构建Python AI代理的终极初学者指南

AI代理简介

本世纪最具变革性的技术之一。无论是在职位描述中、科技公司的介绍里，还是自由职业者的项目中，你都能听到这个词。虽然听起来可能令人望而生畏，但构建一个AI代理并没有想象中那么困难。相反，你可以在几分钟内轻松构建一个简单的AI代理。这就是我们在本文中要实现的目标。

在本文中，我们将逐步介绍构建AI代理的过程。你无需具备任何先验知识，因为我们会用简单易懂的初学者语言解释项目的每个部分。我们还将提供安装Python及相关IDE的分步指南，你将在其中构建这个项目。这将是编程、编码和人工智能领域初学者的专属AI代理教程。

什么是AI代理？

但首先，究竟什么是AI代理？AI代理是能够不仅回答特定问题（像简单的聊天机器人），而且更进一步的软件程序。它们不仅能回答问题，还能自主决策，创造事物并完成任务！它们可以观察、思考、决定并行动，以最少的人工输入完成任务。假设我们要购买一台用于重度编程的新笔记本电脑，我们可以向聊天机器人和AI代理提出同样的问题。聊天机器人的方法是推荐适合重度编程的笔记本电脑，然后逐一回应具体问题。它等待用户输入，内存有限，主要作为文本生成器工作。而AI代理则不同，它接收目标并自动执行任务，无需明确要求或指导特定功能。它会进行研究、比较、规划并分析需求，做出基于研究的决策。对于我们的重度编程笔记本电脑问题，聊天机器人只会用一行话回答，而AI代理会给我们提供一张对比表，列出不同的产品、价格以及优缺点，并帮助我们做出决策。

AI代理是如何工作的？

AI代理是一个智能程序，被编码来实现特定目标。一旦我们给它分配任务，AI代理首先接收请求，将其分解为更小的问题来解决，并根据需要通过提问从用户那里获取更多信息，以正确理解和满足所有需求。然后，它使用适当的工具，如网络搜索、计算器和自身的记忆，收集额外信息，并仔细分析这些信息。它比较不同的选项，并为用户的需求定制答案。

AI代理工作流程（作者供图）

现在我们了解了什么是AI代理以及它们如何工作，让我们开始编写我们自己的个性化AI代理。

在Python中构建AI教育代理

在本文中，我们将构建一个AI教育代理，它将充当你的个人教育助手。

在开始编码和解释之前，让我们确保已满足平台要求：

安装Python

如果你是完全的初学者，很可能从未在系统上安装过Python。这是一个基于Python的项目，所以我们需要在系统上安装它。点击此链接，然后按照步骤操作。

安装过程中，请勾选“将Python添加到PATH”选项，然后点击“立即安装”。

#### 安装和设置PyCharm

当我们进行编码时，我们需要一个合适的平台或工作空间，允许我们编写代码、运行代码、安装相关库和包，并调试代码中的错误。这就是集成开发环境（IDE）发挥作用的地方。IDE是一个提供编写、测试和调试代码平台或工作空间的应用程序。对于Python编码，我们可以使用许多IDE，如Spyder、Jupyter Notebook和Visual Studio等。选择特定IDE应取决于你的编码熟练程度、舒适区，最重要的是你的专业领域和你想通过编码达成的目标。在本教程中，我们将使用PyCharm作为我们的编码环境，因为它提供了内置终端和易于安装库的功能，非常适合初学者项目。

你可以从以下链接安装IDE：https://www.jetbrains.com/pycharm/download

只需选择“社区版”，然后选择适用于你操作系统的下载选项。

PyCharm社区版（作者供图）

安装PyCharm后，让我们继续创建项目文件。

#### 设置项目并创建Python文件

接下来，我们在PyCharm中创建项目文件。PyCharm中的项目就像一个文件夹，可以包含不同的文件：Python代码文件、库、环境文件等。我们的操作方式是首先启动PyCharm，创建新项目，选择项目位置，然后创建项目。接着，我们将创建一个名为main.py的Python文件，其中包含主代码。文件创建完成后，你可以通过编写通用代码并运行它来测试安装是否成功。

设置项目并创建Python文件（作者供图）

print("欢迎来到我的新 AI Agents 项目") 从上面的截图中可以看到，显示了项目名称、项目的路径、用于测试的通用代码、执行代码的运行按钮，以及最后的代码输出。如果你能成功到达这一步，说明一切运行正常！

#### 创建环境文件

现在，我们将创建一个新文件，即环境文件。环境文件用于安全地存储项目的密钥信息，通常命名为 .env。它用于保存项目的密钥、密码和配置设置，使我们的项目更加安全和专业。在这个项目中，我们将创建一个环境文件，并将其 API 密钥存储在其中（稍后会详细介绍 API）。

