PythonAI
Python+Agent 入门实战：零基础搭建可复用 AI 智能体
介绍如何使用 Python 和 LangChain 框架从零搭建一个 AI 智能体。内容涵盖环境配置、OpenAI API Key 设置、工具模块编写及 Agent 核心逻辑实现。通过构建一个自动化 Excel 处理 Agent，演示了任务拆解、工具调用及结果反馈的完整流程，适合初学者快速上手 AI 应用开发。
介绍如何使用 Python 和 LangChain 框架从零搭建一个 AI 智能体。内容涵盖环境配置、OpenAI API Key 设置、工具模块编写及 Agent 核心逻辑实现。通过构建一个自动化 Excel 处理 Agent，演示了任务拆解、工具调用及结果反馈的完整流程，适合初学者快速上手 AI 应用开发。
2026 年，AI Agent 不再是大厂专属，借助 Python 生态和开源框架，普通开发者也能从 0 到 1 搭建属于自己的 AI 智能体。本文以 Python 为核心，从概念拆解到代码实战，从工具选型到避坑指南，附带流程图、可直接复制的代码和高频问题表格，新手跟着敲代码就能上手。
很多新手混淆了'Python 脚本'和'Python+Agent'的区别——普通 Python 脚本是'写死的指令执行'，而 Python+Agent 是'智能的任务闭环'，核心优势就是**'自主决策、自动执行、可复用、可扩展'**。
| 对比维度 | 普通 Python 脚本 | Python+Agent 智能体 | 核心优势体现 |
|---|---|---|---|
| 执行逻辑 | 按固定步骤执行，一步错全流程崩 | 自主拆解任务、动态调整步骤，容错性强 | 无需手动修改代码，适配不同场景 |
| 交互方式 | 被动执行，需手动触发，无法多轮交互 | 主动理解需求，支持多轮对话，记住上下文 | 像'助手'一样沟通，无需懂代码也能使用 |
| 功能扩展 | 新增功能需修改全部代码，复用性差 | 通过工具注册、插件扩展，无需改动核心逻辑 | 一次搭建，多场景复用（如办公、数据分析） |
| 技术依赖 | 仅依赖 Python 基础语法，无 AI 能力 | 结合大模型+Python 生态，具备智能决策能力 | 依托开源框架，零基础也能快速上手 |
新手不用追求复杂场景，优先选择'代码量少、落地快、能直接用'的方向，这 3 个场景是目前最适合入门的，也是企业刚需：
自动化办公 Agent：自动处理 Excel、生成报表、批量发送消息（Python 基础 + 简单 Agent 框架，1 天就能落地）；本地知识库 Agent：上传文档（PDF、Word），用自然语言查询内容，无需手动检索（结合 RAG 技术，新手易上手）；代码辅助 Agent：自动检查 Python 代码错误、优化代码、生成注释（贴合开发者自身需求，边学边用）。
不用堆砌复杂技术，这 4 个工具/框架就够了，全程 Python 编写，零基础也能快速掌握，按优先级排序：
新手避坑：不要一开始就学习多个框架（如 AutoGen、CrewAI），先吃透 LangChain+Python 的组合，再逐步扩展。本文实战案例仅用这 4 个核心工具，代码简洁，可直接复制运行。
环境搭建是新手最容易卡壳的地方，这里一步一步拆解，确保每个人都能搞定，无需复杂操作。
python --version # 输出 Python 3.11.x 即为成功
pip --version # 输出 pip 版本即可（一般会自动安装）
虚拟环境能隔离不同项目的依赖，避免出现'安装 A 包导致 B 包报错'的问题，新手一定要养成这个习惯，步骤如下：
# 1. 创建虚拟环境（环境名建议叫 agent-env，好记）
python -m venv agent-env
# 2. 激活虚拟环境（Windows 系统）
agent-env\Scripts\activate
# 2. 激活虚拟环境（Mac/Linux 系统）
source agent-env/bin/activate
# 激活成功后，终端前面会出现 (agent-env)，如下所示：
(agent-env) C:\Users\XXX>
激活虚拟环境后，复制以下命令，一次性安装所有需要的依赖（LangChain、OpenAI、Chroma 等），无需手动逐个安装：
pip install langchain openai chromadb python-dotenv pandas openpyxl
说明：pandas 和 openpyxl 用于后续自动化办公 Agent 处理 Excel，提前安装，避免后续报错。
Agent 需要调用大模型才能实现智能决策，这里用 OpenAI 的 API，新手有免费额度，足够入门使用：
.env 的文件（无文件名，后缀为 env），打开文件，写入以下内容（替换为你的 API Key）：
OPENAI_API_KEY=your_api_key_here # 替换成你复制的 OpenAI API Key
本次实战目标：搭建一个自动化 Excel 处理 Agent，功能包括：读取 Excel 文件、分析数据、生成可视化报表、保存结果，全程无需手动操作，新手跟着敲代码就能实现，代码注释详细，每一步都有说明。
在写代码前，先理清 Agent 的工作流程，避免盲目编码。本次搭建的 Excel 处理 Agent，核心分为 5 个模块，形成'接收需求→规划任务→执行操作→记忆结果→反馈输出'的闭环，流程图如下：
