本文是 AI Agent 入门系列的第 1 篇。适合有 Python 基础、想学习 AI Agent 开发的读者。
学完本篇，你会理解 AI Agent 的核心概念，并跑通第一个 LLM API 调用。

---

本课目标

• 理解 AI Agent 的定义与核心组成
• 清楚 LLM 与 Agent 的区别
• 跑通第一个 LLM API 调用

本课产出

• 新建文件：lesson01_hello_llm.py，粘贴下文完整代码
• 运行：python lesson01_hello_llm.py（Linux/macOS 可能需用 python3）
• 效果：向 LLM 发送消息获取回复，对比不同 system prompt 的输出差异

---

一、从 LLM 到 Agent

如果你用过 ChatGPT、Claude 这类产品，那你已经接触过 LLM（Large Language Model，大语言模型） 了。

它的工作方式很简单：

你问 → LLM 答

但你会发现一个问题：LLM 只会"说话"，不会"做事"。

比如你让 LLM “帮我查一下明天的天气”——它能告诉你查天气需要用什么 API，但它自己不会真的去查。因为它没有手。

这就是 Agent 要解决的问题。

AI Agent（智能体） = 给 LLM 装上"手"和"记忆"，让它能自主完成任务。

LLM（对话机器人）:  输入 → 输出
Agent（智能体）:    目标 → 思考 → 调用工具 → 观察结果 → 再思考 → ... → 完成

二、Agent 的四要素

一个完整的 Agent 通常包含四个核心组件：

组件	角色	类比	说明
LLM 大脑	推理决策	人的大脑	理解问题、决定怎么做
工具（Tools）	执行动作	人的手和脚	搜索、计算、读写文件、调 API
记忆（Memory）	存储信息	人的记忆	记住上下文、用户偏好、历史经验
规划（Planning）	制定策略	人的思考过程	拆解复杂任务、安排执行顺序

简单的 Agent 可以只有 LLM + 工具 + 循环（比如第 4 课的手写版），但完整的 Agent 通常具备这四种能力。

三、Agent 和聊天机器人有什么不同？

	聊天机器人	AI Agent
输出	文本	文本 + 调用工具
记忆	当前会话	当前会话 + 持久化存储
主动	被动回答	主动规划、执行
闭环	一次对话	循环直到任务完成

四、动手：跑通第一个 LLM 调用

环境准备

# 1. 确保 Python 3.10+
python --version

# 2. 安装依赖
pip install openai python-dotenv

# 3. 申请 API Key（任选一个）
#    推荐 DeepSeek: https://platform.deepseek.com/ 
#    备选 OpenAI:   https://platform.openai.com/api-keys
#    备选 通义千问:  https://bailian.console.aliyun.com/

📁 .env 文件设置（小白必看）

项目中有一个 code/.env.example 文件，按以下步骤操作：

第一步：去 DeepSeek 官网注册 → 创建 API Key → 复制
  （https://platform.deepseek.com/）

第二步：进入 code/ 目录，把 .env.example 重命名为 .env
  方法①：右键文件 → 重命名
  方法②：命令行运行（在 code/ 目录下）：
         macOS/Linux: mv .env.example .env
         Windows:     ren .env.example .env

第三步：用记事本/VSCode 打开 .env 文件
  找到这行：DEEPSEEK_API_KEY="sk-你的key"
  把 "sk-你的key" 换成你刚复制的 Key
  示例：DEEPSEEK_API_KEY="sk-1234567890abcdef"

第四步：保存文件，搞定！

⚠️ .env 文件和你的 Python 代码放在同一目录（code/ 下）。
这个文件包含了你的 API Key，不要分享或上传到网上。代码仓库中的 .env.example 是安全的模板，真正的 Key 只写在 .env 中。

完整代码

新建 lesson01_hello_llm.py，粘贴以下代码：

"""
第 1 课：第一个 LLM 调用
演示基本的 Chat Completion API 调用
"""
import os
from dotenv import load_dotenv

load_dotenv()

# --- 方案 A（推荐）：DeepSeek ---
from openai import OpenAI
client = OpenAI(
    api_key=os.getenv("DEEPSEEK_API_KEY"),
    base_url="https://api.deepseek.com",
)
MODEL = "deepseek-chat"

