[AI Agent 01]对话记忆、Agent 循环、Function Calling
代码是AI写的，用的CC接入DS-v4-pro，代码功能包含：对话记忆、Agent 循环、Function Calling
本篇文章仅作为个人学习笔记记录分享
完整代码如下：
""" Agent 初体验 —— 让 AI 能运行 Python 代码 =========================================== 核心概念 Function Calling： 1. 告诉 AI "你有一个工具可以用" 2. AI 判断需要用工具时，会"请求调用"它 3. 我们帮 AI 执行工具，把结果返回 4. AI 看到结果后，组织语言回答用户 这整个循环就叫 Agent Loop（智能体循环） """ import sys import os sys.stdout.reconfigure(encoding="utf-8") from openai import OpenAI from dotenv import load_dotenv import json import io load_dotenv() client = OpenAI( api_key=os.getenv("DEEPSEEK_API_KEY"), base_url="https://api.deepseek.com", ) # ============ 第1步：定义一个工具（函数） ============ # 这个函数真的会执行 Python 代码，并把结果返回 def run_python_code(code: str) -> str: """执行 Python 代码并返回结果""" try: # 用 StringIO 拦截 print 的输出 old_stdout = sys.stdout captured = io.StringIO() sys.stdout = captured local_vars = {} exec(code, {}, local_vars) sys.stdout = old_stdout # 恢复标准输出 output = captured.getvalue().strip() if output: return output if local_vars: return str(list(local_vars.values())[-1]) return "代码执行完成（无输出）" except Exception as e: sys.stdout = old_stdout # 出错也要恢复！ return f"执行出错：{e}" # ============ 第2步：把工具"注册"给 DeepSeek ============ # 用 JSON 格式描述这个工具是干嘛的、接受什么参数 tools = [ { "type": "function", "function": { "name": "run_python_code", "description": "执行一段 Python 代码并返回结果。当你需要计算、处理数据时使用此工具。", "parameters": { "type": "object", "properties": { "code": { "type": "string", "description": "要执行的 Python 代码，比如 'sum(range(1, 101))'", } }, "required": ["code"], }, }, } ] # 工具名 → 真实函数的映射表 tool_map = {"run_python_code": run_python_code} # ============ 第3步：Agent 主循环 ============ messages = [ {"role": "system", "content": "你是一个能执行Python代码的助手。遇到需要计算的问题时，调用 run_python_code 工具。最后用中文回答用户。"}, ] print("=" * 50) print("AI Agent 聊天室 —— 我能帮你算数学、处理数据！") print("试试说：'1加到100是多少' 或 '帮我算 3的100次方'") print("输入 'quit' 退出") print("=" * 50) while True: user_input = input("\n你: ") if user_input.lower() == "quit": print("再见！") break messages.append({"role": "user", "content": user_input}) # 第1次调用：AI 可能选择直接回答，也可能选择调用工具 response = client.chat.completions.create( model="deepseek-chat", messages=messages, tools=tools, ) reply = response.choices[0].message # ---------- 关键：检查 AI 是否想调用工具 ---------- if reply.tool_calls: # AI 说"我想用工具！" for tool_call in reply.tool_calls: func_name = tool_call.function.name func_args = json.loads(tool_call.function.arguments) print(f" [Agent 调用工具: {func_name}({func_args})]") # 真正执行这个工具函数 tool_result = tool_map[func_name](**func_args) print(f" [工具返回: {tool_result[:60]}...]") # 把工具调用和结果都加入记忆 messages.append( { "role": "assistant", "content": reply.content or "", "tool_calls": [ { "id": tool_call.id, "type": "function", "function": { "name": func_name, "arguments": tool_call.function.arguments, }, } ], } ) messages.append( { "role": "tool", "tool_call_id": tool_call.id, "content": tool_result, } ) # 第2次调用：把工具结果发给 AI，让它总结 response = client.chat.completions.create( model="deepseek-chat", messages=messages, ) reply = response.choices[0].message # ---------- 打印最终回复 ---------- print(f"AI: {reply.content}") # 把 AI 的最终回复记入历史 messages.append({"role": "assistant", "content": reply.content})关于我不会的东西：