核心说明：本次实战不涉及复杂的多 Agent 协作，聚焦'单 Agent+Python 工具'，重点让新手掌握'Agent 如何调用 Python 工具'，为后续进阶打下基础。
项目结构简洁，共 4 个文件，新手可直接在桌面创建文件夹（命名为 excel-agent），然后创建以下文件：
excel-agent/
├── .env # 配置 OpenAI API Key
├── tools.py # 自定义 Python 工具（读取 Excel、生成报表等）
├── agent_core.py # Agent 核心逻辑（调度工具、规划任务）
└── main.py # 入口文件（运行 Agent，输入指令）
└── test.xlsx # 测试用 Excel 文件（自己创建，随便填点数据）
测试用 Excel 文件：新手可创建一个 test.xlsx，包含'姓名、年龄、成绩'三列，填入 10-20 条测试数据，用于后续 Agent 读取和分析。
定义 4 个核心 Python 工具，供 Agent 自主调用，代码注释详细，新手无需修改，直接复制即可：
from langchain.tools import tool
import pandas as pd
import matplotlib.pyplot as plt
import os
# 工具 1：读取 Excel 文件（核心工具，调用 pandas）
@tool
def read_excel(file_path: str) -> str:
"""
读取 Excel 文件内容，返回数据的基本信息（行数、列数、字段名、前 5 行数据）
Args:
file_path: Excel 文件路径（如./test.xlsx）
Returns:
数据基本信息，便于 Agent 分析数据
"""
# 检查文件是否存在
if not os.path.exists(file_path):
return f"❌ 错误：文件{file_path}不存在，请检查路径是否正确"
# 读取 Excel 文件
df = pd.read_excel(file_path)
# 返回数据基本信息
info = f"""✅ 成功读取 Excel 文件：{file_path}
- 数据总行数：{len(df)}
- 数据总列数：{len(df.columns)}
- 字段名称：{list(df.columns)}
- 前 5 行数据：
{df.head().to_string()}"""
print(info)
return info
# 工具 2：分析 Excel 数据（调用大模型辅助分析，结合 pandas）
@tool
def analyze_excel_data(file_path: str) -> str:
"""
分析 Excel 数据的核心信息，包括均值、中位数、异常值等（针对数值型字段）
Args:
file_path: Excel 文件路径（如./test.xlsx）
Returns:
数据详细分析结果
"""
if not os.path.exists(file_path):
return f"❌ 错误：文件{file_path}不存在，请检查路径是否正确"
df = pd.read_excel(file_path)
# 筛选数值型字段，进行分析
numeric_cols = df.select_dtypes(include=['int64', 'float64']).columns
if len(numeric_cols) == 0:
return "❌ 错误：Excel 文件中无数值型字段，无法进行数据分析"
# 计算核心统计信息
analysis = f"📊 Excel 数据详细分析结果（仅数值型字段）：\n"
for col in numeric_cols:
analysis += f"- {col}：\n"
analysis += f" 均值：{df[col].mean():.2f}\n"
analysis += f" 中位数：{df[col].median():.2f}\n"
analysis += f" 最小值：{df[col].min()}\n"
analysis += f" 最大值：{df[col].max()}\n"
# 简单判断异常值（超出均值±2 倍标准差）
mean = df[col].mean()
std = df[col].std()
outliers = df[(df[col] < mean - 2 * std) | (df[col] > mean + 2 * std)]
analysis += f" 异常值数量：{len(outliers)}\n\n"
print(analysis)
return analysis
# 工具 3：生成数据可视化报表（调用 matplotlib）
@tool
def generate_excel_report(file_path: str, save_path: str = "./report.png") -> str:
"""
生成 Excel 数据的可视化报表（柱状图），保存到指定路径
Args:
file_path: Excel 文件路径（如./test.xlsx）
save_path: 报表保存路径（默认./report.png）
Returns:
报表生成结果
"""
