opc_agent/agent-craft
3
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

2025.10.25

Browse Source
This commit is contained in:
2287551746@qq.com
2025-10-25 16:32:18 +08:00
parent 035336ed69
commit 644816de79
7 changed files with 267 additions and 40 deletions
Download Patch File Download Diff File Expand all files Collapse all files
01 Agent 入门 & 快速运行/README.md
+1 -2
View File
@@ -1,4 +1,3 @@
## 💕注意事项
代码可一键运行即可，主要是感受，没有关键知识点。
代码能一键运行即可，主要是感受，没有关键知识点。
02 LLM基础与调用/README.md
+4 -2
View File
@@ -1,4 +1,6 @@
## 💕注意事项
1. llm模型调用是deepseek官网推荐的调用流程，这个结构是我们以后调用api常用的方法。
2. 多轮问答agent涵盖llm、prompt、memory几个模块。如果想改变ai身份的提示词与初始提问，直接更改messages里的content即可。
- 知识点：**LLM了解与调用、Prompt编写与逻辑构思、多轮对话记忆、独立搭建一个智能体**
1. llm模型调用:是deepseek官网推荐的调用流程，这个结构是我们以后调用api常用的方法。
2. 多轮问答agent:涵盖llm、prompt、memory几个模块。如果想改变ai身份的提示词与初始提问，直接更改messages里的content即可。
03 Function calling与工具调用/1. 自定义函数调用.py
+91
View File
@@ -0,0 +1,91 @@
import os
from dotenv import load_dotenv
from openai import OpenAI
import json
load_dotenv()
def create_client():
api_key = os.getenv("OPENAI_API_KEY")
return OpenAI(api_key=api_key, base_url="https://api.deepseek.com")
def get_weather(location):
# 模拟获得天气信息
return f"{location}当前天气：23℃，晴，风力2级"
# 以下格式为固定写法，一般仅需改description与name
get_weather_func = {
"name": "get_weather", # 函数名称
"description": "获取指定城市的天气情况", # 对该函数的描述
"parameters": {
"type": "object",
"properties": {
"location": {
"type": "string", # 该参数类型
"description": "城市名称，如北京、上海等" # 对该参数的描述
}
},
"required": ["location"] # 声明必填
}
}
# 固定写法，有多少个tool就往里追加多少个
tools = [
{
"type": "function",
"function": get_weather_func
}
]
def chat_loop(agent_client, tools):
messages = [
{"role": "system",
"content": "你是一个善解人意会热心回答人问题的助手。如果你感觉你回答不了当前问题，就会调用函数来回答。"},
{"role": "user", "content": "北京今天的天气怎么样?"}
]
response = agent_client.chat.completions.create(
model="deepseek-chat",
messages=messages,
tools=tools, # 调用工具
tool_choice="auto" # 模型自主选择是否调用工具
)
message = response.choices[0].message
# 如果有该参数，证明ai调用了工具
if message.tool_calls:
# 对每个可能要调用的工具进行循环
for tool_call in message.tool_calls:
if tool_call.function.name == "get_weather":
# 解析参数
args = json.loads(tool_call.function.arguments) # 获取用户关键词的参数
location = args.get("location", "未知地点")
# 调用真实参数
weather_info = get_weather(location)
# 将函数执行结果以"tool"角色传给模型，等待后面二次调用
messages.append(message) # 先添加模型的原始响应
messages.append({
"role": "tool",
"tool_call_id": tool_call.id,
"name": tool_call.function.name,
"content": weather_info
})
# 第二次调用，让模型基于工具返回的结果再生成最终答案
final_res = agent_client.chat.completions.create(
model="deepseek-chat",
messages=messages
)
print('已调用工具...')
print(f'回答:{final_res.choices[0].message.content}')
else:
# 模型没有要调用工具，直接返回
print('未调用工具...')
