Python开发中的最佳实践但在AI项目中尤其重要。不同的AI项目可能依赖不同版本的库虚拟环境可以避免版本冲突。# 创建虚拟环境 python -m venv ai_agent_env # 激活虚拟环境Windows ai_agent_env\Scripts\activate # 激活虚拟环境Mac/Linux source ai_agent_env/bin/activate # 安装基础AI开发库 pip install langchain openai python-dotenv requests2.3 IDE配置建议VS Code加上Python插件是目前最流行的选择但PyCharm对于大型项目更有优势。关键是要配置好代码提示和调试功能。// VS Code的settings.json配置示例 { python.defaultInterpreterPath: ./ai_agent_env/bin/python, python.analysis.autoImportCompletions: true, python.analysis.typeCheckingMode: basic }3. Python核心语法精要Agent开发最常用的20%你不需要掌握Python的100%特性只需要重点学习Agent开发中最常用的部分。以下是必须掌握的核心概念。3.1 数据类型和结构AI Agent处理的主要是文本数据因此字符串操作和字典处理是重中之重。# 字符串处理 - AI响应解析 ai_response 根据分析用户需要IT服务。推荐联系techexample.com # 字符串方法 print(ai_response.lower()) # 转为小写 print(ai_response.split()) # 分割字符串 print(IT服务 in ai_response) # 检查包含 # 字典操作 - 处理结构化AI数据 lead_data { company: ABC科技, contact: 张三, email: zhangabc.com, needs: [IT支持, 云服务] } # 字典的常用操作 print(lead_data.get(email, 未提供)) # 安全获取 lead_data[status] 新线索 # 添加新字段3.2 函数定义和参数处理AI Agent的本质就是一系列函数的组合因此函数定义和参数传递必须熟练掌握。def process_lead(company_name, contact_infoNone, services_needed[]): 处理潜在客户信息的函数 Args: company_name: 公司名称必需 contact_info: 联系信息可选 services_needed: 需要的服务列表默认空列表 result { company: company_name, timestamp: 2024-01-01 } if contact_info: result[contact] contact_info if services_needed: result[services] services_needed return result # 多种调用方式 lead1 process_lead(测试公司) lead2 process_lead(科技公司, 李四, [IT运维]) lead3 process_lead(company_name创业公司, services_needed[云服务])3.3 错误处理机制AI应用的不确定性很高良好的错误处理是保证系统稳定性的关键。import requests from typing import Dict, Optional def safe_web_request(url: str, timeout: int 10) - Optional[Dict]: 安全的网络请求函数包含完整的错误处理 try: response requests.get(url, timeouttimeout) response.raise_for_status() # 检查HTTP状态码 return response.json() except requests.exceptions.Timeout: print(f请求超时: {url}) return None except requests.exceptions.HTTPError as e: print(fHTTP错误: {e}) return None except Exception as e: print(f未知错误: {e}) return None # 使用示例 result safe_web_request(https://api.example.com/data) if result: print(请求成功, result)4. 面向Agent开发的Python进阶特性掌握了基础语法后我们需要关注那些在AI Agent开发中特别重要的进阶特性。4.1 装饰器增强函数能力装饰器在AI Agent中常用于日志记录、性能监控、权限检查等。import time from functools import wraps def log_execution_time(func): 记录函数执行时间的装饰器 wraps(func) def wrapper(*args, **kwargs): start_time time.time() result func(*args, **kwargs) end_time time.time() print(f{func.__name__} 执行时间: {end_time - start_time:.2f}秒) return result return wrapper def validate_api_key(func): 验证API密钥的装饰器 wraps(func) def wrapper(*args, **kwargs): api_key kwargs.get(api_key) if not api_key or len(api_key) 10: raise ValueError(无效的API密钥) return func(*args, **kwargs) return wrapper log_execution_time validate_api_key def call_ai_model(prompt: str, api_key: str) - str: 模拟调用AI模型 time.sleep(0.5) # 模拟网络延迟 return fAI响应: {prompt} # 使用装饰器增强的函数 response call_ai_model(你好, api_keyvalid_key_12345) print(response)4.2 异步编程提升Agent性能AI Agent经常需要同时处理多个任务异步编程可以大幅提升效率。