前言
在上篇文章，我们已对 Agent 有了最初步的了解。接下来我们深入了解下什么是 LLM，Prompt，并开始独立完成我们自己搭建的第一个 Agent。
一、了解 LLM
LLM：Large Language Model，即我们常说的大语言模型。市面上琳琅满目的如 deepseek，kimi，豆包，chatgpt，gemini 等都属于 LLM。 LLM 可以说是 Agent 最核心的那个大脑，没有大脑自然无法组织起一个 Agent 任何的行为。而如果想使用这些大语言模型，一般我们会选择到它们的官网上去获取 api-key。有了它作为 api 接口，我们就能自由的本地调用 ai。 同时 LLM 模型分为非常多类，有视觉模型的，有深度思考的（能看到 ai 思考链但返回数据比较慢），有蒸馏模型的，有闭源/开源的。我们日常使用 Agent，就得按需选择。 当然，可能有小伙伴会想本地部署 LLM。我们后面文章会教这点，但还是不太做推荐。很简单的道理，本地部署的 LLM 对个人而言只能是蒸馏版，自己玩用用可以，但没法在绝大多数生产项目级场景下使用。如果真需要本地部署或者数据敏感场景，一般也是公司花大价钱买一堆算力卡来做这个事。少数能预见的使用场景，也就是学习微调了（同样也需要非常高的显卡存储）。
二、LLM 怎么调用
我们这里以 deepseek 的 api-key 调用为例。
打开官方文档，用官方给我们的文档来完成调用：
其中略微讲解下：
api_key=os.environ.get('DEEPSEEK_API_KEY') 这里，就是让我们在环境变量中写入这个东西，这样的话，你就无需显式应用 api-key，能更好的保护隐私安全。当然如果你嫌麻烦，目前直接改成 api_key="xx" 也是可以的。
"role":"system": 角色是系统：系统提示词，即你要在这里给 ai 设定一个什么角色，比如你是一个猫娘。
"role":"user": 角色是用户：你对 ai 说的话。
stream=False 即是否允许流式输出，如果为 True，就是允许，你就能在控制台上看到输出结果像流水一样慢慢流出。反之则是得等生成完全才会返回。
如上，完成调用后，就能看到返回的信息了：
三、Prompt 基础逻辑
回忆下官方文档的这里：
{"role":"system","content":"You are a helpful assistant..."}这是什么？这就是Prompt（提示词）。
提示词是 Agent 构建中极其重要的一环。提示词即提示 ai 你是一个什么身份，在这个身份下你要干什么事情。比如你是一个智能客服/你是一个 NBA 智能预测比赛专家/你是一个猫娘，你负责帮助用户理解产品/帮助用户预测比赛/帮助用户...
你是一个 AI 助手，擅长解释技术概念。任务：用小学生能听懂的话，解释什么是大模型。要求：不超过 100 字，用中文回答。 如上：。 一个 Agent 好不好，一定程度上取决于这个提示词写的好不好，甚至市面上有专门的岗位就是提示词工程师。 同时，你肯定也能感觉出来，这个提示词明显写的非常的简单。实际上如果真要写项目的提示词，我们会采取更加复杂的写法来适应实际业务，举个例子：
如图，测试完成，符合我们预期，此时的它明显可以记忆上下文对话。
但同时仍要提醒一下：我们目前完成的很明显只是个 demo，它只能拥有短期记忆，在正规开发中记忆的写法肯定不会这么简单。后面随着学习的深入时，我们会构思应该用怎样的方式，让它拥有一个不错的可以长期存储，性能更优的解法。