print(f'回答:{response.choices[0].message.content}')
if __name__ == '__main__':
client = create_client()
chat_loop(client, tools)
03 Function calling与工具调用/2. API 调用.py
+83
View File
@@ -0,0 +1,83 @@
from dotenv import load_dotenv
from openai import OpenAI
import json
import os
import requests
load_dotenv()
def create_client():
api_key = os.getenv("OPENAI_API_KEY")
return OpenAI(api_key=api_key, base_url="https://api.deepseek.com")
# 通过api调用获得当前ip与位置
def get_addr():
res_ip = requests.get('https://ipapi.co/ip/').text
res_city = requests.get('https://ipapi.co/city/').text
return f'ip地址:{res_ip},所在城市:{res_city}'
get_addr_func = {
"name": "get_addr", # 函数名称
"description": "获取用户的ip地址与城市", # 对该函数的描述
"parameters": {
"type": "object",
"properties": {}, # 参数为空，那么这两个地方也是空的
"required": []
}
}
tools = [
{
"type":"function",
"function":get_addr_func
}
]
def chat_loop(agent_client,tools):
messages = [
{"role": "system","content": "你是一个善解人意会热心回答人问题的助手。如果你感觉你回答不了当前问题，就会调用函数来回答。"},
{"role": "user", "content": "我现在在哪个城市，ip地址是多少?"}
]
response = agent_client.chat.completions.create(
model="deepseek-chat",
messages=messages,
tools=tools,
tool_choice="auto"
)
message = response.choices[0].message
if message.tool_calls:
for tool_call in message.tool_calls:
if tool_call.function.name == "get_addr":
# 解析参数
# args = json.loads(tool_call.function.arguments) # 获取用户关键词的参数
# location = args.get("location")
# 调用真实参数
# your_info = get_weather(location)
# 这里无参数，直接调用函数就行
your_info = get_addr()
messages.append(message)
messages.append({
"role": "tool",
"tool_call_id": tool_call.id,
"name": tool_call.function.name,
"content": your_info
})
final_res = agent_client.chat.completions.create(
model="deepseek-chat",
messages=messages
)
print('已调用工具...')
print(f'回答:{final_res.choices[0].message.content}')
else:
# 模型没有要调用工具，直接返回
print('未调用工具...')
print(f'回答:{response.choices[0].message.content}')
if __name__ == '__main__':
client = create_client()
chat_loop(client, tools)
03 Function calling与工具调用/README.md
+6
View File
@@ -0,0 +1,6 @@
## 💕注意事项
- 知识点：**Function calling原理、工具函数封装、API接入实践、多轮调用流程、Agent能力扩展**
1. 自定义函数调用:使用一个假函数来模拟完成function calling代码构建流程。重点是学会如何调用外部工具函数
2. API调用:调用一个真的外部工具函数来完成API调用。重点是学会如何通过API文档学会构建一个可被调用的外部函数。强烈推荐自己找一个其他的任意API给AI作为测试，看它能否调用你提供的工具。
README.md
+80 -35
View File
@@ -1,37 +1,88 @@