用于保护 API 密钥的环境文件（作者供图）

如图所示，我们已经创建了一个名为 environment 的新文件。在这个文件中，我们将安全地将本项目的 API 密钥存储在一个变量 API_KEY 中（我已经预先添加了 API 密钥并进行了隐藏）。之后我们会安装并导入 dotenv Python 库，该库可以帮助程序从 .env 文件中读取密钥信息，即我们的 API 密钥。

#### 创建 API 密钥

接下来的任务是创建一个 API 密钥以在代码中使用。但在开始之前，让我们先了解一下什么是 API 密钥！

API 是 Application Programming Interface（应用程序编程接口）的缩写。它是一组规则或协议，允许两个不同的软件系统相互通信。我们可以使用 API 在程序之间共享信息。你可以把它理解为餐厅里的服务员，作为顾客与厨房之间的中介。顾客向厨房发送点餐请求，而这个过程通过指定的服务员来完成。在编程领域，一个软件应用通过 API 向另一个软件应用发送请求。天气应用使用 API 从相关天气服务器获取实时天气数据。在我们用 Python 构建 AI Agent 的项目中，我们使用 API 连接已构建好的 AI 模型，并在程序中使用它们的功能。

API 工作原理（作者供图）

为了让我们的程序连接到 AI 模型，我们需要一个 API 密钥。API 密钥授权这种通信的发生。目前有很多方式可以在线获取 API 密钥并访问 AI 模型。有些方式是免费的，有些则不是。在本项目中，我们将使用 OpenRouter，这是一个统一的 LLM 和 AI 模型接口。一旦创建账户，我们就可以轻松创建 API 密钥并在项目中免费使用。我们选择 OpenRouter 而不是其他 AI 平台（如 Google Gemini、OpenAI 等）的原因是，它不仅免费，还允许我们使用该 API 密钥选择任意 AI 模型。此外，它也为初学者提供了无需高计算能力的模型。

现在，要在 OpenRouter 上创建 API 密钥，请前往其官方网站并登录您的账户。账户创建完成后，进入 OpenRouter 控制台，点击“Get API Key”。

OpenRouter 控制台（作者供图）

OpenRouter 创建新密钥（作者供图）

点击“+ New Key”图标创建您的 API 密钥。指定项目名称。获取密钥后，复制并粘贴到我们之前创建的 env 文件中的 API_KEY 变量中。此密钥不应公开分享！

#### 安装相关依赖项

现在我们的 API 密钥已经创建并安全地存储在 .env 文件中，让我们回到 main.py 文件并开始编码。首先要做的是安装并导入相关的依赖项/包。我们在这个项目中使用 Python，它是一种具有基本内置函数和工具的编程语言。但为了扩展功能，我们需要一些标准 Python 库未提供的更强大的工具和函数。因此，我们会使用其他 Python 包和库，首先在 Python 系统中安装它们，然后在代码中导入它们。

在这个项目中，我们需要 Python 与已构建好的 AI 模型通信、发送请求并处理请求。由于这些功能在标准 Python 库中不可用，我们将安装 OpenAI Python 库，然后将其导入到我们的代码中。要安装，请转到 PyCharm IDE 中的终端图标，然后输入：

pip install openai

安装 OpenAI Python 包（作者供图）

OpenAI 库安装完成后，我们将它导入到 main.py 文件中：

from openai import OpenAI

接下来，为了访问我们 .env 文件中的 API，我们将安装并导入 dotenv Python 库，该库专门用于从 .env 文件中读取信息。

在终端（不是 Python 文件）中输入以下命令安装 dotenv 库：

pip install python-dotenv

库安装完成后，像导入 OpenAI 库一样导入它。我们还将导入 Python 的 os 库。该库帮助 Python 与操作系统通信，管理与系统相关的任务、访问文件夹和环境变量，并创建路径。在我们的项目中，我们将使用 dotenv 库加载 .env 文件，使用 os 库从中检索值。

from dotenv import load_dotenv
import os

#### 在主 Python 文件中加载 API 密钥

在完成库的导入后，接下来我们将读取 .env 文件并获取 API 密钥。为此，我们将使用两个函数：load_dotenv() 用于告诉 Python 打开并读取 .env 文件，以及 getenv() 用于从该文件中检索我们需要的信息。

load_dotenv()
api_key = os.getenv("API_KEY")

#### 创建客户端

我们将继续构建项目所需的客户端。client 实际上是 OpenAI 类的一个对象（如果你了解面向对象编程），它允许你的代码与 OpenAI 的服务器进行通信。它负责身份验证，并提供一种结构化的方式来向 AI 模型发送请求。我们可以将其视为一个信使，需要 API 密钥来进行身份验证，并在 AI 模型之间发送和接收请求及响应。

