教程：用 Python 从零手写智能旅行助手 AI Agent

sscc001

534人浏览 · 2026-01-09 17:50:07

sscc001 · 2026-01-09 17:50:07 发布

本教程将带你逐步实现一个基于 ReAct 模式的 AI Agent，能够查询实时天气、搜索景点并生成旅行规划。无需复杂框架，仅用 Python 原生代码即可构建。

一、AI Agent 的核心概念

传统大语言模型（如 ChatGPT）知识丰富，但无法访问实时数据（如天气、新闻）。AI Agent 通过组合 LLM（大脑）、记忆、规划和工具，打破这一限制。

简单公式：Agent = LLM + Memory + Planning + Tools。

本教程聚焦旅行助手场景，让 Agent 能回答“今天郑州天气如何？”等实时问题。

二、ReAct 模式：让 AI 学会使用工具

ReAct（Reasoning + Acting）通过强制模型循环执行以下步骤实现工具调用：

Thought：分析当前需求（如“需要查询天气”）。
Action：调用工具函数（如 get_weather(city="郑州")）。
Observation：获取工具返回结果（如“郑州当前天气晴，气温 25℃”）。
重复：直到满足用户请求。

关键点：通过 Prompt Engineering 让模型输出文本格式的 Action，而非依赖 OpenAI Function Calling，确保兼容性。

三、代码实战：四步构建旅行助手

步骤 1：定义工具函数（Python 实现）

工具是 Agent 的“手”，我们准备三个核心函数：

get_weather(city)：调用 wttr.in API 获取实时天气。
get_forecast(city, days)：查询多日天气预报。
get_attraction(city, weather)：通过 Tavily Search API 基于天气推荐景点。

import requests
from tavily import TavilyClient

def get_weather(city: str) -> str:
    url = f"https://wttr.in/{city}?format=j1"
    response = requests.get(url)
    data = response.json()
    desc = data['current_condition'][0]['weatherDesc'][0]['value']
    temp = data['current_condition'][0]['temp_C']
    return f"{city}当前天气:{desc}，气温{temp}摄氏度"

# 其他工具函数详见原文完整代码

步骤 2：设计系统提示词（Agent 的“说明书”）

在 System Prompt 中明确规则格式，强制模型按 ReAct 循环思考：

AGENT_SYSTEM_PROMPT = """
你是一个智能旅行助手。可用工具：get_weather、get_forecast、get_attraction。
行动格式：
Thought: [思考过程]
Action: [函数调用，如 get_weather(city="Beijing")]
任务完成后使用 finish(answer="...") 输出结果。
"""

步骤 3：实现思考循环（Python 主逻辑）

循环执行：模型输出 Action → 执行工具 → 返回 Observation → 继续思考。

history = ["用户请求: 帮我查郑州天气并推荐景点"]
while True:
    response = llm.generate(history, system_prompt=AGENT_SYSTEM_PROMPT)  # 调用 LLM
    if "Action:" in response:
        tool_name, args = parse_action(response)  # 解析工具名和参数
        result = available_tools[tool_name](**args)  # 执行工具
        history.append(f"Observation: {result}")  # 记录结果
    if "finish" in response:
        print("最终答案:", extract_answer(response))
        break