Python 3.14 + AI Agent 实战：从“会聊天”到“会干活”，手把手做一个真正能调用工具的智能体

打工仔折腾 AI

324人浏览 · 2026-09-09 08:54:39

打工仔折腾 AI · 2026-09-09 08:54:39 发布

最近 AI Agent 又火起来了。

但很多刚学 Python 和大模型的人，都会卡在一个地方：

“我已经会调用大模型 API 了，下一步到底怎么做 Agent？”

这篇文章不准备从一堆概念讲起。

我们直接用 Python 3.14 + OpenAI Agents SDK 做一个真正可以运行的 AI Agent，让它不仅能够回答问题，还能够根据任务主动选择 Python 工具执行操作，然后把执行结果整理成最终答案。

更重要的是，本文会把 Agent 的工作流程直接画成图，让你一眼看懂：

Agent 到底和普通聊天机器人有什么区别？

一、先问一个问题：大模型为什么还需要 Agent？

先看一个最简单的场景。

你问大模型：

帮我计算 12345 × 6789

普通大模型完全可以直接给你一个结果。

这时候程序的工作非常简单：

用户输入
→
大模型
→
生成答案
→
返回用户

这种方式没什么问题。

但是如果你问：

帮我分析这个 Excel 文件，
找出销售下降最多的产品，
然后生成一份总结报告。

事情就完全不一样了。

因为这个任务已经不是“回答一句话”这么简单。

它需要：

读取文件
分析数据
找出异常
继续处理
最后生成报告

这时候，单纯调用一次大模型就不够了。

这就是 AI Agent 发挥作用的地方。

二、普通大模型和 AI Agent，到底差在哪？

上图可以简单理解成：

普通大模型更偏向“回答问题”。

而：

AI Agent 更偏向“完成任务”。

OpenAI 当前的 Agents SDK 文档把 Agent 描述为由大模型、指令和工具组成，并提供任务转移、护栏、会话等运行能力；SDK 还提供内置追踪，用于观察和调试 Agent 的执行过程。

所以你可以把它粗略理解成：

大模型负责思考。

工具负责干活。

Agent 负责把两者组织起来。

三、今天到底做什么？

这次我们不做“只能聊天”的 Demo。

直接做一个：

Python AI 智能助手

它有两个能力：

能力一：查看当前 Python 版本

能力二：执行数学计算

例如用户输入：

帮我看看当前 Python 版本，并计算 12345 × 6789。

Agent 就要自己判断：

哪个部分需要 Python 版本工具？

哪个部分需要计算工具？

最后再把结果整理成人类容易看懂的话。

这才是我们今天真正要学的 Agent。

四、先把 Agent 的核心流程看懂

这一部分以前我们很容易写成大量箭头文字。

这次直接看图。

从这张图可以看出来，Agent 并不是简单地：

用户问 → 模型答

而是：

用户提出任务之后，Agent 需要不断理解、规划、选择工具、执行工具、读取结果，再决定下一步。

这就是 Agent 的核心。

而且这个循环并不一定只执行一次。

复杂任务完全可能连续调用多个工具。

比如：

用户：
帮我分析销售数据，并找出异常产品。

Agent 可能先：

读取文件

然后：

分析数据

接着：

计算异常指标

最后：

生成总结

所以 Agent 更像一个“任务执行器”。

五、Python 3.14 为什么值得关注？

截至目前，Python 官方发布的最新 Python 3 系列版本是 Python 3.14.7，发布日期为 2026 年 8 月 5 日。Python 官方说明，Python 3.14 系列带来了包括自由线程模式正式支持、注解延迟求值、模板字符串、多解释器标准库支持以及 Zstandard 压缩模块等变化。

