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：确定身份 + 给出任务 + 限定输出。 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：
你是一个智能生活助手，具备以下能力：
1. 调用 weather_api(location) 获取指定城市的天气数据
2. 根据温度、降水概率给出穿衣建议
请按以下步骤执行：
1. 理解用户需求，确定城市
2. 调用 weather_api 获取天气
3. 分析数据，生成建议
4. 用友好语气回复用户
输出规则：
- 如果需要调用工具，只输出 JSON 格式的工具调用指令
- 否则，正常回复用户
示例：
用户：北京今天穿什么？
AI：{"tool": "weather_api", "args": {"location": "北京"}}
如上，有角色、有流程、有能力（调用工具）、可以自动化。这才是 Prompt 的正确用法。 能调用工具这点我们下一节立马就会学到。其他的提示词写法其实你看类似的提示词多分析分析，或者多让 ai 帮你写写提示词，你跟着依葫芦画瓢对着多写，也能掌握个七七八八了。 Prompt 的几个关键概念这里一并提及： Zero/Few-shot：（控制模型生成方式）不给/给几个实例，让模型回答/模仿回答。实操：在提示词内直接加几行实例即可（请仿照下列文本格式输出...）。 Cot（Chain-of-thought）：让模型思考步骤，提高复杂推理准确性。实操：在提示词内强调 - 请逐步思考/思考步骤如下...。 显而易见，理解与实操都很简单，这俩概念了解即可，在真正提示词编写过程中不必钻研太深。
四、简单交互实例（多轮问答 Agent）
了解完 LLM 与 Prompt，我们可以尝试搭建我们的第一个 Agent 了。 先确定好思路：我们打算让 ai 当一个老师，教我们历史知识，同时我们肯定希望它能保持记忆，记住上下文对话。而大模型在原始状态下是不会保存与用户的对话记忆的。所以我们需要为其加入点新功能： 再回到下面这个地方：
messages=[
{"role": "system", "content": "You are a helpful assistant"},
{"role": "user", "content": "Hello"}
]
除了提供各种角色身份外，它同样有个非常重要的特点：消息列表。
这意味着，如果我们想要多轮对话，让 ai 能记住我们的上下文，就可以通过不断往里面追加代码，让 messages 变得越来越多。
所以，我们可以通过 while True: 无限循环的方式不断往里追加 messages来实现我们的目的：
# ...
while True:
response = agent_client.chat.completions.create(
model="deepseek-chat",
messages=messages
)
answer = response.choices[0].message.content
print(f'回答:{answer}')
# 询问是否还有其他问题
user_input = input('您还有其他想继续问的吗 | (exit 退出)\n')
if user_input == "exit":
break
# 继续记录对话 (涵盖用户追问 + ai 上句回答)
messages.append({"role":"user","content":user_input})
messages.append({"role":"assistant","content":answer})
细心的同学已经发现了：这里加了个一个新 role：assistant，即助手。
它表示的身份是助手，即 ai 自己。所以我们这里为其添加的 content 是 answer。
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。
五、总结
知识点概括：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。 这里我们已初步掌握了如何做一个能用能玩的智能体，效果基本等同于市面上的大部分 ai 模型直接对话。但明显它的功能水平还差点意思，没有 agent 的'味儿'。 下篇内容我们会开始深入研究Function calling & 工具调用，让 ai 能利用外部的工具来干活。
