AI Agent 开发实战指南：从零开始构建你的第一个智能助手

👁 269 次阅读

引言：为什么你需要学习AI Agent开发？

2026年，AI Agent（智能体）已经从实验室概念变成了改变生产力的核心工具。从微软Copilot到OpenAI的Operator，从Anthropic的Claude Code到各大开源框架，AI Agent正在重新定义”软件”的边界。

根据GitHub最新的数据，datawhalechina/easy-vibe（Vibe Coding入门教程）已获得超过18,600颗星，walkinglabs/learn-harness-engineering（Harness工程入门）也获得了超过10,800颗星。这些数据清晰地表明：AI Agent开发已经成为2026年最受关注的技术方向之一。

无论你是开发者、产品经理还是创业者，掌握AI Agent开发都能让你在AI时代占据先机。本教程将从零开始，带你一步步构建一个属于自己的AI智能助手。

第一部分：理解AI Agent的核心概念

1.1 什么是AI Agent？

AI Agent（智能体）是一个能够自主感知环境、做出决策并执行行动的智能系统。与传统AI应用不同，AI Agent具有以下核心特征：

• 自主性：无需人工干预，能自主完成任务
• 工具使用：可以调用API、搜索引擎、数据库等外部工具
• 记忆能力：维护对话上下文和长期记忆
• 规划能力：将复杂任务分解为可执行的步骤
• 反馈循环：根据执行结果自我调整和优化

1.2 主流AI Agent框架对比

2026年，以下AI Agent框架最受关注：

框架	语言	GitHub Stars	核心特点
LangGraph	Python	15000+	有向图工作流，支持多Agent协作，状态管理
Harness Framework	TypeScript	10800+	Harness Engineering，强调安全边界和可控性
CrewAI	Python	25000+	角色化多Agent协作，简单易用
AutoGen	Python	32000+	微软出品，多Agent对话，企业级支持
OpenAI Agents SDK	Python	12000+	官方SDK，与OpenAI生态深度集成

第二部分：环境搭建

2.1 安装Python和依赖

首先，确保你的系统安装了Python 3.10或更高版本。我们以LangGraph为例进行实战开发：

# 创建项目目录
mkdir ai-agent-tutorial
cd ai-agent-tutorial

# 创建虚拟环境
python3 -m venv venv
source venv/bin/activate  # Windows: venv\Scripts\activate

# 安装核心依赖
pip install langgraph langchain langchain-openai python-dotenv

2.2 配置API密钥

在项目根目录创建 .env 文件：

# .env
OPENAI_API_KEY=sk-your-api-key-here
# 或者使用其他LLM提供商
ANTHROPIC_API_KEY=sk-ant-your-api-key

2.3 验证安装

# 验证LangGraph安装
python3 -c "import langgraph; print(f'LangGraph v{langgraph.__version__} 安装成功')"

# 验证LangChain安装
python3 -c "import langchain; print(f'LangChain v{langchain.__version__} 安装成功')"

第三部分：实战：构建一个智能搜索助手

我们将构建一个能够搜索网络、总结内容并回答问题的AI Agent。

3.1 定义Agent的工具

from langchain_openai import ChatOpenAI
from langchain.tools import tool
from langchain_community.tools import DuckDuckGoSearchRun
from langgraph.graph import StateGraph, MessageGraph
from langgraph.prebuilt import ToolExecutor
from typing import TypedDict, List, Annotated
import operator

# 定义Agent状态
class AgentState(TypedDict):
    messages: Annotated[List, operator.add]
    next_step: str

# 初始化LLM
llm = ChatOpenAI(model="gpt-4o", temperature=0.3)

# 定义搜索工具
@tool
def web_search(query: str) -> str:
    """搜索网络并返回结果摘要"""
    search = DuckDuckGoSearchRun()
    result = search.run(query)
    return result[:2000]  # 限制返回长度

# 定义计算工具
@tool
def calculator(expression: str) -> str:
    """执行数学计算"""
    try:
        return str(eval(expression))
    except Exception as e:
        return f"计算错误: {str(e)}"

# 注册工具
tools = [web_search, calculator]
tool_executor = ToolExecutor(tools)

3.2 构建Agent工作流

from langgraph.prebuilt import ToolInvocation
import json

# 定义Agent节点
def call_model(state):
    messages = state["messages"]
    response = llm.invoke(messages)
    return {"messages": [response]}

# 定义工具调用节点
def call_tool(state):
    messages = state["messages"]
    last_message = messages[-1]
    
    # 解析工具调用
    tool_call = last_message.additional_kwargs.get("tool_calls", [])
    if tool_call:
        for tc in tool_call:
            tool_name = tc["function"]["name"]
            tool_args = json.loads(tc["function"]["arguments"])
            observation = tool_executor.invoke(
                ToolInvocation(tool=tool_name, tool_input=tool_args)
            )
            messages.append({"role": "tool", "content": observation})
    return {"messages": messages}

# 构建工作流图
workflow = StateGraph(AgentState)
workflow.add_node("agent", call_model)
workflow.add_node("action", call_tool)
workflow.set_entry_point("agent")