这里我们特别关注一个变化：

自由线程模式正式得到支持

过去大家聊 Python 性能，经常会提到一个东西：

全局解释器锁。

Python 3.14 已经正式支持自由线程模式。

但是这里一定不要产生一个误解：

不是升级到 Python 3.14，所有程序就自动快很多。

实际收益还和你的任务类型、依赖库、代码结构有关。

所以对于 AI Agent 开发来说，我更愿意把 Python 3.14 理解成：

Python 生态继续向更强的并发和运行能力演进。

而 AI Agent 恰好又是一个非常适合做：

工具调用
API 调用
数据处理
多步骤任务
自动化执行

的方向。

六、今天的技术栈

整个 Demo 尽量保持简单。

Python 3.14
+
OpenAI Agents SDK
+
Python 工具函数

OpenAI 官方当前推荐可以通过以下命令安装 Agents SDK：

pip install openai-agents

官方 Quickstart 也是从创建虚拟环境、安装 SDK、创建 Agent、给 Agent 增加工具开始。

七、第一步：创建项目

创建项目：

mkdir python_agent_demo
cd python_agent_demo

创建虚拟环境：

python -m venv .venv

Windows：

.venv\Scripts\activate

Linux / macOS：

source .venv/bin/activate

安装 SDK：

pip install openai-agents

然后设置：

OPENAI_API_KEY

Windows PowerShell：

$env:OPENAI_API_KEY="你的 API Key"

Linux / macOS：

export OPENAI_API_KEY="你的 API Key"

八、第二步：先创建一个最简单的 Agent

新建文件：

main.py

代码如下：

from agents import Agent, Runner


agent = Agent(
    name="Python助手",
    instructions="""
    你是一名专业的 Python 技术助手。
    请用简单、清晰的中文回答问题。
    """
)


result = Runner.run_sync(
    agent,
    "用一句话告诉我 Python 是什么？"
)


print(result.final_output)

运行：

python main.py

如果环境配置正常，就可以得到模型返回的答案。

这一步其实已经完成了一个最基础的 Agent。

但它还有一个非常明显的问题：

它只会说，不会做。

九、第三步：让 Agent 拥有真正的“手脚”

Agent 真正开始变强的关键，就是：

工具

OpenAI Agents SDK 当前支持多种工具方式，其中一个非常重要的方式就是把 Python 函数直接变成工具。官方文档明确提供了 Function Tools，并支持自动生成参数模式和参数校验。

这意味着：

你原来写好的 Python 函数，

可以直接交给 Agent 使用。

十、先写一个计算工具

先不管 AI。

我们直接写一个普通的 Python 函数：

def calculate(a: float, b: float, operation: str) -> float:
    """执行基础数学计算。"""

    if operation == "add":
        return a + b

    if operation == "sub":
        return a - b

    if operation == "mul":
        return a * b

    if operation == "div":
        if b == 0:
            raise ValueError("除数不能为 0")
        return a / b

    raise ValueError(f"不支持的运算：{operation}")

这个函数一点 AI 都没有。

就是一个很普通的 Python 函数。

但是接下来，我们要把它变成：

Agent 可以调用的工具

十一、第四步：把 Python 函数交给 Agent

按照目前 Agents SDK 官方 Quickstart 的写法，我们可以使用工具装饰器把普通 Python 函数注册成工具。

代码：

from agents import Agent, Runner
from agents.decorators import tool


@tool
def calculate(a: float, b: float, operation: str) -> float:
    """
    执行基础数学计算。

    operation:
    add = 加法
    sub = 减法
    mul = 乘法
    div = 除法
    """

    if operation == "add":
        return a + b

    if operation == "sub":
        return a - b

    if operation == "mul":
        return a * b

    if operation == "div":
        if b == 0:
            raise ValueError("除数不能为 0")
        return a / b

    raise ValueError("不支持的操作")


agent = Agent(
    name="计算助手",
    instructions="""
    你是一名计算助手。

    如果用户提出数学计算需求，
    优先使用 calculate 工具。

    不要自己猜测计算结果。
    最终请使用中文给出清晰的结果。
    """,
    tools=[calculate],
)


result = Runner.run_sync(
    agent,
    "请计算 12345 × 6789"
)


print(result.final_output)

