从零开始：用Python打造你的第一个AGI编程助手（附完整代码）

最近和几个刚入行的开发朋友聊天，他们总在感叹，现在AI编程工具层出不穷，但要么是云端服务调用起来像黑盒，要么就是框架庞大得让人望而生畏。有没有一种可能，我们自己就能动手，用最熟悉的Python，从最核心的原理出发，搭建一个真正能理解我们意图、并执行代码的智能体呢？这听起来像是通往AGI（人工通用智能）的遥远一步，但其实，它的核心逻辑远比想象中更贴近地面。这篇文章就是为你准备的，无论你是对AI充满好奇的编程新手，还是想深入理解智能体背后机制的经验开发者。我们将避开复杂的理论堆砌，直接进入实战，用大约50行清晰、可运行的代码，构建一个属于你自己的“Code Agent”。这个助手不仅能和你对话，更能理解你的编程需求，创建独立的Python执行环境，并安全地运行代码返回结果。整个过程，你会亲手触摸到大型语言模型如何与执行引擎结合，体验到“思考”与“行动”在一个AI系统中的闭环。准备好了吗？让我们打开编辑器，开始这段既有趣又有深度的创造之旅。

1. 核心理念：为什么从Code Agent切入理解AGI？

在深入代码之前，我们有必要先厘清一个概念：为什么业界常将“Code Agent”视为探索AGI的一条重要路径？这并非空穴来风。人工通用智能的终极目标，是让机器能够像人类一样，灵活地学习、推理并解决各类陌生问题。而“编程”这件事，恰好是一个近乎完美的测试场。它要求智能体至少具备以下几种核心能力：

• 自然语言理解：将人类模糊的需求描述（如“帮我分析一下这份销售数据”）转化为精确的、结构化的任务目标。
• 逻辑规划与分解：将大任务拆解为一系列可执行的子步骤，比如先读取数据文件，再进行清洗，最后选择合适的方法进行可视化。
• 工具使用与执行：调用正确的“工具”（在这里就是Python解释器及其丰富的库）来具体实施每一步计划。
• 结果验证与迭代：检查执行输出是否符合预期，如果出错，能够诊断问题并调整策略。

一个能够完成复杂编程任务的Code Agent，实际上已经在上述多个维度进行了演练。它不再是一个简单的聊天机器人，而是一个具备“感知-思考-行动”循环的自主智能体雏形。我们今天的项目，就是一个高度简化但五脏俱全的模型。通过它，你可以直观地看到，一个AI是如何将你的文字指令，变成一行行在独立沙箱中运行的代码，并带回答案的。这种从“说”到“做”的跨越，正是智能体（Agent）与传统AI应用的本质区别。

注意：本文构建的Agent侧重于“代码生成与执行”这一特定能力，是AGI宏大图景中的一个具体切片。理解这个切片的实现，是理解更复杂、更通用智能体的坚实基础。

2. 搭建你的智能体工程环境

任何值得投入的工程项目，都需要一个稳定、隔离的“工作间”。为了避免不同项目间的依赖冲突，我们首选使用Conda来创建独立的Python环境。这不仅是一个好习惯，更是确保你的智能体能够稳定运行的前提。

2.1 创建并激活虚拟环境

打开你的终端（或Anaconda Prompt），执行以下命令来创建一个基于Python 3.11的新环境，并命名为 ai_agent_env：

# 创建新环境，指定Python版本为3.11或更高
conda create -n ai_agent_env python=3.11 -y

# 激活创建好的环境
conda activate ai_agent_env

激活后，你的命令行提示符前通常会显示环境名 (ai_agent_env)，这表示后续的所有操作都将在这个“沙箱”中进行。

2.2 安装核心框架：Semantic Kernel

我们的智能体需要一个“大脑”来协调思考和行动。这里我们选用微软开源的 Semantic Kernel（SK）。它不是一个庞大的AI模型，而是一个轻量级的“胶水”框架，专门设计用来将大型语言模型（LLM）的能力方便地集成到你的应用中，并管理所谓的“插件”（即各种工具和功能）。你可以把它想象成智能体的中枢神经系统。

# 使用pip安装Semantic Kernel的核心包
pip install semantic-kernel

SK支持连接多种后端AI服务，如OpenAI、Azure OpenAI或本地部署的模型。为了教程的通用性和可运行性，我们将主要基于其架构进行讲解，并提供适配不同后端的代码思路。

