Python+Agent 入门实战：搭建可复用 AI 智能体

Python+Agent 入门实战：搭建可复用 AI 智能体

一、先理清：Python+Agent，到底强在哪里？

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。

1.1 核心区别：Python 脚本 vs Python+Agent

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

1.2 热门入门场景

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）。

1.3 新手入门核心技术栈

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：

• 核心语言：Python 3.10+（稳定、生态完善，新手优先选 3.11 版本）；
• 大模型：OpenAI GPT-3.5/4（新手用 GPT-3.5，免费额度足够，推理速度快）；
• Agent 框架：LangChain（最主流、资料最多，新手友好，无需从零造轮子）；
• 辅助工具：Chroma（轻量级向量数据库，用于存储 Agent 记忆，配置简单）。

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。

二、环境搭建：10 分钟搞定 Python+Agent 开发环境

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。

2.1 第一步：安装 Python

1. 下载地址：Python 官方下载页，选择 Python 3.11.x 版本（Windows 选 64-bit Installer，Mac 选 macOS 64-bit Installer）；
2. 安装时勾选'Add Python to PATH'（关键！避免后续配置环境变量），点击'Install Now'，全程下一步即可；
3. 验证是否安装成功：打开终端（Windows 按 Win+R，输入 cmd；Mac 按 Command+空格，输入 terminal），输入以下命令：

   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）
   

2.2 第二步：创建虚拟环境

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)。

2.3 第三步：安装核心依赖包

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。

2.4 第四步：配置 OpenAI API Key

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：

1. 注册/登录 OpenAI 账号：前往 OpenAI 官网，注册账号（需绑定手机号，国内可使用境外手机号接收验证码）；
2. 创建 API Key：登录后，点击右上角头像→View API Keys→Create new secret key，复制生成的 API Key（注意：只显示一次，复制后保存好，不要泄露）；
3. 配置 API Key：在项目根目录下创建一个名为 .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
   

三、实战环节：Python+LangChain，搭建第一个 AI 智能体

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。

3.1 实战架构设计

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。

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。

3.2 项目结构

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/ # 项目根目录
├── .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。

3.3 分模块编写代码

3.3.1 工具模块：tools.py

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]

3.3.2 Agent 核心逻辑：agent_core.py（调度中心）

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}

3.3.3 入口文件：main.py（运行 Agent，新手直接运行）

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)

3.4 运行测试（新手必看，验证成果）

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：

1. 在项目根目录（excel-agent）中，创建 test.xlsx 文件，填入测试数据（例如：姓名、年龄、成绩三列，10 条数据）；
2. 打开终端，激活虚拟环境（参考 2.2 步骤，终端显示 (agent-env)）；
3. 进入项目根目录，输入命令：python main.py；
4. 当出现'你：'时，输入测试指令： 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

3.5 成果验证（新手必做）

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！

四、2026 年 Python+Agent 新手进阶路线

搭建完第一个 Agent 后，可按以下路线进阶，逐步提升能力，贴合技术趋势，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。

五、总结

2026 年，AI Agent 的核心竞争力，不再是'会用框架'，而是'能用 Python 落地解决实际问题'。对于新手来说，无需畏惧复杂的技术概念，从一个简单的场景（如本文的 Excel 处理）入手，逐步积累经验，就能快速掌握 Python+Agent 的核心能力。

本文的代码可直接复制运行，新手可根据自身需求修改工具（如替换为处理 Word、PDF 的工具），实现个性化落地。如果在搭建过程中遇到问题，欢迎在评论区留言，我会逐一回复！