文章介绍了AI Agent的概念及其重要性并通过NodeJS实现了一个简单的智能体案例。核心内容包括定义本地工具如天气查询、创建工具Schema规范、调用OpenAI模型API、处理模型响应以及执行工具调用最终形成Agent闭环。文章强调理解核心思想后开发AI Agent主要是在稳定性和功能上做“加法”并鼓励读者继续学习开发更高级的智能体。最近两年AI发展火爆各类智能体Agent层出不穷Agent 开发岗位在过去一年中大量涌现无论你是前端还是后端去求职的时候都会问你一些关于Agent的内容。可以说掌握 Agent 开发正逐渐成为程序员的必备技能。本片文章将以最小的案例带你急速进入Agent开发的大门。什么是AgentAgent的概念其实很简单你可以把大模型比作你的脑子而Agent就是你这个人大模型 大脑负责思考、理解、推理、生成想法但它没有“手脚”无法直接行动。Agent 你这个人不仅有一个大脑大模型还有感知环境的能力、记忆、以及可以调用各种“工具”如用手上网查资料、用计算器算数、用API订票最终把想法变成行动。Agent 大模型大脑 记忆系统记忆 工具手脚 反馈循环学习。了解了什么是Agent接下来我们使用我们熟知的NodeJS来实现一个简单的智能体手写一个极简 Agent为了让你直观理解 Agent 的工作流程我们不依赖任何框架实现一个只有一个工具天气的 Agent。这个例子会揭示最本质的Agent调用工具流程。首先我们要知道开发一个Agent最重要的就是让大模型LLM具有调用工具的能力而这个工具就是查询天气的功能我们先定义这个工具函数// ---------- 1. 本地工具实现模拟天气查询 ---------- async function getWeather(location, units celsius) { // 模拟真实 API 调用实际可替换为 openweathermap.org 等 const temp units celsius ? 25 : 77; return ${location} 当前温度 ${temp}°${units celsius ? C : F}晴天。; } // 工具名称到本地函数的映射 const toolsMap { get_weather: getWeather, };定义好了之后接下来要做的就是如何让LLM调用这个工具要让LLM知道如何调用工具首先你要做的是要让LLM知道你有这个工具以及这个工具干嘛的以及如何穿参等等对于此OpenAI提供了一个Schema规范就是一个JSON定义了调用的函数函数名称传参描述等等如const tools [ { type: function, function: { name: get_weather,//调用的函数名 description: Retrieves current weather for the given location.,//工具描述 strict: true, parameters: { type: object,//参数类型 properties: { location: { type: string, description: City name }, units: { type: string, enum: [celsius, fahrenheit] }, },//传参 required: [location], additionalProperties: false,//控制一个对象是否可以包含 未在 properties 中明确定义的额外属性。 }, }, }, ];这样定义好之后当你问它“今天天气如何”的时候它就知道去调用查询天气工具了。接下来我们需要封装一个调用大模型API接口还是以OpenAI为例async function callOpenAI(messages, tools) { const res await fetch(https://api.openai.com/v1/chat/completions, { method: POST, headers: { Content-Type: application/json, Authorization: Bearer ${process.env.OPENAI_API_KEY}, }, body: JSON.stringify({ model: gpt-5.5-chat-latest, messages, tools, // 传入工具定义 tool_choice: auto, // 让模型自主决定是否调用 temperature: 0, }), }); const data await res.json(); return data.choices[0].message; }就是一个简单的fetch请求传入用户的问题以及这个Agent所有的tools,当然我们现在只有一个tool。这里的OPENAI_API_KEY是你实际的Key你可以定义到环境变量中或者读取一些配置文件等。最后一步就是定义Agent的主函数了接收用户消息并对大模型返回结果处理async function runAgent(userMessage) { // 消息历史 const messages [ { role: system, content: 你是一个天气助手可以查询天气。 }, { role: user, content: userMessage }, ]; // 工具定义就是你提供的那个 JSON const tools xxx // 第一次调用模型可能返回 tool_calls const assistantMsg await callOpenAI(messages, tools); messages.push(assistantMsg); // 检查是否有工具调用请求 if (assistantMsg.tool_calls assistantMsg.tool_calls.length 0) { for (const toolCall of assistantMsg.tool_calls) { const { name, arguments: argsStr } toolCall.function; const args JSON.parse(argsStr); // { location: 北京, units: celsius } const toolFunc toolsMap[name]; if (toolFunc) { // 执行本地工具 const result await toolFunc(args.location, args.units); // 回传工具结果 messages.push({ role: tool, tool_call_id: toolCall.id, content: result, }); } } // 第二次调用模型根据工具结果生成最终答案 const finalMsg await callOpenAI(messages, null); // 不再传 tools直接生成回答 return finalMsg.content; } else { // 没有调用工具直接返回模型回答 return assistantMsg.content; } }我们直接执行这个函数便完成了一个简单的Agent闭环定义工具 → 调用模型 → 解析tool_calls→ 执行本地函数 → 回传结果 → 再次调用模型。怎么样。是不是比你想象中的简单。核心思想弄懂了后续的开发就是在稳定性和功能上做“加法”。你现在已经掌握了构建 AI Agent 最本质的那条线。至于它能长成怎样的智能体就看你的想象力了。01什么是AI大模型应用开发工程师如果说AI大模型是蕴藏着巨大能量的“后台超级能力”那么AI大模型应用开发工程师就是将这种能量转化为实用工具的执行者。AI大模型应用开发工程师是基于AI大模型设计开发落地业务的应用工程师。这个职业的核心价值在于打破技术与用户之间的壁垒把普通人难以理解的算法逻辑、模型参数转化为人人都能轻松操作的产品形态。无论是日常写作时用到的AI文案生成器、修图软件里的智能美化功能还是办公场景中的自动记账工具、会议记录用的语音转文字APP这些看似简单的应用背后都是应用开发工程师在默默搭建技术与需求之间的桥梁。他们不追求创造全新的大模型而是专注于让已有的大模型“听懂”业务需求“学会”解决具体问题最终形成可落地、可使用的产品。CSDN粉丝独家福利给大家整理了一份AI大模型全套学习资料这份完整版的 AI 大模型学习资料已经上传CSDN朋友们如果需要可以扫描下方二维码点击下方CSDN官方认证链接免费领取【保证100%免费】02AI大模型应用开发工程师的核心职责需求分析与拆解是工作的起点也是确保开发不偏离方向的关键。应用开发工程师需要直接对接业务方深入理解其核心诉求——不仅要明确“要做什么”更要厘清“为什么要做”以及“做到什么程度算合格”。在此基础上他们会将模糊的业务需求拆解为具体的技术任务明确每个环节的执行标准并评估技术实现的可行性同时定义清晰的核心指标为后续开发、测试提供依据。这一步就像建筑前的图纸设计若出现偏差后续所有工作都可能白费。技术选型与适配是衔接需求与开发的核心环节。工程师需要根据业务场景的特点选择合适的基础大模型、开发框架和工具——不同的业务对模型的响应速度、精度、成本要求不同选型的合理性直接影响最终产品的表现。同时他们还要对行业相关数据进行预处理通过提示词工程优化模型输出或在必要时进行轻量化微调让基础模型更好地适配具体业务。此外设计合理的上下文管理规则确保模型理解连贯需求建立敏感信息过滤机制保障数据安全也是这一环节的重要内容。应用开发与对接则是将方案转化为产品的实操阶段。工程师会利用选定的开发框架构建应用的核心功能同时联动各类外部系统——比如将AI模型与企业现有的客户管理系统、数据存储系统打通确保数据流转顺畅。在这一过程中他们还需要配合设计团队打磨前端交互界面让技术功能以简洁易懂的方式呈现给用户实现从技术方案到产品形态的转化。测试与优化是保障产品质量的关键步骤。工程师会开展全面的功能测试找出并修复开发过程中出现的漏洞同时针对模型的响应速度、稳定性等性能指标进行优化。安全合规性也是测试的重点需要确保应用符合数据保护、隐私安全等相关规定。此外他们还会收集用户反馈通过调整模型参数、优化提示词等方式持续提升产品体验让应用更贴合用户实际使用需求。部署运维与迭代则贯穿产品的整个生命周期。工程师会通过云服务器或私有服务器将应用部署上线并实时监控运行状态及时处理突发故障确保应用稳定运行。随着业务需求的变化他们还需要对应用功能进行迭代更新同时编写完善的开发文档和使用手册为后续的维护和交接提供支持。03薪资情况与职业价值市场对这一职业的高度认可直接体现在薪资待遇上。据猎聘最新在招岗位数据显示AI大模型应用开发工程师的月薪最高可达60k。在AI技术加速落地的当下这种“技术业务”的复合型能力尤为稀缺让该职业成为当下极具吸引力的就业选择。AI大模型应用开发工程师是AI技术落地的关键桥梁。他们用专业能力将抽象的技术转化为具体的产品让大模型的价值真正渗透到各行各业。随着AI场景化应用的不断深化这一职业的重要性将更加凸显也必将吸引更多人才投身其中推动AI技术更好地服务于社会发展。CSDN粉丝独家福利给大家整理了一份AI大模型全套学习资料这份完整版的 AI 大模型学习资料已经上传CSDN朋友们如果需要可以扫描下方二维码点击下方CSDN官方认证链接免费领取【保证100%免费】