# 添加条件边
workflow.add_conditional_edges(
    "agent",
    lambda state: "action" if state["messages"][-1].additional_kwargs.get("tool_calls") else "end",
    {"action": "action", "end": "__end__"}
)
workflow.add_edge("action", "agent")

# 编译
app = workflow.compile()

3.3 运行Agent

# 运行智能搜索助手
result = app.invoke({
    "messages": [{"role": "user", "content": "搜索2026年最热门的AI Agent框架，并帮我总结它们的优缺点"}]
})

# 输出结果
for msg in result["messages"]:
    if msg["role"] == "assistant":
        print(f"🤖 AI助手: {msg['content'][:500]}")
    elif msg["role"] == "tool":
        print(f"🔧 工具返回: {msg['content'][:200]}")

第四部分：进阶技巧

4.1 添加记忆功能

让Agent记住之前的对话内容：

from langgraph.checkpoint import MemorySaver

# 启用持久化记忆
memory = MemorySaver()
app = workflow.compile(checkpointer=memory)

# 每次对话带上线程ID
config = {"configurable": {"thread_id": "conversation-1"}}
result = app.invoke({
    "messages": [{"role": "user", "content": "刚才我搜索了什么？"}]
}, config=config)

4.2 多Agent协作

让多个Agent分工协作，各司其职：

# 创建研究Agent
research_agent = create_agent(llm, [web_search], "研究助手")

# 创建写作Agent
writer_agent = create_agent(llm, [], "写作助手")

# 创建审核Agent
review_agent = create_agent(llm, [calculator], "审核助手")

# 多Agent协作工作流
def research_step(state):
    """研究Agent负责收集信息"""
    return research_agent.invoke(state)

def writing_step(state):
    """写作Agent负责撰写内容"""
    return writer_agent.invoke(state)

def review_step(state):
    """审核Agent负责质量检查"""
    return review_agent.invoke(state)

4.3 安全边界（Harness Engineering）

2026年7月，一篇关于AI Agent安全入侵的论文（HuggingFace博客，Anatomy of a Frontier Lab Agent Intrusion）引起了广泛关注。该论文详细记录了前沿实验室Agent入侵的时间线，强调了安全边界的重要性。

使用Harness Engineering框架（walkinglabs/learn-harness-engineering，10,800+星）为Agent添加安全边界：

# 安装Harness框架
# npm install @harness/core

# 定义安全策略
const safetyPolicy = {
  maxTokens: 100000,
  allowedTools: ["search", "read", "calculate"],
  blockedDomains: ["internal.company.com"],
  maxRetries: 3,
  timeout: 30000,
  rateLimit: {
    requestsPerMinute: 30,
    contextWindow: 64000
  }
};

// 创建安全Agent
const agent = new HarnessAgent({
  model: "claude-sonnet-4",
  safety: safetyPolicy,
  tools: [searchTool, calculatorTool]
});

第五部分：部署与监控

5.1 部署为API服务

from fastapi import FastAPI
from pydantic import BaseModel

app = FastAPI()

class Query(BaseModel):
    message: str
    thread_id: str = "default"

@app.post("/agent/chat")
async def chat(query: Query):
    config = {"configurable": {"thread_id": query.thread_id}}
    result = await app.ainvoke({
        "messages": [{"role": "user", "content": query.message}]
    }, config=config)
    return {"response": result["messages"][-1].content}

# 启动服务
# uvicorn main:app --host 0.0.0.0 --port 8000

5.2 监控与日志

import logging
from langchain.callbacks import StdOutCallbackHandler

# 启用详细日志
handler = StdOutCallbackHandler()
llm = ChatOpenAI(model="gpt-4o", callbacks=[handler])

# 记录每次Agent调用的token消耗
with get_openai_callback() as cb:
    result = app.invoke({"messages": [user_msg]})
    print(f"Token消耗: {cb.total_tokens}")
    print(f"成本: ${cb.total_cost:.4f}")

总结与下一步

通过本教程，你已经从零搭建了一个具备搜索、计算和记忆能力的AI Agent。以下是关键要点回顾：

1. 选对框架：LangGraph适合复杂工作流，CrewAI适合快速原型，Harness适合生产环境
2. 安全第一：Agent的安全边界不可忽视，建议参考HuggingFace的技术报告了解最新安全威胁
3. 迭代优化：从简单的单Agent开始，逐步增加工具和记忆功能
4. 监控先行：生产环境必须做好日志、Token消耗和错误监控

下一步可以尝试的方向：

• 集成MCP（Model Context Protocol）协议，让Agent接入更多外部工具
• 使用Vibe Coding（datawhalechina/easy-vibe，18,600+星）提高开发效率
• 构建多Agent协作系统，让不同Agent分工完成复杂任务
• 探索Agent的自主学习和反馈优化机制

AI Agent正在重塑软件开发的方式，现在开始学习，你将在下一次技术浪潮中占据先机。

---

参考资源：

• datawhalechina/easy-vibe — Vibe Coding入门教程（18,600+★）
• walkinglabs/learn-harness-engineering — Harness工程入门教程（10,800+★）
• adongwanai/AgentGuide — AI Agent开发指南（7,500+★）
• Anatomy of a Frontier Lab Agent Intrusion — AI Agent安全报告
• Handbook.md — 长政策文档对Agent的约束效果研究