AI 智能體開發(fā)在 2024 年已經(jīng)成為技術(shù)熱點但很多開發(fā)者面臨的問題是概念聽起來很酷實際動手時卻不知道從哪開始LLM、Agent、RAG、Function Calling 這些術(shù)語背后到底對應(yīng)什么代碼和配置。本文將以一個可運行的天氣查詢智能體為例帶你完成從環(huán)境準(zhǔn)備、核心模塊開發(fā)、工具集成到生產(chǎn)部署的全流程重點解釋每個環(huán)節(jié)的設(shè)計邏輯和常見坑點。如果你已經(jīng)了解 Python 基礎(chǔ)語法想用 4 到 6 周時間系統(tǒng)掌握 AI 應(yīng)用開發(fā)這篇文章會提供一條從實驗到項目的實踐路徑。最終完成的智能體不僅能理解用戶對天氣的模糊描述還能調(diào)用真實 API 返回結(jié)構(gòu)化數(shù)據(jù)并且具備簡單的錯誤處理和擴(kuò)展能力。1. 先理解 AI 智能體的核心組成和工作流程AI 智能體不是簡單的聊天機(jī)器人它的核心能力是理解用戶意圖、決定需要執(zhí)行哪些操作、調(diào)用工具獲取信息、處理結(jié)果并最終生成回答。這個決策和執(zhí)行過程涉及幾個關(guān)鍵組件。1.1 LLM 在智能體中的角色是意圖理解和決策中樞大語言模型是智能體的“大腦”但它不直接執(zhí)行具體任務(wù)。以天氣查詢?yōu)槔?dāng)用戶輸入“北京今天需要帶傘嗎”LLM 需要解析出幾個關(guān)鍵信息地點是“北京”時間是“今天”用戶真實需求是“判斷是否下雨”。這個解析過程稱為意圖識別。LLM 接著要決定是否需要調(diào)用外部工具。如果對話歷史中已經(jīng)有北京今天的天氣數(shù)據(jù)它可能直接回答如果沒有它就需要決定調(diào)用天氣查詢函數(shù)。這個決策能力來自對 LLM 的特定提示工程和函數(shù)調(diào)用規(guī)范的訓(xùn)練。1.2 工具調(diào)用是智能體與外部世界交互的核心方式智能體通過工具與外部系統(tǒng)交互。工具可以是簡單的函數(shù)如查詢數(shù)據(jù)庫也可以是復(fù)雜的 API 調(diào)用如獲取實時天氣。工具調(diào)用規(guī)范通常包括工具名稱、描述、參數(shù) schema 和認(rèn)證方式。常見的工具調(diào)用模式有兩種一種是 LangChain 提供的 Tools 抽象另一種是 LLM 原生的 Function Calling。前者更適合復(fù)雜的工作流編排后者通常延遲更低且與模型廠商更新保持同步。1.3 記憶機(jī)制讓智能體能夠處理多輪對話單次問答無法滿足復(fù)雜需求。智能體需要記憶之前的對話內(nèi)容、工具調(diào)用結(jié)果和用戶偏好。記憶可以分為短期記憶當(dāng)前會話和長期記憶跨會話持久化。實現(xiàn)記憶的典型方式包括在提示詞中嵌入對話歷史、使用向量數(shù)據(jù)庫存儲和檢索相關(guān)歷史、或者設(shè)計結(jié)構(gòu)化的會話存儲。記憶機(jī)制直接影響智能體的連貫性和個性化程度。1.4 智能體與普通 AI 應(yīng)用的關(guān)鍵區(qū)別在決策自主性普通 AI 應(yīng)用通常被動響應(yīng)用戶請求而智能體能夠主動規(guī)劃任務(wù)步驟。例如當(dāng)用戶說“幫我安排一次北京三日游”智能體可能會自主分解為查詢天氣、查找景點、推薦酒店、規(guī)劃路線等子任務(wù)并按順序或并行執(zhí)行。這種自主性來自提示工程中明確的角色設(shè)定和目標(biāo)描述以及 LLM 的任務(wù)分解能力。評估智能體質(zhì)量時不僅要看最終結(jié)果是否正確還要看其決策過程是否合理高效。2. 搭建開發(fā)環(huán)境選擇適合實驗和生產(chǎn)的工具鏈智能體開發(fā)需要平衡快速迭代和后期部署需求。下面這套工具鏈既適合學(xué)習(xí)階段驗證想法也容易遷移到生產(chǎn)環(huán)境。2.1 Python 環(huán)境與關(guān)鍵庫版本鎖定智能體開發(fā)對版本敏感不同版本的庫可能在接口和功能上有較大差異。建議使用 Python 3.9 或 3.10這兩個版本在 AI 庫兼容性和穩(wěn)定性方面表現(xiàn)最好。# 創(chuàng)建并激活虛擬環(huán)境 python -m venv ai_agent_env source ai_agent_env/bin/activate # Linux/Mac # ai_agent_env\Scripts\activate # Windows # 安裝核心依賴 pip install openai1.3.0 pip install langchain0.0.350 pip install python-dotenv1.0.0為什么選擇這些版本OpenAI 1.x 版本提供了更規(guī)范的客戶端接口LangChain 0.0.350 在工具調(diào)用和 Agent 運行方面相對穩(wěn)定python-dotenv 則用于管理 API 密鑰等敏感配置。2.2 配置 API 密鑰與環(huán)境變量永遠(yuǎn)不要將 API 密鑰硬編碼在代碼中。使用.env文件管理配置并在代碼中通過環(huán)境變量讀取。# 創(chuàng)建 .env 文件內(nèi)容如下 OPENAI_API_KEY你的實際API密鑰 WEATHER_API_KEY你的天氣API密鑰# config.py - 配置文件 import os from dotenv import load_dotenv load_dotenv() OPENAI_API_KEY os.getenv(OPENAI_API_KEY) WEATHER_API_KEY os.getenv(WEATHER_API_KEY) if not OPENAI_API_KEY: raise ValueError(請設(shè)置 OPENAI_API_KEY 環(huán)境變量)2.3 項目結(jié)構(gòu)設(shè)計為可擴(kuò)展模式即使是學(xué)習(xí)項目良好的結(jié)構(gòu)也能避免后期重構(gòu)。