执行式 AI 入门：API 调用与网络请求基础

ReAct 执行循环

ReAct（Reasoning + Acting）范式强调思考与行动的交替，这是目前主流的实现方式。

class ReActAgent:
    """基于 ReAct 范式的 AI Agent"""
    def __init__(self, llm, tools):
        self.llm = llm
        self.tools = {tool.name: tool for tool in tools}
        self.max_iterations = 10

    def run(self, task):
        """运行 ReAct 循环"""
        context = f"任务：{task}\n"
        for i in range(self.max_iterations):
            # 思考阶段
            thought = self._think(context)
            print(f"[思考] {thought}")
            
            # 判断是否完成
            if "任务完成" in thought or "Final Answer:" in thought:
                return self._extract_answer(thought)
            
            # 行动阶段
            action, action_input = self._decide_action(thought)
            print(f"[行动] {action}({action_input})")
            
            # 观察阶段
            observation = self._observe(action, action_input)
            print(f"[观察] {observation}")
            
            # 更新上下文
            context += f"\n思考：{thought}\n行动：{action}({action_input})\n观察：{observation}"
        return "达到最大迭代次数，任务未完成"

    def _think(self, context):
        """思考下一步"""
        prompt = f""" {context} 请思考下一步应该做什么。如果任务已完成，请回答"任务完成：[结果]" """
        return self.llm.generate(prompt)

    def _decide_action(self, thought):
        """决定执行什么行动"""
        prompt = f"根据思考'{thought}'，选择要执行的工具和参数"
        response = self.llm.generate(prompt)
        return self._parse_action(response)

    def _observe(self, action, action_input):
        """执行行动并观察结果"""
        if action in self.tools:
            return self.tools[action].execute(action_input)
        return f"未知工具：{action}"

    def _extract_answer(self, thought):
        """提取最终答案"""
        return thought.split("任务完成：")[-1].strip()

    def _parse_action(self, response):
        """解析行动响应"""
        lines = response.strip().split('\n')
        action = "default"
        action_input = ""
        for line in lines:
            if "工具：" in line or "tool:" in line.lower():
                action = line.split("：")[-1].strip()
            if "参数：" in line or "input:" in line.lower():
                action_input = line.split("：")[-1].strip()
        return action, action_input

# 工具基类
class Tool:
    name = "base_tool"
    def execute(self, input_data):
        raise NotImplementedError
    def can_handle(self, task):
        return False

class FileTool(Tool):
    name = "file_tool"
    def execute(self, input_data):
        return f"文件操作完成：{input_data}"
    def can_handle(self, task):
        return "文件" in task or "file" in task.lower()

class WebTool(Tool):
    name = "web_tool"
    def execute(self, input_data):
        return f"网络请求完成：{input_data}"
    def can_handle(self, task):
        return "搜索" in task or "网页" in task or "web" in task.lower()

class DefaultTool(Tool):
    name = "default"
    def execute(self, input_data):
        return f"默认处理：{input_data}"

# Mock LLM for demo
class MockLLM:
    def generate(self, prompt):
        if "思考" in prompt:
            return "我需要先搜索相关信息"
        elif "选择" in prompt:
            return "工具：web_tool\n参数：搜索 AI Agent"
        return "处理完成"

技术演进历程

了解技术演进有助于把握未来方向：

实践应用指南

应用场景分析

在企业环境中，AI Agent 主要应用于文档处理、数据分析、客户服务及流程自动化，能显著提升效率。

对于个人用户，则更多体现在写作辅助、工作效率提升、创意工作及信息处理等方面。

实施步骤详解

需求分析

在开始之前，需要明确以下问题：

1. 要解决什么问题？
2. 现有流程是怎样的？
3. AI Agent 能做什么？
4. 预期效果是什么？

方案设计

基于需求分析，设计实施方案，涵盖项目概述、Agent 设计、技术方案、实施计划及风险控制。

开发实施

开发阶段的关键任务包括环境搭建、Agent 核心逻辑实现、自定义工具开发、测试联调及部署上线。

上线运维

上线后的运维要点包括建立监控告警机制、制定故障响应流程、定期进行性能优化及持续收集用户反馈。

最佳实践分享

1. 从小场景开始：不要一开始就追求大而全，建议选择一个明确的小场景快速验证可行性，收集反馈迭代优化。
2. 重视提示词设计：提示词是 Agent 的'灵魂'，需要清晰定义角色和能力，明确任务边界，提供充分的示例。
3. 建立评估体系：科学的评估体系包括执行成功率、执行效率、结果质量及稳定性等维度。