2.3 准备代码执行引擎：Pandora Box服务

智能体需要“手”来执行代码。我们不可能让它在我们的主系统上随意运行未知代码，那太危险了。因此，我们需要一个安全的代码执行沙箱。这里我们引入一个名为 Pandora Box 的开源工具（仅用于示例教学，请注意其使用条款）。它可以创建一个临时的、隔离的Python环境，并通过HTTP API接收代码、执行并返回结果。

首先，在同一个虚拟环境中安装Pandora Box：

pip install PandoraBox

安装完成后，你需要生成一个唯一的API密钥，并启动本地服务：

# 生成一个API密钥，请妥善保存输出结果
pbox a

# 启动Pandora Box的本地HTTP服务
pbox s

服务默认会在 http://127.0.0.1:9501 启动。你可以通过访问 http://127.0.0.1:9501/docs 来查看其交互式API文档，确认服务已正常运行。这个服务将作为我们智能体的“代码执行插件”。

3. 智能体核心架构与代码逐行解析

现在，让我们进入最激动人心的部分：编写智能体本身。我们将创建一个Python脚本，它利用Semantic Kernel来连接AI“大脑”和Pandora Box“双手”。以下是完整的代码，我们将分块进行详细解读。

3.1 初始化：组装智能体的大脑与工具

首先，导入必要的模块，并搭建智能体的基础骨架。

import asyncio
from semantic_kernel import Kernel
from semantic_kernel.contents import ChatHistory
from semantic_kernel.connectors.ai.open_ai import (
    AzureChatCompletion,  # 如果使用Azure OpenAI
    OpenAIChatCompletion, # 如果使用原生OpenAI
    AzureChatPromptExecutionSettings
)
from semantic_kernel.connectors.openapi_plugin import OpenAPIFunctionExecutionParameters
from semantic_kernel.connectors.ai.function_call_behavior import FunctionCallBehavior
from semantic_kernel.functions import KernelArguments

关键点解析：

• Kernel：这是Semantic Kernel的核心类，是所有服务和插件的注册中心，也是执行流程的协调者。
• ChatHistory：用于维护与AI模型的对话历史，使其具备上下文记忆能力。
• 我们导入了两种聊天完成服务，你可以根据自己拥有的API资源选择其一。AzureChatCompletion用于连接微软Azure的OpenAI服务，OpenAIChatCompletion用于连接OpenAI官方API。

接下来，在 main 异步函数中，我们开始实例化并配置Kernel。

async def main():
    # 1. 创建Kernel实例
    kernel = Kernel()

    # 2. 配置AI模型服务（以OpenAI为例）
    # 请将以下参数替换为你自己的API信息
    chat_service = OpenAIChatCompletion(
        service_id="code_assistant",
        ai_model_id="gpt-4o-mini",  # 也可使用 gpt-3.5-turbo
        api_key="your-openai-api-key-here"  # 你的OpenAI API Key
    )
    kernel.add_service(chat_service)

    # 3. 添加Pandora Box作为执行插件
    kernel.add_plugin_from_openapi(
        plugin_name='PandoraBox',
        openapi_document_path='http://127.0.0.1:9501/openapi.json',
        execution_settings=OpenAPIFunctionExecutionParameters(
            enable_payload_namespacing=True
        )
    )

配置说明：

• service_id 和 ai_model_id 用于标识服务。
• api_key 是你从OpenAI平台获取的密钥。切勿将真实的API密钥提交到版本控制系统！ 建议通过环境变量读取。
• add_plugin_from_openapi 是SK一个非常强大的功能。它直接读取Pandora Box服务提供的 openapi.json 描述文件，自动将其所有API端点（如创建环境、执行代码）转化为Kernel内部可以调用的“函数”。这意味着，AI模型在思考时，就知道自己“手头”有哪些工具可用。

3.2 配置对话与函数调用行为

智能体需要知道何时以及如何调用工具。我们通过配置提示执行设置来实现。

    # 4. 配置函数调用行为
    prompt_execution_settings = AzureChatPromptExecutionSettings(
        tool_choice="auto",  # 让模型自动决定是否调用工具
        function_call_behavior=FunctionCallBehavior.EnableFunctions(
            auto_invoke=True,  # Kernel自动执行模型选择的函数调用
            filters={}  # 可以在这里设置过滤器，限制可调用的函数
        )
    )

    # 5. 初始化对话历史并设置系统角色
    history = ChatHistory()
    system_message = """
    你是一个专业的Python代码助手。你的核心能力是帮助用户解决计算和编程问题。
    你可以通过调用PandoraBox插件来执行以下操作：
    1. 创建一个新的、隔离的Python执行环境。
    2. 在该环境中运行用户提供的Python代码。
    3. 管理环境的生命周期。