AI Agent开发火爆！手把手教你打造极简智能体，小白也能快速上手！
文章介绍了AI Agent的概念及其重要性并通过NodeJS实现了一个简单的智能体案例。核心内容包括定义本地工具如天气查询、创建工具Schema规范、调用OpenAI模型API、处理模型响应以及执行工具调用最终形成Agent闭环。文章强调理解核心思想后开发AI Agent主要是在稳定性和功能上做“加法”并鼓励读者继续学习开发更高级的智能体。最近两年AI发展火爆各类智能体Agent层出不穷Agent 开发岗位在过去一年中大量涌现无论你是前端还是后端去求职的时候都会问你一些关于Agent的内容。可以说掌握 Agent 开发正逐渐成为程序员的必备技能。本片文章将以最小的案例带你急速进入Agent开发的大门。什么是AgentAgent的概念其实很简单你可以把大模型比作你的脑子而Agent就是你这个人大模型 大脑负责思考、理解、推理、生成想法但它没有“手脚”无法直接行动。Agent 你这个人不仅有一个大脑大模型还有感知环境的能力、记忆、以及可以调用各种“工具”如用手上网查资料、用计算器算数、用API订票最终把想法变成行动。Agent 大模型大脑 记忆系统记忆 工具手脚 反馈循环学习。了解了什么是Agent接下来我们使用我们熟知的NodeJS来实现一个简单的智能体手写一个极简 Agent为了让你直观理解 Agent 的工作流程我们不依赖任何框架实现一个只有一个工具天气的 Agent。这个例子会揭示最本质的Agent调用工具流程。首先我们要知道开发一个Agent最重要的就是让大模型LLM具有调用工具的能力而这个工具就是查询天气的功能我们先定义这个工具函数// ---------- 1. 本地工具实现模拟天气查询 ---------- async function getWeather(location, units celsius) { // 模拟真实 API 调用实际可替换为 openweathermap.org 等 const temp units celsius ? 25 : 77; return ${location} 当前温度 ${temp}°${units celsius ? C : F}晴天。; } // 工具名称到本地函数的映射 const toolsMap { get_weather: getWeather, };定义好了之后接下来要做的就是如何让LLM调用这个工具要让LLM知道如何调用工具首先你要做的是要让LLM知道你有这个工具以及这个工具干嘛的以及如何穿参等等对于此OpenAI提供了一个Schema规范就是一个JSON定义了调用的函数函数名称传参描述等等如const tools [ { type: function, function: { name: get_weather,//调用的函数名 description: Retrieves current weather for the given location.,//工具描述 strict: true, parameters: { type: object,//参数类型 properties: { location: { type: string, description: City name }, units: { type: string, enum: [celsius, fahrenheit] }, },//传参 required: [location], additionalProperties: false,//控制一个对象是否可以包含 未在 properties 中明确定义的额外属性。 }, }, }, ];这样定义好之后当你问它“今天天气如何”的时候它就知道去调用查询天气工具了。接下来我们需要封装一个调用大模型API接口还是以OpenAI为例async function callOpenAI(messages, tools) { const res await fetch(https://api.openai.com/v1/chat/completions, { method: POST, headers: { Content-Type: application/json, Authorization: Bearer ${process.env.OPENAI_API_KEY}, }, body: JSON.stringify({ model: gpt-5.5-chat-latest, messages, tools, // 传入工具定义 tool_choice: auto, // 让模型自主决定是否调用 temperature: 0, }), }); const data await res.json(); return data.choices[0].message; }就是一个简单的fetch请求传入用户的问题以及这个Agent所有的tools,当然我们现在只有一个tool。这里的OPENAI_API_KEY是你实际的Key你可以定义到环境变量中或者读取一些配置文件等。最后一步就是定义Agent的主函数了接收用户消息并对大模型返回结果处理async function runAgent(userMessage) { // 消息历史 const messages [ { role: system, content: 你是一个天气助手可以查询天气。 }, { role: user, content: userMessage }, ]; // 工具定义就是你提供的那个 JSON const tools xxx // 第一次调用模型可能返回 tool_calls const assistantMsg await callOpenAI(messages, tools); messages.push(assistantMsg); // 检查是否有工具调用请求 if (assistantMsg.tool_calls assistantMsg.tool_calls.length 0) { for (const toolCall of assistantMsg.tool_calls) { const { name, arguments: argsStr } toolCall.function; const args JSON.parse(argsStr); // { location: 北京, units: celsius } const toolFunc toolsMap[name]; if (toolFunc) { // 执行本地工具 const result await toolFunc(args.location, args.units); // 回传工具结果 messages.push({ role: tool, tool_call_id: toolCall.id, content: result, }); } } // 第二次调用模型根据工具结果生成最终答案 const finalMsg await callOpenAI(messages, null); // 不再传 tools直接生成回答 return finalMsg.content; } else { // 没有调用工具直接返回模型回答 return assistantMsg.content; } }我们直接执行这个函数便完成了一个简单的Agent闭环定义工具 → 调用模型 → 解析tool_calls→ 执行本地函数 → 回传结果 → 再次调用模型。怎么样。是不是比你想象中的简单。核心思想弄懂了后续的开发就是在稳定性和功能上做“加法”。你现在已经掌握了构建 AI Agent 最本质的那条线。至于它能长成怎样的智能体就看你的想象力了。01什么是AI大模型应用开发工程师如果说AI大模型是蕴藏着巨大能量的“后台超级能力”那么AI大模型应用开发工程师就是将这种能量转化为实用工具的执行者。AI大模型应用开发工程师是基于AI大模型设计开发落地业务的应用工程师。这个职业的核心价值在于打破技术与用户之间的壁垒把普通人难以理解的算法逻辑、模型参数转化为人人都能轻松操作的产品形态。无论是日常写作时用到的AI文案生成器、修图软件里的智能美化功能还是办公场景中的自动记账工具、会议记录用的语音转文字APP这些看似简单的应用背后都是应用开发工程师在默默搭建技术与需求之间的桥梁。他们不追求创造全新的大模型而是专注于让已有的大模型“听懂”业务需求“学会”解决具体问题最终形成可落地、可使用的产品。CSDN粉丝独家福利给大家整理了一份AI大模型全套学习资料这份完整版的 AI 大模型学习资料已经上传CSDN朋友们如果需要可以扫描下方二维码点击下方CSDN官方认证链接免费领取【保证100%免费】02AI大模型应用开发工程师的核心职责需求分析与拆解是工作的起点也是确保开发不偏离方向的关键。应用开发工程师需要直接对接业务方深入理解其核心诉求——不仅要明确“要做什么”更要厘清“为什么要做”以及“做到什么程度算合格”。在此基础上他们会将模糊的业务需求拆解为具体的技术任务明确每个环节的执行标准并评估技术实现的可行性同时定义清晰的核心指标为后续开发、测试提供依据。这一步就像建筑前的图纸设计若出现偏差后续所有工作都可能白费。技术选型与适配是衔接需求与开发的核心环节。工程师需要根据业务场景的特点选择合适的基础大模型、开发框架和工具——不同的业务对模型的响应速度、精度、成本要求不同选型的合理性直接影响最终产品的表现。同时他们还要对行业相关数据进行预处理通过提示词工程优化模型输出或在必要时进行轻量化微调让基础模型更好地适配具体业务。此外设计合理的上下文管理规则确保模型理解连贯需求建立敏感信息过滤机制保障数据安全也是这一环节的重要内容。应用开发与对接则是将方案转化为产品的实操阶段。工程师会利用选定的开发框架构建应用的核心功能同时联动各类外部系统——比如将AI模型与企业现有的客户管理系统、数据存储系统打通确保数据流转顺畅。在这一过程中他们还需要配合设计团队打磨前端交互界面让技术功能以简洁易懂的方式呈现给用户实现从技术方案到产品形态的转化。测试与优化是保障产品质量的关键步骤。工程师会开展全面的功能测试找出并修复开发过程中出现的漏洞同时针对模型的响应速度、稳定性等性能指标进行优化。安全合规性也是测试的重点需要确保应用符合数据保护、隐私安全等相关规定。此外他们还会收集用户反馈通过调整模型参数、优化提示词等方式持续提升产品体验让应用更贴合用户实际使用需求。部署运维与迭代则贯穿产品的整个生命周期。工程师会通过云服务器或私有服务器将应用部署上线并实时监控运行状态及时处理突发故障确保应用稳定运行。随着业务需求的变化他们还需要对应用功能进行迭代更新同时编写完善的开发文档和使用手册为后续的维护和交接提供支持。03薪资情况与职业价值市场对这一职业的高度认可直接体现在薪资待遇上。据猎聘最新在招岗位数据显示AI大模型应用开发工程师的月薪最高可达60k。在AI技术加速落地的当下这种“技术业务”的复合型能力尤为稀缺让该职业成为当下极具吸引力的就业选择。AI大模型应用开发工程师是AI技术落地的关键桥梁。他们用专业能力将抽象的技术转化为具体的产品让大模型的价值真正渗透到各行各业。随着AI场景化应用的不断深化这一职业的重要性将更加凸显也必将吸引更多人才投身其中推动AI技术更好地服务于社会发展。CSDN粉丝独家福利给大家整理了一份AI大模型全套学习资料这份完整版的 AI 大模型学习资料已经上传CSDN朋友们如果需要可以扫描下方二维码点击下方CSDN官方认证链接免费领取【保证100%免费】
