如果你已经玩过 AI Agent，一定遇到过这几个问题：
❌ API 太贵（动不动一个月几百）
❌ 数据不安全（全发到云上）
❌ 网络依赖（断网直接废）
❌ 延迟高（调用慢到怀疑人生）
那么有没有一种方案：
不依赖任何云API，本地就能跑 AI Agent？
答案是：有，而且现在就能实现。
今天这篇文章，我们直接带你从 0 到 1 搭建一个：
完全离线的 AI Agent（Python + MCP + Ollama）
并且重点是：
一、最终效果（这才是重点）
你将得到一个这样的系统：
请输入问题：帮我查一下新加坡天气
AI 自动执行：
调用工具 → get_weather返回 → Singapore: 🌦 +30°C
重点来了👇
✅ 不用 OpenAI✅ 不用 Claude✅ 不用联网（模型层）✅ 完全本地运行
二、核心架构（一定要理解）
整个系统结构如下：
用户输入 ↓本地 LLM（Ollama） ↓MCP Tool 调度 ↓Python 工具执行 ↓返回结果
一句话总结：
本地模型负责“思考”，Python 负责“执行”。
三、环境准备（5分钟搞定）
1️⃣ 安装 Ollama
👉 官网安装（Mac / Linux / Windows）
安装完成后执行：
ollama run llama3
如果能正常对话，说明成功。
2️⃣ 拉取模型（推荐）
ollama pull llama3
或者更强一点：
ollama pull mistral
3️⃣ 安装 Python 依赖
pip install mcp requests ollama
四、完整代码（核心 Agent）
创建文件：
agent_local.py
直接上完整代码👇
import jsonimport requestsimport ollamafrom mcp.server.fastmcp import FastMCP# =========================# 1. MCP 工具定义# =========================mcp = FastMCP("Local Agent")@mcp.tool()def add(a: int, b: int) -> int: """工具函数：计算两数之和 输出：返回 int 类型的计算结果 示例：add(3, 5) -> 8 """ return a + b@mcp.tool()def get_weather(city: str) -> str: """工具函数：获取城市天气 输出：返回 str 类型的天气信息 示例：get_weather("Beijing") -> "Beijing: ☀️ +22°C" """ url = f"https://wttr.in/{city}?format=3" return requests.get(url).text# =========================# 2. 本地模型调用（Ollama）# =========================def ask_llm(prompt, tools_desc): """调用 Ollama 本地模型 输入：用户提示词 + 工具描述 输出：返回 str 类型的模型响应（可能是纯文本或 JSON 格式的工具调用指令） 示例输出1：'{"tool": "add", "args": {"a": 10, "b": 20}}' 示例输出2：'北京今天天气晴朗，气温22°C' """ response = ollama.chat( model="llama3", messages=[ { "role": "system", "content": f"""你是一个AI助手，可以调用工具完成任务。工具列表：{tools_desc}如果需要调用工具，请返回JSON格式：{{"tool": "工具名", "args": {{参数}}}}否则直接回答。""", }, {"role": "user", "content": prompt}, ], ) return response["message"]["content"]# =========================# 3. Agent 核心逻辑# =========================def run_agent(user_input): """ Agent 主控函数 输入：用户输入的字符串 输出：返回 str 类型的最终响应 执行流程： 1. 调用 LLM 判断是否需要工具 2. 如果需要工具，解析 JSON 并执行对应函数 3. 返回工具执行结果或 LLM 的直接回答 示例输出1：'[工具调用] add → 30'（当用户问"10+20等于多少"） 示例输出2：'北京今天天气晴朗，气温22°C'（当 LLM 直接回答时） """ tools_desc = """ 1. add(a, b): 计算加法 2. get_weather(city): 查询天气 """ result = ask_llm(user_input, tools_desc) # 尝试解析 JSON（判断是否为工具调用） try: tool_call = json.loads(result) name = tool_call["tool"] args = tool_call["args"] # 执行对应的工具函数 if name == "add": res = add(**args) # 输出：int 类型，如 30 elif name == "get_weather": res = get_weather(**args) # 输出：str 类型，如 "Beijing: ☀️ +22°C" else: res = "未知工具" return f"[工具调用] {name} → {res}" # 输出示例："[工具调用] add → 30" except Exception: # 如果不是 JSON 格式，说明 LLM 直接回答了问题 return result # 输出：LLM 的原始回答文本# =========================# 4. CLI 入口# =========================if __name__ == "__main__": """命令行交互界面 输出：启动提示信息，然后循环接收用户输入 交互示例： >>> 离线 AI Agent 已启动（exit 退出） >>> 10+20等于多少？ [工具调用] add → 30 >>> 北京天气怎么样？ [工具调用] get_weather → Beijing: ☀️ +22°C >>> exit （程序退出） """ print("离线 AI Agent 已启动（exit 退出）") while True: q = input(">>> ") if q == "exit": break print(run_agent(q)) # 输出：Agent 处理后的最终结果
五、运行效果（真实体验）
运行：
python agent_local.py
测试：
>>> 帮我计算 100 + 250[工具调用] add → 350
再试：
>>> 查询北京天气[工具调用] get_weather → Beijing: 🌤 +28°C
这时候你已经拥有：
一个完全离线的 AI Agent。
六、为什么这个方案很重要？
很多人忽略了一点：
真正的 AI 生产力，不在模型，而在系统。
这个架构解决了 4 个关键问题：
1️⃣ 成本问题
云API：按Token收费 ❌本地模型：0成本 ✅
2️⃣ 数据安全
云端：数据上传 ❌本地：完全私有 ✅
3️⃣ 可控性
云模型：黑盒 ❌本地模型：完全可控 ✅
4️⃣ 可扩展性
你可以无限加工具：
@mcp.tool()def read_file()@mcp.tool()def send_email()@mcp.tool()def control_server()
七、进阶玩法（真正的生产力）
如果你继续往下做，可以实现：
1️⃣ 自动办公系统
AI读取Excel↓生成报表↓自动发送邮件
2️⃣ 本地 AI 运维助手
AI查看日志↓分析异常↓执行修复脚本
3️⃣ AI 自动化公司（一个人就够）
AI写内容AI发文章AI做运营
八、关键问题：本地模型够强吗？
现实一点说：
❌ 不如 GPT-4❌ 有时会理解错误
但：
✅ 足够做自动化✅ 足够做工具调用✅ 足够做 Agent
一句话总结：
云模型更聪明，本地模型更自由。
九、未来趋势（非常重要）
未来 AI 架构很可能是这样：
云模型（负责复杂推理）+本地模型（负责执行）+MCP工具（连接世界）
而你现在做的这套：
已经是未来 AI 系统的雏形。
十、总结
今天你实现了一个非常关键的能力：
用 Python + MCP + 本地模型，构建一个离线 AI Agent。
这意味着：
你不再依赖API你拥有自己的AI系统你可以构建真正的AI产品
最后一句话（重点）
未来最值钱的不是模型，而是“能被 AI 调用的系统”。
而 MCP + 本地模型，就是入口。
10个月宝宝每天需要喝多少奶粉？