# 💻 Agent Craft
# 🤖 Agent Craft
> 智能体开发教学库 | A beginner-friendly guide to building AI agents
## 📘 项目简介
🔥 从零开始上手agent智能体，掌握langchain、rag、prompt、langgraph等核心技术栈
**Agent Craft** 是一个系统性开源教学项目，采用 **「博客讲解 + 代码实践」双驱动模式**，带你从零构建完整的 AI Agent 开发能力。
本仓库专注于 AI Agent 开发的学习与实践，通过系统化的案例和详细的代码注释，帮助开发者快速掌握从基础LLM调用到复杂Agent构建的完整技能栈。
- 📄 **配套博客详解**：每章内容均配有 CSDN
深度文章，涵盖原理剖析、代码解析与调试技巧
- 💻 **可运行代码仓库**：每个模块对应独立目录，含完整代码、注释与运行指引，支持本地复现
- 🚀 内容覆盖：从 **Prompt 工程** 到 **LangChain / LangGraph / RAG / SDK 封装**
- ⚙️ 能力进阶：涵盖 **智能体思维链、工具调用、任务规划、多智能体协作**
💡 项目将持续更新，目标是构建一个系统、实用的 AI Agent 学习案例库。
📘 本仓库开箱即用，仅需配置 API_KEY。
✍️ 代码可与博客配套使用，博客会重点讲解Agent知识构建与流程解析。
博客同步发布：
👉 [我的CSDN主页](https://blog.csdn.net/2401_87328929)
👉 [CSDN对应专栏](https://blog.csdn.net/2401_87328929/category_12970267.html)
🙋‍♂️ 技术交流 / 更新 / 答疑：微信 **a19731567148**（备注 GitHub）
> 💡 本仓库目标：帮助开发者从零构建可运行的智能体应用，真正理解 Agent 的底层逻辑，而不仅仅是“调用框架”。
---
## 🚅 目录跳转
| 仓库 | 博客 | 技术栈 | 知识点 | 难度 |
|---------------------------------------------------|------------------------------------------------|------------------|----------------------|-----|
| [01 Agent 入门 & 快速运行](https://github.com/Annyfee/agent-craft/tree/main/01%20Agent%20%E5%85%A5%E9%97%A8%20%26%20%E5%BF%AB%E9%80%9F%E8%BF%90%E8%A1%8C) | [🏠](https://blog.csdn.net/2401_87328929/article/details/153729555) | 基础LLM | Agent概念 | ⭐ |
| [02 LLM基础与调用](https://github.com/Annyfee/agent-craft/tree/main/02%20LLM%E5%9F%BA%E7%A1%80%E4%B8%8E%E8%B0%83%E7%94%A8) | [🏠](https://blog.csdn.net/2401_87328929/article/details/153735431) | LLM/API调用/Prompt | 调用模型接口、初识prompt、多轮对话 | ⭐ |
## 🧭 模块总览（16 模块）
> 💡 每个模块对应独立目录（含代码、说明与示例），可独立运行与学习。
> 🔥 已更新至 03 Function Calling 与工具调用，持续更新中！
| 章节 | 模块 | 博客 | 核心关键词 | 难度 |
|:-----------:|:--------------------------------------------------------|:-------------------------------------------------------------------:|:--------------------------------|:----:|
| 🏗️ **基础篇** | [01 Agent 入门 & 环境搭建](01%20Agent%20入门%20&%20环境搭建/) | [🏠](https://blog.csdn.net/2401_87328929/article/details/153729555) | Python · OpenAI API | ⭐ |
| | [02 LLM 基础调用](02%20LLM基础与调用/) | [🏠](https://blog.csdn.net/2401_87328929/article/details/153735431) | LLM API 调用 · 参数配置 | ⭐ |
| | [03 Function Calling 与工具调用](04%20FunctionCalling与工具调用/) | [🏠](https://blog.csdn.net/2401_87328929/article/details/153866573) | Function Call · 工具注册 | ⭐⭐ |
