当前位置：首页>python>【AI Agent 第一期:如何用 Python 构建一个简单的 AI Agent [特殊字符]】

【AI Agent 第一期:如何用 Python 构建一个简单的 AI Agent [特殊字符]】

2026-09-21 11:49:30

点击蓝字，立即关注

在本文中，我们将从零开始，使用 Python 构建一个简单但完整的 AI Agent，一步步引导你理解 AI Agent 的核心结构与实现方式。适合入门读者，甚至可以作为你未来构建复杂 AI 应用的基础。

AI Agent 的基本组成

AI Agent 是一个自主决策、行动、学习与适应的智能系统，构成了人工智能和自动化技术的核心。

我们可以将它分解为以下几个模块：

📌 AI Agent 核心模块结构图（使用 Mermaid 绘制）

说明：这个 Agent 的基本流程是：用户输入 → 感知 → 决策 → 执行 → 学习，形成了完整的闭环。

实战：构建一个基于规则的 AI Agent

我们以一个简单的文本任务助手为例，目标是：

接收用户指令
识别任务关键词
执行对应的系统命令（如创建文件、添加代码、运行程序）

步骤一：定义任务规则

我们使用一个简单的字典 task_rules 来定义任务与对应的命令。

✅ agent_rules.py 代码示例

# agent_rules.pytask_rules = {    "创建Python项目文件": "mkdir my_project && cd my_project && touch __init__.py main.py",    "添加一个函数": "echo 'def hello(): print(\"Hello, World!\")' >> main.py",    "运行程序": "python main.py",    "查看文件内容": "cat main.py",}

提示：这个字典是定制化的任务规则引擎，可以随时扩展或调整任务逻辑。

步骤二：自然语言理解（感知模块）

感知模块负责从用户的自然语言输入中提取关键词。✅ perception.py 代码示例

# perception.pyimport redef parse_user_input(user_input):    """    从用户的自然语言输入中提取任务关键词    参数:        user_input (str): 用户输入的字符串，例如："创建Python项目文件 运行程序"    返回:        list: 提取出的关键词列表    """    tasks = re.findall(r"([^\s]+)", user_input)  # 用正则提取所有单词    return tasks

正则提取说明：这里的 re.findall(r"([^\s]+)", user_input) 使用了正则表达式匹配所有非空格词，识别用户的单个任务操作。

步骤三：策略生成（决策模块）

决策模块将感知到的关键词与任务规则进行匹配，生成对应的执行命令。

✅ decision.py 代码示例

# decision.pyfrom agent_rules import task_rulesdef decide_action(tasks):    """    根据感知模块的输入，匹配任务规则，生成执行命令    参数:        tasks (list): 提取的关键词列表    返回:        list: 对应的命令列表    """    actions = []    for task in tasks:        if task in task_rules:            actions.append(task_rules[task])    return actions

说明：此模块可以根据你的规则库提供清晰的指令生成逻辑。

步骤四：执行命令（执行模块）

执行模块负责运行从决策模块获得的命令

✅ execution.py 代码示例

# execution.pyimport osdef run_actions(actions):    """    执行所有提取出的命令    参数:        actions (list): 对应的执行命令列表    返回:        str: 输出执行结果    """    for action in actions:        print(f"执行: {action}")        os.system(action)

安全提示：为了提高安全性，建议在现实项目中使用 subprocess 替代 os.system()，防止命令注入攻击。

步骤五：整合 Agent 模块

我们将之前所有模块组合成一个完整的 Agent

✅ agent.py 代码示例

# agent.pyfrom perception import parse_user_inputfrom decision import decide_actionfrom execution import run_actionsdef run_agent(user_input):    """    执行整个 Agent 流程    参数:        user_input (str): 用户的任务指令    """    tasks = parse_user_input(user_input)    actions = decide_action(tasks)    run_actions(actions)if __name__ == "__main__":    user_prompt = input("请输入你的任务指令（如：创建Python项目文件 运行程序）：")    run_agent(user_prompt)

运行示例

1. 用户输入：

创建Python项目文件 运行程序

2. Agent 输出：

执行: mkdir my_project && cd my_project && touch __init__.py main.py执行: python main.py

3. 程序运行结果：

Hello, World!

看到了吗？这就是一个最简单的 AI Agent 正在工作的样子！

进一步增强 Agent（进阶建议）

当前实现的是基于规则的 Agent，但这只是一个起点。AI Agent 的潜力非常大，可以从以下方向继续升级：

📌 1. 使用大型语言模型增强能力

我们可以将任务识别和指令生成交给强大的语言模型，比如：

Qwen（通义千问）
GPT-3.5

✅ 示例：LLM 相关代码

# 使用 Qwen 同步调用 GPT 模型（可选）from qwen import Qwendef generate_command(user_input):    """    调用 Qwen 生成任务命令（更高级的执行逻辑）    """    response = Qwen.generate(user_input)    return response

2. 引入强化学习提升能力

使用强化学习可以让 AI Agent 在不断试错中学习到最优策略，适合系统自动化、决策优化等场景。

推荐框架:

RLlib
Stable Baselines
TensorFlow Agents

完整项目结构建议

为了清晰管理和扩展，建议你按照如下方式组织你的项目结构：

ai_agent_project/│├── agent_rules.py        # 任务命令规则├── perception.py         # 自然语言处理模块├── decision.py           # 决策模块├── execution.py          # 执行命令模块└── agent.py               # 主程序入口