本文介绍如何从零构建不依赖第三方框架的精简ReAct模式Agent，通过感知、思考、行动、执行的循环实现智能行为。文章提供完整Python代码实现（含模拟模式），深入解析意图理解、规划能力和工具调用三大核心原理，并展示实际运行效果。最后提供了扩展思路，包括增加内存、搜索工具和错误处理机制，帮助读者彻底理解大模型智能行为的底层实现。

前排提示，文末有大模型AGI-CSDN独家资料包哦！

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)”。

读者福利：倘若大家对大模型感兴趣，那么这套大模型学习资料一定对你有用。

针对0基础小白：

如果你是零基础小白，快速入门大模型是可行的。
大模型学习流程较短，学习内容全面，需要理论与实践结合
学习计划和方向能根据资料进行归纳总结

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈

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案例来学习。

👉大模型视频和PDF合集👈

这里我们能提供零基础学习书籍和视频。作为最快捷也是最有效的方式之一，跟着老师的思路，由浅入深，从理论到实操，其实大模型并不难。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