    当用户的问题涉及计算、数据分析、算法或需要运行代码验证时，你应该主动规划步骤：
    a. 判断是否需要创建新环境（如果用户没有指定，可以新建一个）。
    b. 编写解决问题的Python代码。
    c. 调用插件执行代码。
    d. 将执行结果清晰、准确地解释给用户。

    你的回答应简洁专业，直接呈现代码和结果。如果执行出错，尝试分析错误原因。
    可用的API密钥：xxxxxxxxxxxxxx（此处填入pbox a生成的key）
    """
    history.add_system_message(system_message)

系统提示词（System Prompt）的精髓： 这段系统消息是智能体的“人格”和“工作说明书”。它定义了：

• 角色：Python代码助手。
• 能力范围：明确告知模型它拥有PandoraBox插件及其功能。
• 工作流程：给出了一个清晰的“规划-编码-执行-反馈”的思维链（Chain of Thought）范例。
• 约束与格式：要求回答简洁专业，并处理错误。 精心设计的系统提示是引导大模型行为、提升智能体可靠性的最关键环节之一，其重要性不亚于代码本身。

3.3 实现交互主循环

最后，我们实现一个简单的命令行交互循环，让智能体“活”起来。

    print("智能体已启动。输入您的问题（例如‘解方程 3x+5=11’或‘画一个正弦波’），输入‘退出’结束。")
    # 6. 开始交互循环
    while True:
        try:
            user_input = input("\n用户 > ").strip()
            if user_input.lower() in ['退出', 'exit', 'quit']:
                print("对话结束。")
                break

            history.add_user_message(user_input)

            # 7. 调用模型，并允许其自动触发函数调用
            print("助手 > ", end='', flush=True)
            result = chat_service.get_streaming_chat_message_contents(
                chat_history=history,
                settings=prompt_execution_settings,
                kernel=kernel,
                arguments=KernelArguments()  # 可以传递额外参数
            )

            # 流式打印模型回复
            full_response = ""
            async for chunk in result:
                content = str(chunk[0]) if chunk else ""
                print(content, end='', flush=True)
                full_response += content
            print()  # 换行

            # 将模型的完整回复加入历史，维持上下文
            history.add_assistant_message(full_response)

        except KeyboardInterrupt:
            print("\n程序被中断。")
            break
        except Exception as e:
            print(f"\n发生错误: {e}")
            # 可以选择将错误信息加入历史，让模型知晓
            history.add_assistant_message(f"系统执行出错: {e}")

if __name__ == '__main__':
    asyncio.run(main())

循环中的关键机制：

1. 流式输出：get_streaming_chat_message_contents 方法实现了逐词输出，模仿了真实的AI对话体验，而不是等待全部生成完毕再显示。
2. 自动函数调用：由于我们设置了 auto_invoke=True，当模型在生成回复过程中认为需要调用PandoraBox的函数（比如create_environment或execute_code）时，Kernel会自动拦截这次调用，去执行对应的HTTP请求，并将执行结果作为上下文插回给模型，让模型继续生成面向用户的最终回答。这个过程对用户是透明的。
3. 历史维护：严格地将用户输入和助手输出轮流加入 ChatHistory，这是实现多轮对话连贯性的基础。

4. 实战演练：与你的智能体对话

现在，在确保Pandora Box服务 (pbox s) 正在运行的前提下，在终端中运行你的Python脚本。让我们通过几个真实的例子，看看这个50行代码构建的智能体能做什么。

