本文详细介绍了如何从零构建不依赖第三方框架的ReAct模式Agent。通过完整Python代码实现，展示了Agent如何通过感知、思考、行动、执行的循环处理用户指令。文章详解了意图理解、规划能力和工具调用三大核心实现原理，并提供模拟模式和真实AI两种实现方式。最后介绍了可能的扩展方向，如添加内存、搜索工具和错误处理机制，帮助开发者深入理解AI Agent的工作原理和实现方法。

---

本文不依赖庞大的第三方框架（如LangChain），而是从零手写一个精简的ReAct模式的Agent框架。这样你可以清楚地看到代码底层是如何通过Prompt Engineering（提示词工程）和Python逻辑来实现这些“智能”行为的。

• 核心设计思路：ReAct模式

我们将构建一个Agent，它基于以下循环运行：

1. 感知 (Observation)

   ：接收用户指令。

2. 思考与规划 (Thought/Intent)

   ：分析当前状态，决定下一步做什么。

3. 行动 (Action/Tool Call)

   ：如果需要，生成工具调用的指令。

4. 执行 (Execution)

   ：运行Python函数获取结果。

5. 循环

   ：将结果反馈给大脑，直到任务完成。

• Python 完整代码实现

你可以直接复制以下代码并在本地运行。为了方便演示，我提供了一个模拟模式 (Mock Mode)，这样你即使没有OpenAI API Key也能看到完整的运行流程。

• 代码逻辑详解

这个程序通过以下三个关键点回应了你的需求：

1. 意图理解 (Intent Understanding)

• 体现位置：mock_llm_inference中的逻辑判断（或真实LLM的Prompt处理）。

• 原理：Agent接收到自然语言“我想明天下午去北京野餐…”，在内部将其转化为结构化的思考。

• 示例：代码中的Thought:``用户想要在北京野餐，我需要先检查北京的天气...就是意图理解的产物。它识别出了“地点：北京”和“目的：野餐/查天气”。

2. 规划能力 (Planning)

• 体现位置：System Prompt中的ReAct格式(Thought -> Action -> Observation)。

• 原理：用户的一句话包含了两个步骤（查天气 + 订日历）。Agent并没有一次性做完，而是先执行Step 1 (查天气)，获得结果后再根据结果（如果天气好）规划Step 2 (订日历)。

• 示例：你可以看到Agent是分步执行的，这就是典型的**链式思维 (Chain of Thought)**规划。

3. 工具调用 (Tool Calling)

• 体现位置：tools_map和execute_tool逻辑。

• 原理：LLM输出的是文本（JSON字符串），Agent的主循环（run方法）负责解析这个JSON，找到对应的Python函数 (get_current_weather) 并真正执行它。

• 关键点：LLM不直接运行代码，它只是生成“意图调用哪个函数”的指令，由Agent 框架来“动手”。

• 运行结果：

— Agent 启动 —

用户指令: 我想明天下午去北京野餐，帮我看看天气怎么样。如果天气好，帮我把行程加到日历里。

— 第 1 步思考 —

Thought: 用户想去北京野餐并需要查天气。通过意图分析，我需要先调用天气工具。

Action: {

“tool_name”: “get_current_weather”,

“parameters”: {“location”: “北京”}

}

[系统底层] 正在调用天气API查询: 北京…

Observation: {“location”: “北京”, “temperature”: “25”, “unit”: “celsius”, “forecast”: “晴朗”}

— 第 2 步思考 —

Thought: 我查到了天气是晴朗的，适合野餐。根据用户要求，我现在需要把行程加入日历。

Action: {

“tool_name”: “add_calendar_event”,

“parameters”: {“event_name”: “北京野餐”, “time”: “明天下午”}

}

[系统底层] 正在调用日历API: 在 明天下午 添加 ‘北京野餐’…

Observation: {“status”: “success”, “message”: “已成功添加日程：北京野餐 于 明天下午”}

— 第 3 步思考 —

Thought: 日程已经添加成功，任务全部完成。

Final Answer: 北京明天天气晴朗（25度），非常适合野餐！我已经帮您把“北京野餐”添加到了明天下午的日程中。

最终结果: 北京明天天气晴朗（25度），非常适合野餐！我已经帮您把“北京野餐”添加到了明天下午的日程中。

• 如何使其成为“真实”的 AI？

如果你有 OpenAI API Key，只需修改 call_llm函数：

一旦替换了这个函数，Agent 就能够处理任何未见过的指令，自动分析意图并调用你定义的工具，而不需要像mock_llm_inference那样写死逻辑。

• 最后：

你可以尝试在这个框架上做以下扩展：

1. 增加内存：目前 history变量就是短期记忆。你可以添加数据库来存储长期记忆。

2.增加搜索工具：添加一个 Google Search 工具（如 SerpAPI），让它能回答即时新闻。

3.错误处理：当 LLM 输出的 JSON 格式错误时，自动提示 LLM 进行“自我修正 (Self-Correction)”。

如何学习AI大模型 ？

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。【保证100%免费】🆓

CSDN粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉CSDN大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

👉1.大模型入门学习思维导图👈

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

对于从来没有接触过AI大模型的同学，我们帮你准备了详细的学习成长路线图&学习规划。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。（全套教程文末领取哈）

👉2.AGI大模型配套视频👈

很多朋友都不喜欢晦涩的文字，我也为大家准备了视频教程，每个章节都是当前板块的精华浓缩。

👉3.大模型实际应用报告合集👈

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。（全套教程文末领取哈）

👉4.大模型实战项目&项目源码👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战项目来学习。（全套教程文末领取哈）

👉5.大模型经典学习电子书👈

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。（全套教程文末领取哈）

👉6.大模型面试题&答案👈

截至目前大模型已经超过200个，在大模型纵横的时代，不仅大模型技术越来越卷，就连大模型相关的岗位和面试也开始越来越卷了。为了让大家更容易上车大模型算法赛道，我总结了大模型常考的面试题。（全套教程文末领取哈）

为什么分享这些资料?

只要你是真心想学AI大模型，我这份资料就可以无偿分享给你学习，我国在这方面的相关人才比较紧缺，大模型行业确实也需要更多的有志之士加入进来，我也真心希望帮助大家学好这门技术，如果日后有什么学习上的问题，欢迎找我交流，有技术上面的问题，我是很愿意去帮助大家的！

这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

CSDN粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉CSDN大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）