# --- 方案 B：OpenAI（取消注释即可切换）---
# from openai import OpenAI
# client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))
# MODEL = "gpt-4o-mini"

# --- 方案 C：通义千问 ---
# from openai import OpenAI
# client = OpenAI(
#     api_key=os.getenv("DASHSCOPE_API_KEY"),
#     base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
# )
# MODEL = "qwen-plus"

if not client.api_key:
    print("❌ 未检测到 API Key！请在 .env 文件中设置。")
    exit(1)

# === 示例 1：基础对话 ===
print("=" * 50)
print("示例 1：基础对话")
print("=" * 50)
try:
    response = client.chat.completions.create(
        model=MODEL,
        messages=[{"role": "user", "content": "用一句话解释什么是 AI Agent"}]
    )
    print("回答：", response.choices[0].message.content)
except Exception as e:
    print(f"API 调用失败：{e}")

# === 示例 2：System Prompt 对比 ===
print("\n" + "=" * 50)
print("示例 2：不同 System Prompt 对比")
print("=" * 50)
system_prompts = [
    "你是一个专业的技术导师，回答要简洁准确。",
    "你是一个风趣的科普作者，用生活比喻解释技术概念。",
]
for i, sp in enumerate(system_prompts, 1):
    print(f"\n--- Prompt {i} ---")
    try:
        resp = client.chat.completions.create(
            model=MODEL,
            messages=[{"role": "system", "content": sp},
                      {"role": "user", "content": "什么是 AI Agent？"}]
        )
        print(resp.choices[0].message.content)
    except Exception as e:
        print(f"API 调用失败：{e}")

# === 示例 3：temperature 参数对比 ===
print("\n" + "=" * 50)
print("示例 3：temperature 参数对比")
print("=" * 50)
for temp in [0.0, 0.7, 1.5]:
    print(f"\n--- temperature = {temp} ---")
    try:
        resp = client.chat.completions.create(
            model=MODEL,
            messages=[{"role": "user", "content": "用三种不同的方式说'你好'"}],
            temperature=temp,
        )
        print(resp.choices[0].message.content)
    except Exception as e:
        print(f"API 调用失败：{e}")

运行结果示例

==================================================
示例 1：基础对话
==================================================
回答：AI Agent 是一种能够自主感知环境、做出决策并采取行动的智能程序...

==================================================
示例 2：不同 System Prompt 对比
==================================================

--- Prompt 1 ---
AI Agent（人工智能代理）是指能够自主执行任务的智能系统...

--- Prompt 2 ---
想象一下，你有一个超级聪明的小助手...

常见报错

问题	原因	解决
API 调用失败：401	API Key 无效或未设置	检查 .env 文件内容和环境变量
API 调用失败：404	模型名错误	确认 MODEL 名称是否正确（如 deepseek-chat）
ModuleNotFoundError: No module named 'openai'	未安装依赖	运行 pip install openai python-dotenv
Error loading .env file	.env 文件不存在	创建 .env 文件并写入 API Key

动手练习

1. 换用不同的 system prompt，观察 LLM 回答风格的变化
2. 把 temperature 分别设为 0、0.5、1.0、1.5，观察输出的差异
3. 试一个不同的模型（如切换为通义千问），看看效果差别

思考题

1. LLM 和 Agent 最关键的区别是什么？
2. 为什么 Agent 需要"工具"？只靠 LLM 的"知识"不够吗？
3. 如果你想让 Agent 执行一个三步任务（搜索→分析→报告），你会怎么设计？

---

📦 完整代码

本课程所有代码已托管在 GitCode：

git clone git@gitcode.com:gcw_A202cbBm/ai-agent.git
cd ai-agent/code

也可直接访问：https://gitcode.com/gcw_A202cbBm/ai-agent

---

下一篇预告：AI Agent 入门（二）：理解 LLM —— Chat Completion、参数调优与结构化输出

我们将深入 LLM 的工作原理，学会如何控制输出格式——这是后续实现 Tool Use 的关键基础。

---

如果您觉得有用，欢迎 点赞、转发、评论、关注。