本次基于云工作台开展大模型智能体开发实操，核心围绕 DeepSeek API 调用、基础智能体代码编写与调试展开，过程中解决了多项基础编程报错问题，同时厘清了大模型问答程序与真正智能体的技术边界，完成了从基础 API 调用到智能体核心概念落地的技术实践，现将本次实操的技术要点、问题解决、核心认知及技术总结梳理如下。

一、实操技术环境与核心框架

本次开发实操基于阿里云 DSW 云端开发环境，该环境集成代码编辑、运行、调试全流程功能，无需本地配置 Python 环境及相关依赖，可直接实现代码编写与执行，大幅降低了大模型应用开发的环境搭建门槛。核心技术框架以 Python 为开发语言，调用 OpenAI 风格的 DeepSeek 大模型 API，通过自定义类封装大模型调用逻辑，实现基础的问答交互功能，核心依赖为openai库，用于与 DeepSeek API 建立通信并完成请求与响应的处理。

二、核心开发步骤与技术实现

1. 类的自定义封装：创建QAgent类，通过__init__方法初始化 OpenAI 客户端，传入 DeepSeek 的 API Key 和官方接口地址，建立与大模型的通信连接，实现客户端的复用。
2. 问答方法实现：在QAgent类中定义ask方法，接收用户问题作为参数，通过客户端调用chat.completions.create接口，指定大模型基座（deepseek-chat）、对话消息体、温度等参数，发起同步请求（stream=False）。
3. 响应结果解析：从大模型返回的响应数据中，提取choices列表中的结果，解析出消息内容并返回，实现用户问题到模型答案的转化。
4. 调用与展示：实例化QAgent类，传入有效 API Key，调用ask方法传入具体问题，通过print或 Markdown 组件实现答案的输出展示。

三、实操中典型问题与技术解决方案

本次开发过程中遇到两类典型的 Python 运行时错误，均为基础开发细节问题，通过针对性的语法修正和逻辑调整实现解决，具体问题与方案如下：

1. NameError: name 'e' is not defined
   • 问题成因：响应结果解析时，错误将索引值0写为未定义变量e，Python 解释器无法识别未声明的变量，导致报错。
   • 解决方案：将response.choices[e].message.content修正为response.choices[0].message.content，因 DeepSeek API 同步请求返回的choices列表仅有一个结果，固定索引0即可正确提取。
2. NameError: name 'Markdown' is not defined
   • 问题成因：计划通过 Markdown 美化展示结果，但将from IPython.display import Markdown导入代码误写在注释中，未完成模块的有效导入，导致调用时未识别该类。
   • 解决方案：两种方式可实现解决，一是直接删除 Markdown 展示代码，仅保留print基础输出；二是在代码顶部显式导入Markdown和display组件，完成依赖加载后再进行调用。

此外，开发前需提前确保 DeepSeek API Key 的有效性，避免出现 401 认证错误，需从官方平台获取并正确复制，无字符缺失、空格等问题。

四、核心技术认知：问答程序与大模型智能体的本质区别

本次实操的基础代码仅实现了大模型的单轮问答功能，属于大模型 API 调用程序，并非真正意义上的大模型智能体，二者在技术能力和设计逻辑上存在本质区别，核心差异如下：

1. 功能维度：基础问答程序仅支持单轮的问题输入与答案返回，无上下文记忆、无自主决策能力；大模型智能体具备记忆能力、工具调用能力、任务规划能力、自主执行能力，可实现多轮对话上下文关联，面对复杂问题时能拆解为多个子步骤，自主判断是否调用外部工具（如搜索、计算、代码运行），并循环执行直至完成任务。
2. 设计逻辑：问答程序的核心逻辑是 “请求 - 响应” 的单向交互，仅实现 API 的简单封装与调用；大模型智能体的核心逻辑是 “感知 - 思考 - 行动 - 反馈” 的闭环，以大模型为核心大脑，结合记忆模块、工具库、规划模块，实现从 “被动回答” 到 “主动解决问题” 的转变。
3. 应用场景：问答程序仅适用于简单的知识查询、信息解答等场景；大模型智能体可落地于复杂的业务场景，如智能办公、数据分析、自动化运维等，能够解决多步骤、跨工具的复合性问题。