if not os.path.exists(file_path):
return f"❌ 错误：文件{file_path}不存在，请检查路径是否正确"
df = pd.read_excel(file_path)
numeric_cols = df.select_dtypes(include=['int64', 'float64']).columns
if len(numeric_cols) == 0:
return "❌ 错误：Excel 文件中无数值型字段，无法生成报表"
# 生成柱状图（取第一个数值型字段为例）
plt.rcParams['font.sans-serif'] = ['SimHei'] # 解决中文乱码
plt.figure(figsize=(10, 6))
plt.bar(df.index, df[numeric_cols[0]], color='#1f77b4', alpha=0.8)
plt.title(f'{numeric_cols[0]}数据分布', fontsize=14)
plt.xlabel('索引', fontsize=12)
plt.ylabel(numeric_cols[0], fontsize=12)
plt.grid(axis='y', alpha=0.3)
# 保存报表
plt.savefig(save_path, dpi=300, bbox_inches='tight')
plt.close()
result = f"✅ 可视化报表已生成，保存路径：{os.path.abspath(save_path)}"
print(result)
return result
# 工具 4：保存分析结果到文件
@tool
def save_analysis_result(content: str, save_path: str = "./analysis_result.txt") -> str:
"""
将数据分析结果保存到文本文件中
Args:
content: 要保存的分析结果内容
save_path: 保存路径（默认./analysis_result.txt）
Returns:
保存结果
"""
with open(save_path, 'w', encoding='utf-8') as f:
f.write(content)
result = f"✅ 分析结果已保存，保存路径：{os.path.abspath(save_path)}"
print(result)
return result
# 工具列表：将所有工具整理成列表，供 Agent 调用
excel_tools = [read_excel, analyze_excel_data, generate_excel_report, save_analysis_result]
整合 Python 工具、大模型和记忆模块，创建 Agent，实现自主规划任务、调用工具，代码如下：
from langchain.agents import AgentExecutor, create_openai_tools_agent
from langchain_openai import ChatOpenAI
from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain.memory import VectorStoreRetrieverMemory
from langchain.vectorstores import Chroma
from langchain.embeddings.openai import OpenAIEmbeddings
from tools import excel_tools
from dotenv import load_dotenv
import os
# 加载.env 文件中的 API Key
load_dotenv()
# 1. 初始化大模型（新手用 gpt-3.5-turbo，速度快、免费额度足）
llm = ChatOpenAI(
model="gpt-3.5-turbo",
temperature=0.4, # 温度越低，决策越稳定，避免乱调用工具
api_key=os.getenv("OPENAI_API_KEY")
)
# 2. 初始化记忆模块（Chroma 向量数据库，存储操作记录和数据信息）
embeddings = OpenAIEmbeddings()
vector_store = Chroma(
embedding_function=embeddings,
persist_directory="./agent_memory", # 记忆数据存储路径
collection_name="excel_agent_memory"
)
vector_store.persist()
# 记忆检索器，供 Agent 查询历史记录
retriever = vector_store.as_retriever(search_kwargs={"k": 2})
memory = VectorStoreRetrieverMemory(
retriever=retriever,
memory_key="chat_history",
input_key="input",
output_key="output"
)
# 3. 定义 Agent 提示词（核心！告诉 Agent 它的角色和工作规则）
prompt = ChatPromptTemplate.from_messages([