案例一：解决数学问题

用户 > 帮我计算从1加到100的和，并用高斯公式验证。
助手 > 我将先创建一个Python环境来计算。... [创建环境成功]
现在，我将编写代码计算1到100的和，并使用高斯公式 n*(n+1)/2 进行验证。
```python
# 直接累加
sum_direct = sum(range(1, 101))
# 高斯公式
n = 100
sum_gauss = n * (n + 1) // 2

print(f"直接累加结果: {sum_direct}")
print(f"高斯公式结果: {sum_gauss}")
print(f"两者是否一致: {sum_direct == sum_gauss}")

执行代码后，返回结果： 直接累加结果: 5050 高斯公式结果: 5050 两者是否一致: True 因此，1到100的和是5050，两种方法结果一致。

**案例二：执行数据分析任务**

用户 > 我有一个列表：[12, 45, 23, 67, 9, 33]。请帮我找出最大值、最小值和平均值。 助手 > 我将运行代码来分析这个列表。

data = [12, 45, 23, 67, 9, 33]
max_val = max(data)
min_val = min(data)
avg_val = sum(data) / len(data)

print(f"列表: {data}")
print(f"最大值: {max_val}")
print(f"最小值: {min_val}")
print(f"平均值: {avg_val:.2f}")

执行结果： 列表: [12, 45, 23, 67, 9, 33] 最大值: 67 最小值: 9 平均值: 31.50

**案例三：处理复杂请求与错误**

用户 > 读取一个不存在的文件‘test.txt’，然后告诉我文件内容。 助手 > 我将尝试执行读取文件的操作。

with open('test.txt', 'r') as f:
    content = f.read()
    print(content)

执行时发生了错误： FileNotFoundError: [Errno 2] No such file or directory: 'test.txt' 错误原因是当前工作目录下不存在名为‘test.txt’的文件。请检查文件路径和名称是否正确。

通过这些对话，你可以清晰地看到智能体的完整工作流：理解问题 -> 规划（决定写代码）-> 行动（调用插件执行）-> 观察结果 -> 生成最终回复。这正是智能体范式的魅力所在。

## 5. 深入优化与扩展思路

我们的基础版本已经可以工作，但一个健壮的、可投入实际使用的智能体还需要更多考量。以下是几个关键的优化和扩展方向：

### 5.1 增强安全性与可靠性

*   **沙箱强化**：Pandora Box提供了基础隔离，但对于生产环境，可以考虑更严格的容器化方案（如Docker沙箱），并限制网络访问、运行时间和资源（CPU/内存）。
*   **代码审查与过滤**：在将用户请求或模型生成的代码发送给执行引擎前，可以加入一层安全检查，过滤掉明显危险的系统调用（如 `os.system(‘rm -rf /’)`）、无限循环或资源耗尽型代码。
*   **错误处理与重试**：为插件调用（HTTP请求）添加更完善的错误处理、超时控制和指数退避重试机制。

### 5.2 扩展智能体的能力边界

目前我们的智能体只有一个“代码执行”插件。Semantic Kernel的强大之处在于可以轻松集成更多插件，打造全能助手。

| 插件类型 | 功能描述 | 可能实现方式 |
| :--- | :--- | :--- |
| **网络搜索** | 回答实时性问题，获取最新资讯。 | 集成Serper API、DuckDuckGo搜索插件。 |
| **知识库查询** | 回答基于特定文档（如公司手册、产品文档）的问题。 | 使用SK的文本嵌入和向量存储功能构建RAG（检索增强生成）系统。 |
| **文件操作** | 读取、分析、总结用户上传的文档（PDF, Word, Excel）。 | 集成 `unstructured`、`pypdf` 等库作为插件函数。 |
| **第三方API** | 发送邮件、管理日历、查询天气、控制智能家居。 | 通过OpenAPI描述文件添加任何网络服务。 |

添加新插件通常只需要一行类似的 `add_plugin_from_openapi` 调用，或者为本地函数添加 `@kernel_function` 装饰器。智能体的“工具箱”就这样被不断丰富。

### 5.3 优化提示工程与规划能力

系统提示词可以进一步细化，以提升智能体的决策质量：
*   **分步思考**：明确要求模型在内部先输出“思考：”步骤，再输出“行动：”和“最终答案：”，这有助于调试和提升逻辑性。
*   **多工具协作**：在提示词中教导模型如何组合使用工具。例如：“如果用户问‘今天纽约的天气如何，并用Python画个温度趋势图’，你应该先调用天气插件获取数据，再调用代码执行插件运行绘图代码。”
*   **持久化记忆**：当前的对话历史仅在内存中。可以通过集成数据库，让智能体记住跨会话的用户偏好和历史任务上下文。

写完这个智能体，我最深的体会是，AGI的神秘面纱在动手实践中被一层层揭开了。它不再是新闻里遥不可及的概念，而是一系列具体技术组件的巧妙拼接——大模型提供理解和生成，框架管理工具和流程，执行引擎赋予行动能力。这个50行代码的项目就像一个乐高底座，你已经掌握了最核心的连接器。接下来，是给它装上更强大的“思维模型”（尝试GPT-4、Claude-3），配备更丰富的“工具手”（接入更多API），还是设计更精妙的“任务流程图”（实现多智能体协作），完全取决于你的想象力和需求。编程的世界里，最好的学习永远是创造。现在，你的第一个智能体已经在线，不妨试着给它出个更难的题目，看看你们能一起走多远。