不止会用框架，自己动手写一个带记忆和工具的智能体，真的没那么难。
前言
我写过不少 Agent 应用，也用过 OpenClaw、LangChain 这类框架。但说真的，只有自己从头写一遍，才真正理解 Agent 是怎么工作的。
今天这篇文章，我把最近写的一个 Python Agent 完整分享出来。它具备：
长期记忆（基于 MySQL，支持多会话）
工具调用（天气查询、数学计算，可无限扩展）
ReAct 风格的自主推理
命令行交互 + 会话管理
所有代码都可以直接复制运行，我会把每一步的坑都标出来。
一、为什么要自己写，而不是直接用框架？
市面上 Agent 框架很多，但新手往往会遇到几个问题：
配置复杂，依赖冲突
黑盒太多，不知道内部到底发生了什么
调试困难，出错不知道改哪里
Token 消耗巨大（框架经常调用多次 LLM）
自己写一个简化版 Agent，代码不超过 200 行，却能让你彻底理解 记忆存储、工具调用、消息循环 这三个核心机制。
二、整体架构设计
我们的 Agent 包含五个模块：
text
1. 数据库层 → 存储所有会话消息（JSON格式）
2. LLM 层 → 调用阿里云 DashScope（兼容OpenAI接口）
3. 工具层 → 定义函数 + 描述（JSON Schema）
4. 执行器 → 根据 LLM 返回的 tool_calls 调用真实函数
5. 交互层 → 命令行 + 会话切换命令
流程图：
三、环境准备
3.1 安装依赖
bash
pip install pymysql openai
注意：openai 库需要 1.0 以上版本，建议 pip install --upgrade openai
3.2 安装 MySQL（如果没有）
启动 MySQL，创建一个数据库：
sql
CREATEDATABASE agent_db;
3.3 获取 LLM API Key
我使用的是 阿里云百炼平台（qwen-plus 模型），新用户有免费额度。也可以换成 DeepSeek、OpenAI 等，只需要修改 base_url 和 api_key。
四、完整代码（逐段讲解）
4.1 数据库配置和初始化
python
DB_CONFIG ={"host":"localhost","user":"root","password":"你的MySQL密码",# 务必修改"database":"agent_db","port":3306,"charset":"utf8mb4"}初始化表结构（自动创建 conversation_messages 表）：
# ================= 初始化 MySQL 表结构 =================def init_db(): """确保 conversation_messages 表存在""" conn = pymysql.connect(**DB_CONFIG) cursor = conn.cursor() cursor.execute(""" CREATE TABLE IF NOT EXISTS conversation_messages ( id INT AUTO_INCREMENT PRIMARY KEY, session_id VARCHAR(64) NOT NULL, message_data JSON NOT NULL, created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP, INDEX idx_session_id (session_id) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 """) conn.commit() cursor.close() conn.close()
4.2 消息存取函数
python
# ================= 保存单条消息到数据库 =================def save_message(session_id: str, message_dict: dict): """将一条消息（dict格式）存入数据库""" conn = pymysql.connect(**DB_CONFIG) cursor = conn.cursor() json_str = json.dumps(message_dict, ensure_ascii=False) cursor.execute( "INSERT INTO conversation_messages (session_id, message_data) VALUES (%s, %s)", (session_id, json_str) ) conn.commit() cursor.close() conn.close()# ================= 加载指定会话的所有历史消息 =================def load_history(session_id: str): """返回该会话的消息列表（按时间升序）""" conn = pymysql.connect(**DB_CONFIG) cursor = conn.cursor() cursor.execute( "SELECT message_data FROM conversation_messages WHERE session_id = %s ORDER BY id ASC", (session_id,) ) rows = cursor.fetchall() cursor.close() conn.close() messages = [json.loads(row[0]) for row in rows] return messages# ================= 获取所有已存在的会话ID =================def list_sessions(): """返回数据库中的所有 session_id（去重）""" conn = pymysql.connect(**DB_CONFIG) cursor = conn.cursor() cursor.execute("SELECT DISTINCT session_id FROM conversation_messages ORDER BY session_id") sessions = [row[0] for row in cursor.fetchall()] cursor.close() conn.close() return sessions
L
4.3 LLM 客户端（使用阿里云 DashScope）
# ================= DeepSeek 客户端配置 =================client = OpenAI( api_key="sk-b0fa1ae8668449a4815b01d268419758", # 请替换为你的真实 API Key base_url="https://dashscope.aliyuncs.com/compatible-mode/v1")
4.4 定义工具函数
#================= 工具函数（天气、计算） =================def get_weather(city: str) -> str: weather_db = {"北京": "晴天，30度", "上海": "小雨，22度", "广州": "雷阵雨，30度"} return weather_db.get(city, f"未找到{city}的天气")def calculate(expression: str) -> str: try: result = eval(expression) return f"计算结果: {result}" except: return "表达式错误"