这里最关键的是：

tools=[calculate]

它的意思很简单：

告诉 Agent：你现在拥有 calculate 这个工具。

十二、Agent 什么时候会调用这个工具？

假设用户问：

请计算 12345 × 6789

Agent 并不是简单地看到 Python 函数然后机械调用。

它需要根据任务判断：

这个问题是否需要计算？

如果需要，那么：

应该调用哪个工具？

工具参数应该是什么？

例如：

a = 12345
b = 6789
operation = mul

然后 Python 真正执行。

执行完成之后，再把结果交回 Agent。

这就是：

工具调用

十三、再增加一个工具：查看 Python 版本

我们继续增加功能。

import platform


@tool
def get_python_version() -> str:
    """获取当前运行环境的 Python 版本。"""

    return platform.python_version()

现在 Agent 就有两个工具：

计算工具
+
Python 版本工具

完整代码：

import platform

from agents import Agent, Runner
from agents.decorators import tool


@tool
def get_python_version() -> str:
    """获取当前运行环境的 Python 版本。"""

    return platform.python_version()


@tool
def calculate(a: float, b: float, operation: str) -> float:
    """执行基础数学计算。"""

    if operation == "add":
        return a + b

    if operation == "sub":
        return a - b

    if operation == "mul":
        return a * b

    if operation == "div":
        if b == 0:
            raise ValueError("除数不能为 0")
        return a / b

    raise ValueError("不支持的操作")


agent = Agent(
    name="Python智能助手",
    instructions="""
    你是一名专业的 Python 技术助手。

    当用户询问 Python 版本时，
    使用 get_python_version。

    当用户需要数学计算时，
    使用 calculate。

    不要凭空猜测工具结果。
    最终使用简洁、清晰的中文回答。
    """,
    tools=[
        get_python_version,
        calculate,
    ],
)


result = Runner.run_sync(
    agent,
    "帮我看看当前 Python 版本，并计算 12345 × 6789"
)


print(result.final_output)

十四、现在这个 Agent 已经开始“像 Agent”了

用户一句话：

帮我看看当前 Python 版本，
并计算 12345 × 6789。

实际上已经包含两个任务。

Agent 需要：

识别任务。

决定需要哪些工具。

执行工具。

读取结果。

组织最终答案。

这和最开始的“一问一答”已经有明显区别。

十五、再看一遍真正的 Agent 架构

整个系统可以用一句非常简单的话概括：

模型负责理解和推理，工具负责执行，Agent 负责组织整个过程。

这句话我建议大家记住。

因为以后你学习：

RAG
MCP
多 Agent
工作流
AI 自动化
AI 编程
企业智能助手

你会不断看到这几个东西。

十六、为什么“工具”这么重要？

假设你告诉普通大模型：

帮我查一下数据库中今天新增了多少订单。

它可能会告诉你：

你可以使用 SQL：
SELECT COUNT(*) FROM orders ...

问题来了。

它只是告诉你怎么做。

真正的数据它并没有拿到。

如果是 Agent：

它可以拥有：

数据库工具

于是就可以：

理解任务
→
决定查询数据库
→
调用数据库工具
→
拿到结果
→
继续分析
→
返回答案

这就是为什么 Agent 的核心能力，不只是：

“会不会生成文字”

而是：

“能不能调用外部能力完成任务。”

OpenAI Agents SDK 当前的工具体系已经覆盖函数工具、托管工具、MCP 工具以及其他运行时工具等多种方式。

十七、从这里就可以继续扩展

今天我们只有两个工具。

但是你完全可以继续往里面增加：

搜索工具
数据库工具
文件工具
Excel 工具
PDF 工具
邮件工具
企业 API
Python 数据分析工具
浏览器工具

这样就能逐渐形成：

一个真正能做事情的 AI 助手。

比如：

“帮我分析今天的销售数据。”