| ⚙️ **框架篇** | 04 LangChain 基础篇 | 🚧 撰写中 | Chain 架构 · Tool 使用 | ⭐⭐ |
| | 05 LangChain 进阶篇 | 🚧 | Memory · 多链协作 · Agent | ⭐⭐⭐ |
| | 06 LangGraph 入门 | 🚧 | Flow · Node · Edge 控制 | ⭐⭐⭐ |
| | 07 RAG 基础篇（Embedding & 向量） | 🚧 | 向量化 · 检索匹配 | ⭐⭐ |
| | 08 RAG 进阶篇（检索 + 生成） | 🚧 | RAG Pipeline · QA 系统 | ⭐⭐⭐ |
| 🧠 **智能篇** | 09 MCP 基础 | 🚧 | MCP 协议 · 客户端安装 | ⭐⭐ |
| | 10 MCP 进阶 | 🚧 | 在线模型接入 · 多轮任务 | ⭐⭐⭐ |
| | 11 MCP 高级 | 🚧 | 多服务组合 · 并发调用 | ⭐⭐⭐⭐ |
| | 12 多步骤任务规划（MCP Task Planning） | 🚧 | Task Planning · CoT | ⭐⭐⭐ |
| | 13 多智能体协作 | 🚧 | Multi-Agent · 通信机制 | ⭐⭐⭐⭐ |
| | 14 综合案例实战 | 🚧 | LangChain + RAG + Tool + Memory | ⭐⭐⭐⭐ |
| 🚀 **工程篇** | 15 部署与本地化 | 🚧 | Ollama · LM Studio · API代理 | ⭐⭐⭐ |
| | 16 Agent SDK 封装 | 🚧 | 模块化封装 · SDK 架构 | ⭐⭐⭐⭐ |
---
## 🧩 当前学习建议（适用于已完成模块）
目前已开放模块：**01 ~ 03**。
建议按顺序学习，每一章都有完整代码示例与注释。
### ✅ 模块 01 — Agent 入门 & 环境搭建
- **目标**：理解 Agent 概念，完成环境配置与首次调用。
- **内容**：环境依赖、API Key 配置、最小可运行 Agent。
### ✅ 模块 02 — LLM 基础调用
- **目标**：掌握模型调用逻辑，初步构建智能体能力。
- **内容**：LLM了解与调用、Prompt编写与逻辑构思、多轮对话记忆、独立搭建一个智能体。
### ✅ 模块 03 — Function Calling 与工具调用
- **目标**：实现 LLM 调用外部函数，赋予模型“执行力”。
- **内容**：Function calling原理、工具函数封装、API接入实践、多轮调用流程、Agent能力扩展。
> 📌 后续模块将陆续开放（LangChain、RAG、MCP、多智能体等），建议先完整学习前 3 个模块，为进阶模块打好基础。
---
## 🧠 Agent Craft 的核心学习路径
> “让每个人都能真正理解 Agent 的底层逻辑，而不仅仅是调用框架。”
我们采用 **渐进式构建** 的教学理念，从最基础的 Prompt 开始，逐步搭建完整的 AI Agent 能力栈：
```mermaid
flowchart LR
A[Prompt 层] --> B[LLM 核心调用]
B --> C[LangChain 工具链]
C --> D[LangGraph 流程控制]
D --> E[RAG 检索增强生成]
E --> F[MCP 扩展能力]
F --> G[多智能体协作与规划]
G --> H[SDK 封装与部署]
```
## 🚀 快速开始
### 1️⃣ 环境准备
@@ -53,6 +104,7 @@ cp .env.example .env
```
在 `.env` 文件中配置：
```env
OPENAI_API_KEY=your_deepseek_api_key_here
```
@@ -64,22 +116,15 @@ OPENAI_API_KEY=your_deepseek_api_key_here
```bash
python "01 Agent 入门 & 环境搭建/Agent-demo.py"
```
---
## 📚 学习路径
## 🤝 参与和交流
### 🎯 第一章：Agent 入门 & 快速运行
- **核心技能**: 运行Agent-demo
- **学习目标**: 了解Agent是什么，怎么用
- **技术要点**: 环境配置
欢迎提交 **Issue / PR / 改进建议**
### 🎯 第二章：LLM基础与调用
- **核心技能**: 多轮对话Agent构建
- **学习目标**: 实现智能对话系统
- **技术要点**: 对话历史、上下文管理、角色设定
如果有商业/技术交流需求，请联系我:
## 🤝 贡献指南
欢迎贡献代码 / 提交 Issue / Pull Request
- Fork 仓库
- 创建分支进行修改
- 提交 PR 并描述修改内容
📬 微信：a19731567148（备注 GitHub）
📖 个人博客：[CSDN 主页](https://blog.csdn.net/2401_87328929)
requirements.txt
+2 -1
View File
@@ -1,3 +1,4 @@
dotenv~=0.9.9
python-dotenv~=1.1.1
openai~=2.6.0
openai~=2.6.0
requests~=2.32.5