基于 Python 开发可调用工具的 AI Agent 实现电脑配置评价

• CPU 信息获取：使用 platform.processor() 获取型号，psutil.cpu_count 获取核心数。
• 内存信息获取：通过 psutil.virtual_memory() 获取总内存和可用内存。
• 磁盘信息获取：遍历分区，使用 psutil.disk_usage 获取使用情况。
• 操作系统信息获取：组合系统名称和版本号。

2.2 主程序逻辑（main.py）

2.2.1 导入库和定义系统提示词

import os
from typing import Optional, Tuple
from dotenv import load_dotenv
from openai import OpenAI
from pydantic_ai import Agent
from pydantic_ai.models.openai import OpenAIModel
from pydantic_ai.providers.openai import OpenAIProvider
from tools import read_pc_info
import logging

SYSTEM_PROMPT = """
你是一位专业的电脑硬件评测专家，擅长分析电脑配置的性能、适用性和升级潜力。你能够根据用户提供的电脑配置信息，给出专业、实用的评价和建议。请以简洁明了的语言表达观点，既要考虑技术细节，也要考虑普通用户的理解能力。
"""

2.2.2 获取 API 配置

def get_api_config() -> Tuple[str, str]:
    """获取 OpenRouter API 配置
    返回:
        Tuple[str, str]: (api_key, base_url)
    """
    try:
        if not load_dotenv():
            logging.warning(".env 文件未找到或加载失败")
        api_key = os.getenv("OPENROUTER_API_KEY")
        base_url = 'https://openrouter.ai/api/v1'
        if not api_key:
            raise ValueError("请在.env 文件中设置 OPENROUTER_API_KEY")
        return api_key, base_url
    except Exception as e:
        logging.error(f"获取 API 配置失败：{e}")
        raise

2.2.3 初始化模型

def initialize_model() -> OpenAIModel:
    """初始化 AI 大模型实例
    返回:
        OpenAIModel: 初始化好的模型实例
    """
    try:
        api_key, base_url = get_api_config()
        provider = OpenAIProvider(base_url=base_url, api_key=api_key)
        return OpenAIModel('qwen/qwen-2.5-72b-instruct:free', provider=provider)
    except Exception as e:
        logging.error(f"模型初始化失败：{e}")
        raise RuntimeError("无法初始化 AI 模型") from e

2.2.4 主函数逻辑

def main():
    logging.basicConfig(
        level=logging.INFO,
        format='%(asctime)s - %(levelname)s - %(message)s'
    )
    try:
        model = initialize_model()
        logging.info("AI 模型初始化成功")
    except Exception as e:
        logging.error(f"连接大模型错误：{e}")
        return

    try:
        pc_info = read_pc_info()
        logging.info("成功获取电脑配置信息")
        logging.info("电脑配置信息:\n" + pc_info)
    except Exception as e:
        logging.error(f"获取配置信息出错：{e}")
        return

    user_prompt = f"""
    我需要您对这台电脑的配置进行全面评价。请分析以下几点：
    1. 这台电脑的性能是否能够满足日常办公、网页浏览、视频播放等基本需求
    2. 是否适合运行更复杂的应用程序，如视频编辑、游戏或编程
    3. 从性价比角度考虑，是否有必要升级某些硬件组件
    4. 如果需要升级，您推荐升级哪些组件，预算大约是多少
    5. 如果不值得升级，您认为在什么情况下应该考虑更换新电脑
    按照指定格式给出专业评测：
    1. 使用简洁清晰的中文回答；
    2. 回答必须使用标准 Markdown 格式；
    3. 不要包含任何乱码、HTML 标签或特殊符号；
    以下是我的电脑配置信息：
    {pc_info}
    """

    agent = Agent(model, system_prompt=SYSTEM_PROMPT)
    response = agent.run_sync(user_prompt)
    logging.info("电脑配置评价结果：")
    logging.info(response)

if __name__ == "__main__":
    main()

三、结果展示

运行项目后，控制台输出电脑配置信息获取过程及 AI 模型交互日志。最终展示处理后的电脑配置评价结果。

示例评价结果包含基本需求分析、复杂应用程序适用性评估、性价比与升级建议等部分。由于工具未提供显卡详细型号，部分建议仅供参考。实验发现不同模型对内存负载情况的判断存在差异，需结合具体场景优化。

四、项目总结与优化方向

本项目展示了如何使用 Python 创建一个能够调用工具的 AI Agent，实现电脑配置的自动评估。通过结合系统工具与大语言模型的能力，构建了简单但实用的应用场景。

实际使用中，大模型在某些方面的判断可能不够准确，例如对内存评估未完全考虑当前系统负载。这提示我们需要合理的提示词设计和数据预处理。同时，工具应提供尽可能详细的信息给到大模型，以辅助其做出更准确的判断。

未来优化方向：

1. 增强工具功能：添加 GPU 信息、网络速度测试等更多系统信息收集功能。
2. 改进提示词：针对大模型可能出现的误解，优化提示词设计。
3. 多模型对比：增加模型选择功能，对比不同模型的输出结果。
4. 用户交互优化：添加图形界面或 Web 界面，提升用户体验。
5. 增加评估维度：除了硬件性能，评估系统健康状态、安全配置等方面。

通过该项目，不仅学习了如何构建 AI Agent，也理解了如何将大模型与实际工具结合，创造有价值的应用。