import asyncio import aiohttp async def fetch_ai_response(session, url, prompt): 异步获取AI响应 try: async with session.post(url, json{prompt: prompt}) as response: return await response.json() except Exception as e: return {error: str(e)} async def process_multiple_queries(prompts): 同时处理多个查询 async with aiohttp.ClientSession() as session: tasks [] for prompt in prompts: task fetch_ai_response(session, https://api.example.com/ai, prompt) tasks.append(task) # 同时执行所有任务 responses await asyncio.gather(*tasks) return responses # 使用示例 prompts [查询天气, 推荐餐厅, 技术支持] responses asyncio.run(process_multiple_queries(prompts)) print(responses)4.3 类型提示提高代码可维护性在复杂的AI项目中类型提示可以帮助你和其他开发者更好地理解代码。from typing import List, Dict, Optional, Union from dataclasses import dataclass dataclass class LeadInfo: 潜在客户信息的数据类 company: str contact_email: Optional[str] services_needed: List[str] confidence_score: float class AIAgent: AI代理基类 def __init__(self, model_name: str, api_key: str): self.model_name model_name self.api_key api_key self.history: List[Dict] [] def process_query(self, query: str) - Union[LeadInfo, str]: 处理查询并返回结构化的结果 # 模拟AI处理逻辑 if IT服务 in query: return LeadInfo( company示例公司, contact_emailcontactexample.com, services_needed[IT支持, 云服务], confidence_score0.85 ) else: return 请提供更具体的信息 def add_to_history(self, query: str, response: Union[LeadInfo, str]) - None: 添加交互历史 self.history.append({ query: query, response: response, timestamp: 2024-01-01 }) # 使用类型提示的代码更加清晰 agent AIAgent(gpt-4, api_key_123) result agent.process_query(需要IT服务支持) if isinstance(result, LeadInfo): print(f找到潜在客户: {result.company})5. 从Python基础到AI Agent实战现在让我们把Python知识应用到实际的AI Agent开发中基于Langchain框架构建一个简单的智能助手。5.1 项目结构设计良好的项目结构是成功的一半特别是对于可能不断扩展的AI项目。ai_agent_project/ ├── main.py # 主程序入口 ├── agents/ # 代理模块 │ ├── __init__.py │ └── sales_agent.py # 销售代理 ├── tools/ # 工具模块 │ ├── __init__.py │ ├── web_tools.py # 网络工具 │ └── data_tools.py # 数据处理工具 ├── models/ # 数据模型 │ └── schemas.py # 数据结构定义 ├── config/ # 配置管理 │ └── settings.py # 配置文件 └── requirements.txt # 依赖列表5.2 基础Agent实现# agents/sales_agent.py import os from typing import List, Dict from langchain.agents import AgentExecutor, create_tool_calling_agent from langchain_core.prompts import ChatPromptTemplate from langchain_google_genai import ChatGoogleGenerativeAI class SalesAgent: 销售AI代理 def __init__(self, model_name: str gemini-2.0-flash): self.llm ChatGoogleGenerativeAI( modelmodel_name, google_api_keyos.getenv(GEMINI_API_KEY) ) self.tools self._setup_tools() self.agent self._create_agent() def _setup_tools(self) - List: 设置代理可用的工具 # 这里可以添加各种工具 from tools.web_tools import WebSearchTool return [WebSearchTool()] def _create_agent(self) - AgentExecutor: 创建代理执行器 prompt ChatPromptTemplate.from_messages([ (system, 你是一个专业的销售助理帮助用户寻找和筛选潜在客户。), (human, {input}), (placeholder, {agent_scratchpad}) ]) agent create_tool_calling_agent( llmself.llm, promptprompt, toolsself.tools ) return AgentExecutor(agentagent, toolsself.tools, verboseTrue) def find_leads(self, industry: str, location: str) - Dict: 寻找潜在客户 query f在{location}寻找{industry}行业的潜在客户 response self.agent.invoke({input: query}) return self._parse_response(response) def _parse_response(self, response: Dict) - Dict: 解析AI响应 # 实际的解析逻辑会根据具体需求实现 return { status: success, data: response.get(output, ), timestamp: 2024-01-01 } # main.py 使用示例 if __name__ __main__: from dotenv import load_dotenv load_dotenv() agent SalesAgent() result agent.find_leads(科技, 北京) print(result)5.3 工具开发实战工具是AI Agent的能力扩展让我们实现一个实用的网页搜索工具。