("system", """你是一个专业的 Excel 处理 AI 智能体，基于 Python 实现，负责帮助用户自动处理 Excel 相关任务。
工作规则：
1. 你的核心工具是 python 的 pandas、matplotlib 库，所有 Excel 操作都通过调用提供的工具完成；
2. 接收用户指令后，先拆解任务步骤（例如：读取 Excel→分析数据→生成报表→保存结果），再逐步调用工具；
3. 调用工具前，必须检查参数是否正确（如文件路径是否合理），若参数缺失，及时询问用户；
4. 每次执行完一个工具，查看返回结果，确认无错误后，再执行下一个步骤；
5. 利用记忆模块，记住之前处理过的文件路径、分析结果，避免重复操作；
6. 最终将所有结果整理成清晰的文字，反馈给用户，包括文件保存路径、核心分析结论。"""),
MessagesPlaceholder(variable_name="chat_history"), # 记忆上下文
("user", "{input}"), # 用户输入指令
MessagesPlaceholder(variable_name="agent_scratchpad") # Agent 思考过程
])
# 4. 创建 Agent（基于 OpenAI 工具调用能力，结合 Python 工具）
agent = create_openai_tools_agent(
llm=llm,
tools=excel_tools,
prompt=prompt
)
# 5. 创建 Agent 执行器（调度 Agent、工具、记忆）
agent_executor = AgentExecutor(
agent=agent,
tools=excel_tools,
memory=memory,
verbose=True, # 开启详细日志，便于新手调试
handle_parsing_errors=True # 自动处理解析错误
)
# 定义 Agent 运行函数（供入口文件调用）
def run_excel_agent(user_input: str):
try:
print(f"\n📋 用户指令：{user_input}")
print("🚀 Agent 开始执行任务...\n")
result = agent_executor.invoke({"input": user_input})
print(f"\n✅ 任务执行完成！")
print(f"📄 最终结果：{result['output']}")
return result
except Exception as e:
error_msg = f"❌ 任务执行失败：{str(e)}"
print(error_msg)
return {"output": error_msg}
简单的入口函数，运行后输入指令，即可让 Agent 自动处理 Excel 任务，代码如下：
from agent_core import run_excel_agent
if __name__ == "__main__":
print("🎉 Python+Excel 处理 Agent 已启动！")
print("💡 新手测试指令推荐：读取当前目录下的 test.xlsx 文件，分析数据，生成报表，然后保存分析结果")
print("❌ 输入'退出'即可结束程序\n")
while True:
user_input = input("你：")
if user_input == "退出":
print("👋 程序已结束，再见！")
break
# 运行 Agent，执行用户指令
run_excel_agent(user_input)
所有代码编写完成后，按以下步骤运行，验证 Agent 是否能正常工作，步骤如下：
python main.py；读取当前目录下的 test.xlsx 文件，分析数据，生成报表，然后保存分析结果运行成功后，打开项目根目录，会看到 3 个新增文件：
agent_memory/：Chroma 记忆模块存储的文件，记录 Agent 的操作历史；report.png：生成的可视化报表（柱状图）；analysis_result.txt：保存的数据分析结果。打开这 3 个文件，确认内容正确，就说明你的第一个 Python+Agent 智能体搭建成功了！
搭建完第一个 Agent 后，可按以下路线进阶，逐步提升能力，贴合 2026 年技术趋势，避免盲目学习：
基础阶段（1-2 周）：熟练掌握本文的 Excel 处理 Agent，能独立修改工具（如增加 Excel 筛选、排序功能），理解 Agent 的核心流程； 进阶阶段（2-4 周）：学习 RAG 检索增强技术，搭建本地知识库 Agent（上传 PDF、Word，实现智能查询），掌握多工具组合使用； 提升阶段（1-2 个月）：学习多 Agent 协作（用 LangChain+AutoGen 搭建多 Agent 团队），实现更复杂的任务（如办公自动化全流程）； 实战阶段（长期）：结合自身需求，开发实用 Agent（如代码辅助 Agent、客服 Agent），尝试部署到服务器，实现 24 小时自动运行。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML 转 Markdown 互为补充。 在线工具，Markdown 转 HTML在线工具，online