Agent 可以：

读取 Excel

↓

分析数据

↓

找出异常

↓

计算增长率

↓

生成结论

↓

返回报告

这才是 AI Agent 真正有价值的地方。

十八、Agent 不是越复杂越好

这一点非常重要。

现在 Agent 很火。

但是：

并不是所有项目都需要 Agent。

假设你的需求只是：

用户输入问题
→
调用大模型
→
返回答案

那根本不需要搞复杂的 Agent。

普通模型调用就够了。

只有当任务开始出现：

需要规划
需要工具
需要多个步骤
需要根据结果继续行动
需要状态管理

这种场景时，Agent 才真正有价值。

十九、复杂 Agent 最后会变成什么？

简单 Agent 可能只有：

一个 Agent
+
几个工具

复杂一点之后，会变成：

一个主 Agent
+
多个专业 Agent
+
多个工具
+
状态
+
护栏
+
人工审批
+
追踪

OpenAI Agents SDK 目前也已经提供：

Agents as tools
Handoffs
Guardrails
Sessions
Human in the loop
Tracing

等能力。

这说明一个趋势：

Agent 正在从“能不能调用工具”逐渐走向“怎样可靠地执行复杂任务”。

二十、生产环境真正难的，不是把 Agent 跑起来

前面的 Demo 其实不难。

真正做项目时，难点会慢慢变成：

工具调用失败怎么办？

Agent 无限循环怎么办？

调用错误 API 怎么办？

敏感操作要不要人工确认？

用户输入是否安全？

怎么记录 Agent 到底做了什么？

成本怎么控制？

多个 Agent 怎么协调？

这些问题才是生产级 Agent 真正需要解决的。

而官方 SDK 现在也已经提供护栏、人工参与和追踪等能力，帮助开发者对 Agent 的运行过程进行控制和观察。

二十一、一个非常重要的认识

以前我们学习 Python，通常是：

写代码
→
代码执行
→
得到结果

而 Agent 出现之后，会越来越像：

提出目标
→
AI 理解目标
→
AI 决定调用什么
→
工具执行
→
AI 获取结果
→
继续判断
→
完成目标

这实际上意味着：

软件开发正在从“写死流程”逐渐走向“让 AI 参与流程决策”。

当然，这不意味着以后程序员不需要写代码。

恰恰相反。

真正高质量的 AI 应用依然离不开：

Python、数据库、API、权限、日志、异常处理和工程能力。

只是现在多了一层：

AI 决策层

二十二、对于 Python 开发者来说，接下来应该学什么？

如果你现在已经会一点 Python，我建议学习路线不要一上来就追几十个框架。

可以按照这个顺序：

第一阶段：Python

先把：

函数
类
模块
异常
文件
网络请求
异步

这些基础打牢。

第二阶段：大模型

掌握：

模型调用
提示词
结构化输出
上下文
API

第三阶段：Agent

开始理解：

Agent
工具
工具调用
任务规划
状态

第四阶段：复杂 Agent

再学习：

RAG
MCP
多 Agent
工作流
记忆
护栏
人工确认

这样会比直接背框架舒服很多。

二十三、最后再看一次今天真正学到了什么

今天我们没有搞复杂的项目。

但是已经把 Agent 最核心的思想跑了一遍：

模型

Agent

工具

执行

这四个东西组合起来，就构成了现代 AI 应用开发非常重要的一条主线。

你可以把它简单记成：

模型负责想。

工具负责做。

Agent 负责安排怎么做。

这也是为什么我认为：

Python + AI Agent，会是未来一段时间非常值得持续学习的方向。

Python 3.14.7 目前已经是 Python 3 系列最新版本，而 Agents SDK 也在持续向工具调用、任务编排、护栏、会话、追踪以及更复杂的 Agent 运行场景扩展。