以下是客户端初始化的语法：

client = OpenAI(
    api_key,
    base_url="https://openrouter.ai/api/v1"
)

我们使用了 OpenAI 库提供的现成模板来创建一个客户端对象，该对象接受我们已经从 .env 文件中获取的 API 密钥。这个密钥将允许客户端通过我们提供的 URL 与 AI 模型进行通信。在我们的例子中，我们选择了 OpenRouter AI 模型：https://openrouter.ai/api/v1

#### 创建无限聊天循环

接下来，我们将创建一个无限循环，该循环将持续运行直到我们手动停止它（或者我们可以添加其他功能）。在 Python 中，可以通过 while 循环实现无限循环，即重复执行直到某个条件变为假。在我们的项目中，while 循环将用于持续运行聊天机器人。因此，在 AI Agent 回答完一个问题后，它会询问用户下一个提示。除了 while 关键字外，我们还会加上 True 关键字，这样循环就不会自动停止。

while True:
    # 此循环中的代码将持续运行直到手动停止

#### 获取用户输入并显示处理状态

下一步是获取用户的输入。这基本上就是用户向 AI Agent 提出的问题。我们将创建一个名为 question 的变量，用于存储用户的输入。为了显示程序正在后台运行的状态（即使运行得较慢也不会卡死），我们会输出“Thinking...”这一行文本。我们将使用 Python 的 print 函数来实现这一点，如下代码块所示。这样一来，用户就知道他们的输入问题已被接收并且正在处理中。

question = input("You: ")
print("Thinking...\n")

#### 发送 AI 请求、选择模型和消息系统

现在用户已提出问题并将其存储在变量 question 中，下一步是让我们的程序能够与现有的 AI 模型进行通信。我们将使用 OpenAI Python 库中的 chat.completions.create() 方法来生成来自 AI 模型的回复。经过有效沟通后，用户问题的答案将存储在变量 response 中。我们将从这个链接中选择一个模型。我使用的是 baidu/cobuddy:free 模型，因为它比之前使用的其他模型更快。一旦我们指定了来自 OpenRouter 的模型名称，接下来我们将处理用户与 AI 之间的对话。

我们将此对话存储在一个名为 messages 的变量中，它实际上是一个 Python 字典，包含键：role 和 content。Python 字典的工作方式是我们有键及其对应的值。

角色 系统 用户 内容 你是一个有用的教育导师

在我们的字典中，我们将定义 system 和 user 两种角色的内容。对于 system，role 的 content 是 "你是一个有用的教育导师"，这实现了我们构建 AI 教育代理的目标。而用户的 content 则是用户所提出的问题。让我们编写上述场景的代码：

response = client.chat.completions.create(
        model="baidu/cobuddy:free",
        messages=[
            {
                "role": "system",
                "content": "You are a helpful educational tutor."
            },
            {
                "role": "user",
                "content": question
            }
        ]
    )

每当处理以上内容时，AI 模型将结合用户的提问和系统的提示一起生成答案。生成的答案会返回到变量 response 中。这是项目的主要步骤，此时我们的 AI Agent 实际上正在与 AI 模型对话。我们可以在第二行更改模型名称。

#### 提取 AI 响应并打印给用户

接下来，我们需要输出/打印由 AI 生成的文本。为此，我们将获取存储在 response 变量中的完整生成答案。AI 模型的响应会有多个 choices 可供选择，我们将选择第一个响应，即索引 [0]。然后，我们将访问消息的内容，也就是 AI 的实际回答。编码如下所示：

answer = response.choices[0].message.content

 print("\nAI:", answer)
 print("\n-------------------\n")

请注意，我们访问了字典 message，然后打印出键为“content”的值。

#### 运行代码

现在让我们运行这段代码！

运行代码（作者供图）

你可以在上面的图片中看到代码的运行效果，以及 AI 对问题的响应。但你很可能会发现生成的答案非常缓慢。这是因为我们在项目中使用了一个免费模型，而其他人也在使用它，有时它可能托管在较慢的服务器上。尽管如此，如果处理时间过长，请考虑从 OpenRouter 更换 AI 模型。通过一些尝试和试验，你将能够找到一个性能良好的快速模型！

结论

在本文中，我们成功创建了一个教育类 AI 代理，它能够回答我们的问题。我们从零开始编写了这个项目，并借助了一些依赖项，看到了如何作为初学者用 Python 编写此类项目。这是一个非常简单的教程，运用了基础知识，向我们展示了构建 AI 并没有想象中那么困难。关键在于掌握基本概念，并能够使用已创建的包和模块来帮我们完成工作。