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pipinstallopenai 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 """importosfromdotenvimportload_dotenv load_dotenv()# --- 方案 A（推荐）：DeepSeek ---fromopenaiimportOpenAI 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"ifnotclient.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)exceptExceptionase: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。",]fori,spinenumerate(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)exceptExceptionase: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)fortempin[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)exceptExceptionase: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
- 换用不同的 system prompt，观察 LLM 回答风格的变化
- 把
temperature分别设为 0、0.5、1.0、1.5，观察输出的差异 - 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
- LLM 和 Agent 最关键的区别是什么？
- 为什么 Agent 需要"工具"？只靠 LLM 的"知识"不够吗？
- 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。