# tools/web_tools.py import requests from bs4 import BeautifulSoup from langchain.tools import Tool from typing import Dict, Any class WebSearchTool: 网页搜索工具 def __init__(self): self.tool Tool( nameweb_search, funcself.search_web, description搜索网页获取最新信息 ) def search_web(self, query: str) - Dict[str, Any]: 执行网页搜索 try: # 这里使用DuckDuckGo或其他搜索API # 简化示例实际项目中需要完整的API集成 mock_results [ { title: f{query}相关公司1, url: https://example.com/1, snippet: f这是关于{query}的第一个搜索结果 }, { title: f{query}相关公司2, url: https://example.com/2, snippet: f这是关于{query}的第二个搜索结果 } ] return { success: True, query: query, results: mock_results, count: len(mock_results) } except Exception as e: return { success: False, error: str(e), query: query, results: [] } def scrape_website(self, url: str) - str: 爬取网站内容 try: response requests.get(url, timeout10) soup BeautifulSoup(response.content, html.parser) # 提取主要文本内容 text soup.get_text() # 清理和简化文本 lines (line.strip() for line in text.splitlines()) chunks (phrase.strip() for line in lines for phrase in line.split( )) text .join(chunk for chunk in chunks if chunk) return text[:2000] # 限制长度 except Exception as e: return f爬取失败: {str(e)}6. 常见问题与解决方案在学习和实践过程中你会遇到各种问题。这里总结了一些典型问题及其解决方法。6.1 环境配置问题问题包安装失败或版本冲突# 解决方案使用虚拟环境和精确版本控制 # requirements.txt示例 langchain0.1.0 openai1.3.0 python-dotenv1.0.0 requests2.31.0 # 安装指定版本 pip install -r requirements.txt # 如果仍有冲突尝试逐个安装 pip install langchain0.1.0问题API密钥管理不当# 错误做法硬编码在代码中 api_key sk-123456789 # 正确做法使用环境变量 import os from dotenv import load_dotenv load_dotenv() # 加载.env文件 api_key os.getenv(OPENAI_API_KEY) # .env文件内容 # OPENAI_API_KEYsk-123456789 # GEMINI_API_KEYyour_gemini_key_here6.2 代码调试技巧问题AI响应解析错误# 添加详细的日志记录 import logging logging.basicConfig(levellogging.INFO) logger logging.getLogger(__name__) def debug_ai_response(response): 调试AI响应 logger.info(f原始响应: {response}) if hasattr(response, content): logger.info(f响应内容: {response.content}) if hasattr(response, additional_kwargs): logger.info(f附加参数: {response.additional_kwargs})问题工具调用失败# 添加工具调用验证 def safe_tool_call(tool_func, *args, **kwargs): 安全的工具调用包装器 try: result tool_func(*args, **kwargs) logger.info(f工具调用成功: {tool_func.__name__}) return result except Exception as e: logger.error(f工具调用失败: {tool_func.__name__}, 错误: {e}) return f工具调用失败: {str(e)}7. 学习路径建议掌握Python基础后建议按照以下路径系统学习AI Agent开发7.1 第一阶段基础巩固1-2周Python语法精要复习常用数据结构熟练运用函数和面向对象编程掌握错误处理和调试技巧7.2 第二阶段框架学习2-3周Langchain核心概念理解工具(Tools)开发实践代理(Agents)工作原理记忆(Memory)机制应用7.3 第三阶段项目实战3-4周完整Agent项目开发API集成和数据处理性能优化和调试部署和监控7.4 持续学习关注最新AI开发趋势参与开源项目贡献阅读优秀项目源码参加技术社区交流Python基础是AI Agent开发的基石但更重要的是持续实践和不断学习。建议从小的项目开始逐步增加复杂度在实际问题中巩固和提升技能。记住每个优秀的AI开发者都经历过从基础到进阶的过程。关键是保持学习的热情勇于实践善于总结。当你能够熟练运用Python解决实际问题时AI Agent开发的大门就真正为你敞开了。
