40 分钟
实战专项

实战项目:AI 助手 Agent

从零搭建一个能搜索、计算、管理任务的 AI Agent

  • 综合运用 LLM API + Function Calling + RAG
  • 实现多工具协作的 Agent
  • 掌握 Agent 的错误处理和安全机制
  • 了解 Agent 项目的工程化结构

实战项目:AI 助手 Agent

就搭一个完整的 AI 助手 Agent,能回答问题、算数学、查时间、管待办事项。

ℹ️项目目标

直接写命令行AI助手,要支持多工具调用、多轮对话、错误处理。代码按工业级标准组织。

项目结构

Python
# 工业级 Agent 项目结构
print("""
my_agent/
  main.py          # 入口
  config.py        # 配置
  agent/core.py    # Agent 核心
  agent/memory.py  # 记忆系统
  tools/           # 工具集
  prompts/         # 提示词
  requirements.txt
""")

完整实现

示例代码(可运行)
🐍资深工程师经验谈

从这个项目到工业级部署还需要:替换 decide() 为真实 LLM function calling;FastAPI 封装 HTTP 服务;WebSocket 流式输出;Redis 会话存储;日志监控(耗时/token/成功率);工具权限控制;Pydantic 参数校验;单元测试;Docker 部署;限流和成本控制。

扩展方向

扩展方向:接入真实 LLM API更多工具:搜索、文件操作、邮件、数据库RAG 增强:文档问答多 Agent 协作Web 界面(FastAPI + React)

💡学习路径

学完后这么做:申请 API Key 把代码跑起来;看 LangChain 文档;用 FastAPI 封装成 API;做自己的 AI 助手项目放 GitHub,求职作品集的好素材。

课程总结

示例代码(可运行)

资深工程师加餐

底层原理 · 大厂视角 · 工程经验,点卡片展开

模型并不直接认识字符或单词,它处理的是分词后的 token(一个汉字约 1~2 个 token)。上下文窗口由「输入+输出」共享,超出就要分段、摘要或用 RAG。费用 = token 数 × 单价,重复的系统提示每次都在计费,因此出现了 prompt 缓存、历史压缩等省钱手段。会算 token,才谈得上成本控制。

挑战任务

AI 助手 Agent

简单+50 XP

扩展 AIAssistant 添加新工具

AI 助手 Agent
2 个测试用例

课后作业

完善 AI Agent

中等+20 XP

就干四件事:加新工具,支持多工具串起来用,加错误处理,写 README。

完善 AI Agent
1 个测试用例