Python+Agent 入门实战：搭建可复用 AI 智能体

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：

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。

1. 注册/登录 OpenAI 账号：前往 OpenAI 官网；
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；
3. 配置 API Key：在项目根目录下创建一个名为 .env 的文件，写入以下内容（替换为你的 API Key）：

   OPENAI_API_KEY=your_api_key_here
   

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。

3.1 实战架构设计

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。

1. 用户输入指令：Agent 接收指令，解析意图。
2. 规划模块：拆解任务（读取 Excel→分析数据→生成报表→保存结果）。
3. 工具模块：调用 Python 工具执行子任务。
4. 记忆模块：存储数据信息、操作记录（Chroma）。
5. 反馈结果给用户：任务完成。

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/
├── .env                    # 配置 OpenAI API Key
├── tools.py                # 自定义 Python 工具
├── agent_core.py           # Agent 核心逻辑
├── main.py                 # 入口文件
└── test.xlsx               # 测试用 Excel 文件

测试用 Excel 文件：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。

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。

from langchain.tools import tool
import pandas as pd
import matplotlib.pyplot as plt
import os

# 工具 1：读取 Excel 文件
@tool
def read_excel(file_path: str) -> str:
    """读取 Excel 文件内容，返回数据的基本信息"""
    if not os.path.exists(file_path):
        return f"❌ 错误：文件{file_path}不存在"
    df = pd.read_excel(file_path)
    info = f"✅ 成功读取文件：{file_path}\n- 行数：{len(df)} 列数：{len(df.columns)}\n- 字段：{list(df.columns)}\n- 前 5 行：\n{df.head().to_string()}"
    print(info)
    return info

# 工具 2：分析 Excel 数据
@tool
def analyze_excel_data(file_path: str) -> str:
    """分析数值型字段的核心统计信息"""
    if not os.path.exists(file_path):
        return f"❌ 错误：文件{file_path}不存在"
    df = pd.read_excel(file_path)
    numeric_cols = df.select_dtypes(include=['int64', 'float64']).columns
    if not numeric_cols.empty:
        analysis = "📊 数据分析结果：\n"
        for col in numeric_cols:
            analysis += f"- {col}：均值{df[col].mean():.2f}，中位数{df[col].median():.2f}，最值[{df[col].min()}-{df[col].max()}]\n"
        print(analysis)
        return analysis
    return "❌ 无数值型字段，无法分析"

# 工具 3：生成可视化报表
@tool
def generate_excel_report(file_path: str, save_path: str = "./report.png") -> str:
    """生成柱状图报表并保存"""
    if not os.path.exists(file_path):
        return f"❌ 错误：文件{file_path}不存在"
    df = pd.read_excel(file_path)
    numeric_cols = df.select_dtypes(include=['int64', 'float64']).columns
    if not numeric_cols.empty:
        plt.rcParams['font.sans-serif'] = ['SimHei']
        plt.figure(figsize=(10, 6))
        plt.bar(df.index, df[numeric_cols[0]], color='#1f77b4', alpha=0.8)
        plt.title(f'{numeric_cols[0]}分布', fontsize=14)
        plt.savefig(save_path, dpi=300, bbox_inches='tight')
        plt.close()
        return f"✅ 报表已保存：{os.path.abspath(save_path)}"
    return "❌ 无数值型字段，无法生成报表"

# 工具 4：保存分析结果
@tool
def save_analysis_result(content: str, save_path: str = "./analysis_result.txt") -> str:
    """将分析结果保存到文本文件"""
    with open(save_path, 'w', encoding='utf-8') as f:
        f.write(content)
    return f"✅ 结果已保存：{os.path.abspath(save_path)}"

# 工具列表（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

整合 Python 工具、大模型和记忆模块，创建 Agent。

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
llm = ChatOpenAI(
    model="gpt-3.5-turbo",
    temperature=0.4,
    api_key=os.getenv("OPENAI_API_KEY")
)

# 2. 初始化记忆模块
embeddings = OpenAIEmbeddings()
vector_store = Chroma(
    embedding_function=embeddings,
    persist_directory="./agent_memory",
    collection_name="excel_agent_memory"
)
vector_store.persist()
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
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，再逐步调用工具；
3. 调用工具前，必须检查参数是否正确，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。"""),
    MessagesPlaceholder(variable_name="chat_history"),
    ("user", "{input}"),
    MessagesPlaceholder(variable_name="agent_scratchpad")
])

# 4. 创建 Agent
agent = create_openai_tools_agent(
    llm=llm,
    tools=excel_tools,
    prompt=prompt
)

# 5. 创建 Agent 执行器
agent_executor = AgentExecutor(
    agent=agent,
    tools=excel_tools,
    memory=memory,
    verbose=True,
    handle_parsing_errors=True
)

# 定义 Agent 运行函数
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

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。

from agent_core import run_excel_agent

if __name__ == "__main__":
    print("🎉 Excel 处理 Agent 已启动！")
    print("💡 测试指令：读取 test.xlsx，分析数据，生成报表并保存结果")
    print("❌ 输入'退出'结束程序\n")
    while True:
        user_input = input("你：")
        if user_input == "退出":
            print("👋 程序结束！")
            break
        run_excel_agent(user_input)

3.4 运行测试

1. 在项目根目录中，创建 test.xlsx 文件，填入测试数据；
2. 打开终端，激活虚拟环境；
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

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；
• report.png：生成的可视化报表；
• analysis_result.txt：保存的数据分析结果。

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：

• 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，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，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；
• 实战阶段（长期）：结合自身需求，开发实用 Agent，尝试部署到服务器，实现 24 小时自动运行。

结语

AI Agent 的核心竞争力，在于能用 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，实现个性化落地。