1.与内置标准库模块sys和os对接，后续可以借用其中功能
import sys import os2.reconfigure用于运行时更改参数
(形参=实参)，函数定义时可以有形参可以无形参，def 函数 (形参=实参,形参=实参):
若定义时def 函数 (形参，形参):则调用时可以函数(实参,实参)实参与形参会自动对应
sys.stdout.reconfigure(encoding="utf-8")3.从【包名】中调用【类名/函数名】
from openai import OpenAI from dotenv import load_dotenv4.OpenAI(...)调用类来实例化，括号里可以传递参数，这些参数会传给类的 构造方法 __init__，用来初始化新创建的对象。
构造方法def __init__(self,name,age):
同一个类可以创建出无数个独立的实例，每个实例可以有自己的数据
os.getenv()读取环境变量
client = OpenAI( api_key=os.getenv("DEEPSEEK_API_KEY"), base_url="https://api.deepseek.com", )5.列表[ ]，记录对话的顺序
其中的元素为字典{ }，由键值对构成，形式相当于“标签:内容”
role ：system系统/用户user/助手assistant（可帮助辨认身份）
content ：具体说的话（可记忆对应发言）
messages=[ {"role": "system", "content": "你是一个友好的助手，喜欢用简洁的方式回答问题。"}, {"role": "user", "content": "你好！请用一句话介绍你自己。"}, ]6.[0]的意思是把列表里的第1个选项拿出来
response.choices[0].message.content7..lower()方法将字符串中的所有字母都变成小写
if user_input.lower() == "quit":8.client.chat.completions.create()链式调用
messages=messages参数名=值，作用是把整个对话历史列表传给 AI，等号左边的messages是函数内部定义好的参数名，等号右边的messages是在程序里定义的变量，如果不想混淆也可以写成messages=conversation_history
response = client.chat.completions.create( model="deepseek-chat", messages=messages, )9.def定义函数，run_python_code表示函数名，code: str表示参数名为 code ，同时类型是字符串，-> str表示返回值类型是字符串
def run_python_code(code: str) -> str:10.old_stdout保存输出到屏幕，captured创建一个内存中的字符串缓冲区
sys.stdout = captured把输出重定向到缓冲区，sys.stdout代表“标准输出流”，默认就是终端
io.StringIO()是一个伪装成文件的内存字符串，创建一个内存中的文件对象，行为类似于一个文本文件，但数据存储在内存字符串中，有.write()方法写入字符串，以及.getvalue()方法获取里面全部内容
old_stdout = sys.stdout captured = io.StringIO() sys.stdout = captured11.try-except尝试执行代码，如果出错就捕获异常
try: except Exception as e: sys.stdout = old_stdout return f"执行出错：{e}"12.exec(code, globals, locals)
exec()是 Python 的内置函数，它接收一个字符串，并把这个字符串当作 Python 代码来执行
globals参数 {}是空字典。表示执行这段代码时，全局作用域是空的，这意味着代码中不能访问外部的任何全局变量，也不能修改外部的全局变量
local_vars是一个空字典，但在 exec 执行过程中，代码中定义的所有局部变量都会自动存储到这个字典中
local_vars = {} exec(code, {}, local_vars)注意区别：
captured.getvalue()获取print的输出
local_vars字典获取代码执行后产生的所有局部变量
13."parameters": {...}本质是字典，但是是JSON Schema，格式是固定的，键是固定的
"type": "object"意味着这个参数的类型是object（对象），而在 JSON 里，对象就是花括号括起来的一组键值对
"parameters": { "type": "object", "properties": { "code": { "type": "string", "description": "要执行的 Python 代码，比如 'sum(range(1, 101))'", } }, "required": ["code"], }14.创建了从函数名到实际函数的映射关系，在键值对中，键"run_python_code"是字符串仅代表名称，值run_python_code没有双引号同时没有括号，代表并不在调用函数，仅代表函数本身
tool_map = {"run_python_code": run_python_code}15.tool_call.function.name是字符串，对应之前在tools 列表中定义的工具名tool_call.function.arguments是字符串，内容是 JSON 格式的参数{键: 值}
json.loads(...)把AI返回的arguments（JSON 字符串）解析成 Python 字典，即变成{键: 值}，然后可以直接用字典键来访问参数值
for tool_call in reply.tool_calls: func_name = tool_call.function.name func_args = json.loads(tool_call.function.arguments)16.tool_map[func_name］取得函数对象，(**func_args）是字典解包语法，把func_args字典中的键值对传递给函数
eg：如果func_args = {"code":"print(1+2)"}，则调用等价于run_python_code(code="print(1+2)")tool_result就是函数执行后的返回值
tool_result = tool_map[func_name](**func_args)