无锡市网站建设_网站建设公司_外包开发_seo优化

本文从Manus被收购事件切入，深度解构企业级AI Agent架构的六大核心模块：感知、执行系统、专业大模型、决策引擎、记忆管理和反馈优化。作者通过一个Python文件完整实现这些模块，展示Agent本质上是状态机而非有意识实体。使用LangGraph和LangChain技术栈，提供可直接运行的代码示例，帮助初级程序员从理论到实践理解AI Agent构建过程。

在上一篇文章中，我们拆解了 AI Agent 的六大理论模块。很多初级程序员看完后会觉得：“理论很完美，但我该怎么写代码？是不是需要几十个文件？”

错。

Agent 的本质是一个状态机（State Machine）。它不是一个有意识的生物，而是一个被大模型驱动的 while 循环。

今天，我将带你从 0 到 1，在一个 Python 文件中，把这六大模块全部通过代码落地。

这事不难。只要你会写 Python 函数，你就能构建 Agent。

PART 01

工程准备：技术栈

为了实现确定性工程，我们不使用低代码平台，而是使用代码。

LangGraph: 用于构建状态图（Graph）。

LangChain: 用于封装模型接口。

Python: 我们的逻辑载体。

你只需要这一个文件，就能跑通所有逻辑。

你需要先安装库：
pip install langchain-openai langgraph pydantic python-dotenv

PART 02

感知模块 (Perception)：定义状态

理论回顾：感知是 Agent 的“感官”，负责处理文本、信号和上下文。

工程实现：在代码中，感知被具象化为 State（状态）。

Agent 本质上是无状态的，我们需要定义一个数据结构来“感知”当前聊到哪了。

解析 ：这就是感知。只要在这个列表里的，Agent 就能“看见”；不在列表里的，对它来说就不存在。

from typing import TypedDict, Annotated, List from langgraph.graph.message import add_messages # [感知模块] # 我们定义一个字典，作为 Agent 的"眼睛"和"耳朵" # 所有的用户输入、工具返回结果，都会被 append 到这个 messages 列表中 class AgentState(TypedDict): messages: Annotated[List, add_messages]

PART 03

执行系统 (Execution)：定义工具

理论回顾 ：执行系统是 Agent 的“手脚”，负责调用 API、查询数据库。

工程实现 ：在代码中，就是标准的 Python 函数 。

不要让模型去猜，我们要明确定义函数。

# [执行系统] # 这是 Agent 的"手"，我们定义两个具体能力 def search(query: str) -> str: """当需要获取实时信息时调用，比如天气、新闻。""" print(f" [执行动作] 正在搜索: {query}") return f"搜索结果：'{query}' 的天气是 晴转多云，气温 20度。" def add(a: int, b: int) -> int: """当需要计算数字时调用。""" print(f" [执行动作] 正在计算: {a} + {b}") return a + b # 把工具打包成列表，后续喂给大脑 tools = [search, add]

PART 04

专业大模型 (LLM)：加载大脑

理论回顾：这是底座，决定了 Agent 的智商上限。

工程实现：初始化 LLM 对象，并进行 Tool Binding（工具绑定）。

from langchain_openai import ChatOpenAI # [专业大模型] # 初始化大脑 (建议使用 GPT-4o 或类似智力水平的模型) llm = ChatOpenAI(model="gpt-4o", temperature=0) # [关键一步] # 将"执行系统"(tools)绑定到"大脑"(llm)上 # 这一步，我们将概率性的文本生成，坍缩为确定性的函数调用请求 llm_with_tools = llm.bind_tools(tools)

PART 05

决策引擎 (Decision)：构建思考节点

理论回顾：这是核心。Agent 需要通过思维链（CoT）规划下一步该干什么。

工程实现：编写一个 Node（节点） 函数。

# [决策引擎] # 这是 Agent 的思考过程 def agent_node(state: AgentState): messages = state["messages"] # 大脑接收感知到的信息，进行推理 # 结果可能是：1. "我要调用工具" 2. "我回答完毕" response = llm_with_tools.invoke(messages) return {"messages": [response]}

PART 06

记忆管理 (Memory)：工作记忆流转

理论回顾：Agent 需要记住刚才做过什么。

工程实现：LangGraph 的 Graph（图） 结构本身就是记忆流转的载体。

我们需要定义一个路由（Router），来决定记忆如何流转。

from langgraph.graph import END # [决策路由] # 判断下一步去哪：是去"执行"，还是"结束"？ def should_continue(state: AgentState): last_message = state["messages"][-1] # 如果大脑决定调用工具，转入执行系统 if last_message.tool_calls: return "tools" # 否则，结束 return END

PART 07

反馈优化 (Feedback)：闭环构建

理论回顾：Agent 需要根据执行结果进行自我修正。

工程实现：通过 Edge（边） 构建循环。

这是 Agent 区别于脚本的关键：它是一个闭环。

from langgraph.graph import StateGraph from langgraph.prebuilt import ToolNode # 1. 初始化图 workflow = StateGraph(AgentState) # 2. 添加节点 workflow.add_node("agent", agent_node) # 思考节点 workflow.add_node("tools", ToolNode(tools)) # 执行节点 (LangGraph自带) # 3. 设置入口 workflow.set_entry_point("agent") # 4. [反馈闭环] # 思考 -> 决定调用工具 -> 执行工具 -> 【跳回】思考 # 这一步 add_edge("tools", "agent") 就是反馈机制的核心 # Agent 会看到工具的执行结果，然后反思下一步该说什么 workflow.add_edge("tools", "agent") # 5. 条件分支 workflow.add_conditional_edges( "agent", should_continue, { "tools": "tools", END: END } ) # 6. 编译系统 app = workflow.compile()