4.5 工具描述（给 LLM 看的）
python
tools = [ { "type": "function", "function": { "name": "get_weather", "description": "查询某个城市的天气", "parameters": { "type": "object", "properties": {"city": {"type": "string", "description": "城市名"}}, "required": ["city"] } } }, { "type": "function", "function": { "name": "calculate", "description": "计算数学表达式", "parameters": { "type": "object", "properties": {"expression": {"type": "string", "description": "数学表达式"}}, "required": ["expression"] } } }]
4.6 Agent 核心执行器
python
available_functions = {"get_weather": get_weather, "calculate": calculate}def run_agent(messages, session_id): """ 处理当前对话历史（内存中的 messages 列表）， 调用模型、执行工具、保存新消息到数据库，并返回更新后的 messages。 """ response = client.chat.completions.create( model="qwen-plus", messages=messages, tools=tools, tool_choice="auto" ) response_message = response.choices[0].message tool_calls = response_message.tool_calls # 保存模型的初始响应 msg_dict = response_message.model_dump() messages.append(msg_dict) save_message(session_id, msg_dict) if not tool_calls: print("Agent:", response_message.content) return messages # 执行工具调用 for tool_call in tool_calls: func_name = tool_call.function.name func_args = json.loads(tool_call.function.arguments) result = available_functions[func_name](**func_args) print(f"[工具调用] {func_name}({func_args}) -> {result}") tool_msg = { "role": "tool", "tool_call_id": tool_call.id, "content": result } messages.append(tool_msg) save_message(session_id, tool_msg) # 生成最终回复 final_response = client.chat.completions.create( model="qwen-plus", messages=messages ) final_message = final_response.choices[0].message final_dict = final_message.model_dump() messages.append(final_dict) save_message(session_id, final_dict) print("Agent:", final_message.content) return messages
4.7 交互式命令行（支持会话管理）
实现了以下命令：
/new – 新建会话
/list – 列出所有历史会话
/switch <会话名> – 切换到已有会话
/exit – 退出
五、运行效果演示
启动程序：
bash
python agent.py
首次运行会提示新建会话，输入 test 回车。
text
你: 北京今天天气怎么样？[工具调用] get_weather({'city': '北京'}) -> 晴天，30度Agent: 北京今天天气晴朗，气温30度。text
你: 计算 123 * 456[工具调用] calculate({'expression': '123*456'}) -> 计算结果: 56088Agent: 123乘以456的结果是56088。切换会话：
text
你: /new请输入新会话名称: 数学专聊已切换到新会话: 数学专聊，历史为空。
你会发现切换到另一个会话后，之前的对话完全独立，互不干扰。
六、你可以扩展的功能
增加更多工具
联网搜索（调用 SerpAPI 或自定义爬虫）
发送邮件（smtplib）
读写本地文件（开放一定权限）
执行 Shell 命令（注意安全！）
接入更多渠道
微信（使用 itchat 或企业微信 API）
钉钉、飞书机器人
Telegram Bot
优化记忆
限制会话长度（自动裁剪历史）
添加向量数据库（RAG）支持长文本检索
支持流式输出
七、避坑指南
7.1 关于 API Key
代码中直接写了 api_key，发布到公众号时我已经打码。你自己使用时务必替换成真实的 Key，并且不要提交到公开 GitHub 仓库。
7.2 数据库连接失败
7.3 工具调用不触发
检查 tools 中的 description 是否清晰
确认 tool_choice="auto"（不要强制某个工具）
尝试问：“调用 get_weather 查询北京天气” 这种明确指令
7.4 Token 消耗
自己写的 Agent 比 OpenClaw 这类框架省很多 Token。因为：
只有需要工具时才二次调用
没有额外的系统提示词和插件开销
实测一次简单对话消耗不到 200 tokens。
八、总结
通过这 200 行代码，你实现了一个具备以下能力的 Agent：
| |
|---|
| |
| |
| OpenAI Function Calling 标准 |
| |
框架会过时，但底层原理不会。
如果你想深入学习 Agent 开发，强烈建议自己从头写一个最小版本。当你把这段代码跑通的那一刻，你会对 LangChain、OpenClaw 等框架的内部机制豁然开朗。
附录：完整代码获取
由于公众号篇幅限制，完整代码请关注本公众号回复‘agent代码’获取，或者联系小夭也可以，或者直接复制文章中分散的代码块，按顺序拼接即可运行。
如果你在运行中遇到任何问题，欢迎留言，我会尽力解答。
如果觉得这篇文章对你有帮助，点赞、在看、转发 支持一下，让更多同学看到从零写 Agent 并不难。
10个月宝宝每天需要喝多少奶粉？