案例分析

成功案例：某公司文档处理 Agent

背景介绍 某科技公司每天产生大量技术文档，需要人工整理分类，效率低下。

解决方案 开发文档处理 Agent，自动读取、分类、总结并索引文档。

class DocumentAgent:
    """文档处理智能体"""
    def __init__(self, llm):
        self.llm = llm
        self.tools = [FileReaderTool(), ClassifierTool(), SummarizerTool(), IndexerTool()]

    def process_documents(self, folder_path):
        """处理文件夹中的所有文档"""
        results = []
        docs = self.tools[0].read_folder(folder_path)
        for doc in docs:
            category = self.tools[1].classify(doc)
            summary = self.tools[2].summarize(doc)
            self.tools[3].index(doc, category, summary)
            results.append({'file': doc.name, 'category': category, 'summary': summary})
        return results

# 使用示例
agent = DocumentAgent(llm=GPT4())
results = agent.process_documents("/data/documents")

实施效果

失败教训：某企业过度自动化项目

某企业试图用 Agent 自动化所有流程，结果失败。主要原因包括缺乏明确的场景界定、Agent 能力边界不清晰、没有建立兜底机制及用户期望过高。

警示：不要为了 AI 而 AI，明确 Agent 的能力边界，建立人工兜底机制，设定合理预期。

常见问题解答

技术问题

Q1：如何选择合适的模型？

Q2：如何评估 Agent 效果？

建议建立多维评估体系，计算成功率、平均耗时、平均步数及用户满意度。

def evaluate_agent(agent, test_cases):
    """评估 Agent 性能"""
    metrics = {'success_rate': 0, 'avg_time': 0, 'avg_steps': 0, 'user_satisfaction': 0}
    results = []
    for case in test_cases:
        start_time = time.time()
        result = agent.execute(case['task'])
        end_time = time.time()
        results.append({
            'success': result == case['expected'],
            'time': end_time - start_time,
            'steps': len(agent.memory),
            'quality': rate_quality(result, case['expected'])
        })
    metrics['success_rate'] = sum(r['success'] for r in results) / len(results)
    metrics['avg_time'] = sum(r['time'] for r in results) / len(results)
    metrics['avg_steps'] = sum(r['steps'] for r in results) / len(results)
    metrics['user_satisfaction'] = sum(r['quality'] for r in results) / len(results)
    return metrics

应用问题

Q3：如何控制成本？

策略包括选择合适规模的模型、优化提示词减少 token 消耗、使用缓存避免重复调用及批量处理提升效率。

Q4：如何保证安全？

安全要点包括输入过滤防止注入、权限最小化原则、敏感操作需确认及完整审计日志。

未来发展趋势

技术趋势

• 多模态 Agent：图文音视频统一处理（预计 1-2 年）
• 端侧部署：本地化运行 Agent（预计 2-3 年）
• 自主 Agent：无需干预全自动（预计 3-5 年）
• AGI 探索：通用人工智能（预计 5-10 年）

职业发展

对于想要进入这一领域的读者，建议分阶段学习：

本章小结

本文明确了 API 调用基础：执行式 AI 必备网络请求知识的基本定义和核心概念，深入探讨了底层架构和核心算法，提供了详细的实施指南和最佳实践，并通过真实案例加深理解。同时分析了未来发展方向，帮助读者建立完整的知识体系。

建议读者在理解概念的基础上，动手实践，从简单场景开始，逐步深入，保持学习热情并与同行交流。