PART 08

全貌：完整代码（Copy & Run）

把上面拆解的碎片拼起来，就是一个完整的、具备六大核心能力的 Agent。

保存为 agent demo.py，配置好你的 OPENAI API_KEY，直接运行。

import os from typing import TypedDict, Annotated, List from dotenv import load_dotenv from langchain_openai import ChatOpenAI from langgraph.graph import StateGraph, END from langgraph.graph.message import add_messages from langgraph.prebuilt import ToolNode # 加载环境变量 load_dotenv() # ========================================== # 模块1: 感知 (State) # ========================================== class AgentState(TypedDict): messages: Annotated[List, add_messages] # ========================================== # 模块2: 执行系统 (Tools) # ========================================== def search(query: str) -> str: """模拟搜索工具""" print(f" [执行系统] 调用搜索: {query}") return f"搜索结果：'{query}' 的天气是 晴转多云，气温 20度。" def add(a: int, b: int) -> int: """模拟计算工具""" print(f" [执行系统] 调用计算: {a} + {b}") return a + b tools = [search, add] # ========================================== # 模块3: 专业大模型 (Brain) # ========================================== llm = ChatOpenAI(model="gpt-4o", temperature=0) llm_with_tools = llm.bind_tools(tools) # ========================================== # 模块4: 决策引擎 (Node) # ========================================== def agent_node(state: AgentState): return {"messages": [llm_with_tools.invoke(state["messages"])]} tool_node = ToolNode(tools) # ========================================== # 模块5: 记忆流转 (Router) # ========================================== def should_continue(state: AgentState): if state["messages"][-1].tool_calls: return "tools" return END # ========================================== # 模块6: 反馈闭环 (Graph) # ========================================== workflow = StateGraph(AgentState) workflow.add_node("agent", agent_node) workflow.add_node("tools", tool_node) workflow.set_entry_point("agent") workflow.add_conditional_edges("agent", should_continue, {"tools": "tools", END: END}) workflow.add_edge("tools", "agent") # 这里的 Edge 构成了反馈闭环 app = workflow.compile() # ========================================== # 运行测试 # ========================================== if __name__ == "__main__": print("🤖 System Initialized. Inputing task...") # 这是一个需要多步推理的任务：先查天气，再根据天气做决定（虽然这里简单，但逻辑一致） inputs = {"messages": [("user", "北京现在的天气适合去公园做早操吗？")]} for output in app.stream(inputs): pass # 这里的 pass 是因为我们在函数里已经 print 了，实际工程中这里处理日志 print("\nFinal Response:") print(output['agent']['messages'][-1].content)

PART 09

总结：苦涩的教训

如果你是一个初级程序员，看完这段代码，你应该感到释然。

六大模块，听起来很吓人，落地到代码里：

感知 就是一个列表 (List)

决策 就是一次模型调用 (invoke)

执行 就是函数调用 (def)

记忆 就是数据传递 (State)

反馈 就是一个循环边 (Edge)

这事不难。 难的不是写代码，难的是如何设计清晰的工具定义，以及如何控制图的流转逻辑。

进阶：什么时候拆分文件？

当你从“学习者”变成“工程师”时，单文件就不够用了。

一旦你的项目符合以下任一特征，请立即进行重构（Refactoring），将代码拆分到不同文件中：

1. 工具变多了：你有 10+ 个工具，agent.py 里全是函数定义，干扰了看核心逻辑。

2. Prompt 变长了：你需要写很复杂的 System Prompt，字符串占了几百行。

3. 团队协作：你的同事负责写工具，你负责写编排。

   推荐的工程目录结构（Project Structure）：

AI时代，未来的就业机会在哪里？

答案就藏在大模型的浪潮里。从ChatGPT、DeepSeek等日常工具，到自然语言处理、计算机视觉、多模态等核心领域，技术普惠化、应用垂直化与生态开源化正催生Prompt工程师、自然语言处理、计算机视觉工程师、大模型算法工程师、AI应用产品经理等AI岗位。

掌握大模型技能，就是把握高薪未来。

那么，普通人如何抓住大模型风口？

AI技术的普及对个人能力提出了新的要求，在AI时代，持续学习和适应新技术变得尤为重要。无论是企业还是个人，都需要不断更新知识体系，提升与AI协作的能力，以适应不断变化的工作环境。

因此，这里给大家整理了一份《2025最新大模型全套学习资源》，包括2025最新大模型学习路线、大模型书籍、视频教程、项目实战、最新行业报告、面试题等，带你从零基础入门到精通，快速掌握大模型技术！

由于篇幅有限，有需要的小伙伴可以扫码获取！

1. 成长路线图&学习规划

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。

2. 大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

3. 大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

4. 大模型项目实战

学以致用，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

5. 大模型行业报告

行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

6. 大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

为什么大家都在学AI大模型？

随着AI技术的发展，企业对人才的需求从“单一技术”转向 “AI+行业”双背景。企业对人才的需求从“单一技术”转向 “AI+行业”双背景。金融+AI、制造+AI、医疗+AI等跨界岗位薪资涨幅达30%-50%。

同时很多人面临优化裁员，近期科技巨头英特尔裁员2万人，传统岗位不断缩减，因此转行AI势在必行！

这些资料有用吗？

这份资料由我们和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

大模型全套学习资料已整理打包，有需要的小伙伴可以微信扫描下方CSDN官方认证二维码，免费领取【保证100%免费】