二十四、最后

如果你现在只会：

Python
+
调用大模型

其实已经不错了。

但是不要停在这里。

下一步真正值得做的是：

让 AI 调用 Python

然后：

让 AI 调用数据库

再然后：

让 AI 调用搜索

最后：

让 AI 自己完成一整套任务

当你真正把这个过程做出来之后，你会发现：

Agent 并没有想象中神秘。

它本质上就是：

“让 AI 拥有工具，并让 AI 决定什么时候使用这些工具。”

而真正厉害的地方，是当工具越来越多、任务越来越复杂之后，AI 开始能够协调这些工具完成原本需要人一步一步操作的工作。

这才是 AI Agent 真正值得学习的地方。

AI Agent技术社区

Agent 垂直技术社区，欢迎活跃、内容共建。

更多推荐

AI Agent编排：复杂工作流的自动化实现

在深入探讨Agent编排之前，我们首先需要明确什么是AI Agent。AI Agent是一个能够感知环境、做出决策并采取行动的自主实体。感知模块：接收和处理环境信息推理/决策模块：基于感知信息进行思考和决策行动模块：执行具体的操作（如调用工具、生成文本）记忆模块：存储历史信息和知识通信模块：与其他Agent或系统进行交互Agent编排（Agent Orchestration）是指对多个Agent的

AI Agent技术社区

阶跃星辰 StepAudio 3：五款语音模型一次放出，全双工对话拿下两个全球第一

AI Agent技术社区

AI Agent的多轮对话状态管理

在深入探讨之前，让我们首先明确几个核心概念：AI Agent：一种能够感知环境、做出决策并执行行动的智能实体。在对话系统中，AI Agent通常指能够理解用户意图、保持对话上下文并生成有意义响应的系统。多轮对话：不同于单轮问答，多轮对话是指用户与系统之间进行的连续、有上下文关联的交互序列。对话状态管理(Dialogue State Tracking, DST)：是多轮对话系统中的核心组件，负责在对

AI Agent技术社区

所有评论(0)

查看更多评论

打工仔折腾 AI

@2402_83344867

已为社区贡献8条内容

Python 3.14 + AI Agent 实战：从“会聊天”到“会干活”，手把手做一个真正能调用工具的智能体

打工仔折腾 AI

一、先问一个问题：大模型为什么还需要 Agent？

二、普通大模型和 AI Agent，到底差在哪？

三、今天到底做什么？

Python AI 智能助手

四、先把 Agent 的核心流程看懂

五、Python 3.14 为什么值得关注？

自由线程模式正式得到支持

六、今天的技术栈

七、第一步：创建项目

八、第二步：先创建一个最简单的 Agent

它只会说，不会做。

九、第三步：让 Agent 拥有真正的“手脚”

工具

十、先写一个计算工具

Agent 可以调用的工具

十一、第四步：把 Python 函数交给 Agent

十二、Agent 什么时候会调用这个工具？

工具调用

十三、再增加一个工具：查看 Python 版本

十四、现在这个 Agent 已经开始“像 Agent”了

十五、再看一遍真正的 Agent 架构

十六、为什么“工具”这么重要？

十七、从这里就可以继续扩展

十八、Agent 不是越复杂越好

并不是所有项目都需要 Agent。

十九、复杂 Agent 最后会变成什么？

二十、生产环境真正难的，不是把 Agent 跑起来

二十一、一个非常重要的认识

软件开发正在从“写死流程”逐渐走向“让 AI 参与流程决策”。

AI 决策层

二十二、对于 Python 开发者来说，接下来应该学什么？

第一阶段：Python

第二阶段：大模型

第三阶段：Agent

第四阶段：复杂 Agent

二十三、最后再看一次今天真正学到了什么

Python + AI Agent，会是未来一段时间非常值得持续学习的方向。

二十四、最后

“让 AI 拥有工具，并让 AI 决定什么时候使用这些工具。”

所有评论(0)

温馨提示：您尚未绑定手机号

打工仔折腾 AI