建議按功能模塊劃分目錄。weather_agent/ ├── agents/ # 智能體核心邏輯 │ ├── __init__.py │ └── weather_agent.py ├── tools/ # 工具定義 │ ├── __init__.py │ └── weather_tools.py ├── config.py # 配置管理 ├── requirements.txt # 依賴列表 └── main.py # 入口文件這種結(jié)構(gòu)的好處是工具可以獨立開發(fā)和測試智能體邏輯集中管理配置統(tǒng)一處理。當(dāng)需要添加新功能時只需在相應(yīng)目錄創(chuàng)建新模塊。2.4 測試環(huán)境與生產(chǎn)環(huán)境的配置分離開發(fā)階段可以使用模擬數(shù)據(jù)或免費 API生產(chǎn)環(huán)境則需要考慮速率限制、錯誤處理和監(jiān)控。在配置文件中區(qū)分環(huán)境# config.py import os ENV os.getenv(ENVIRONMENT, development) if ENV production: API_BASE_URL https://api.weatherapi.com/v1 TIMEOUT 30 else: API_BASE_URL https://api.weatherapi.com/v1 # 或使用模擬服務(wù) TIMEOUT 103. 實現(xiàn)天氣查詢工具從簡單函數(shù)到健壯 API 調(diào)用工具是智能體的手腳需要同時考慮功能正確性和異常處理。我們以實現(xiàn)天氣查詢工具為例展示如何設(shè)計一個生產(chǎn)可用的工具。3.1 設(shè)計工具的函數(shù)簽名和返回值格式工具應(yīng)該具有清晰的輸入輸出約定這樣智能體才能正確解析和使用。對于天氣查詢我們需要地點參數(shù)返回結(jié)構(gòu)化的天氣信息。# tools/weather_tools.py import requests import json from config import WEATHER_API_KEY, API_BASE_URL, TIMEOUT def get_current_weather(location: str) - str: 獲取指定城市的當(dāng)前天氣情況 Args: location: 城市名稱如北京或Shanghai Returns: JSON 格式的字符串包含溫度、天氣狀況、濕度等信息 try: # 構(gòu)建請求參數(shù) params { key: WEATHER_API_KEY, q: location, aqi: no # 不查詢空氣質(zhì)量簡化響應(yīng) } response requests.get( f{API_BASE_URL}/current.json, paramsparams, timeoutTIMEOUT ) response.raise_for_status() # 檢查HTTP錯誤 data response.json() # 提取關(guān)鍵信息 weather_info { location: data[location][name], temperature: data[current][temp_c], condition: data[current][condition][text], humidity: data[current][humidity], wind_speed: data[current][wind_kph] } return json.dumps(weather_info, ensure_asciiFalse) except requests.exceptions.RequestException as e: return f查詢天氣時出錯: {str(e)} except KeyError as e: return f解析天氣數(shù)據(jù)時出錯: 缺少關(guān)鍵字段 {str(e)}這個實現(xiàn)包含了幾個重要細(xì)節(jié)明確的類型注解、詳細(xì)的文檔字符串、完整的異常處理、關(guān)鍵數(shù)據(jù)提取和 JSON 序列化。3.2 為工具調(diào)用添加緩存和限流機(jī)制頻繁調(diào)用外部 API 可能觸發(fā)速率限制同時也會增加成本和延遲。添加簡單的緩存機(jī)制可以顯著提升體驗。# tools/weather_tools.py import time from functools import lru_cache lru_cache(maxsize100) def get_current_weather_cached(location: str) - str: 帶緩存功能的天氣查詢相同地點10分鐘內(nèi)不會重復(fù)調(diào)用API # 緩存邏輯已由lru_cache處理 return get_current_weather(location) # 可以自定義更復(fù)雜的緩存策略 class WeatherCache: def __init__(self, ttl600): # 默認(rèn)10分鐘 self.cache {} self.ttl ttl def get(self, location): if location in self.cache: data, timestamp self.cache[location] if time.time() - timestamp self.ttl: return data # 緩存不存在或已過期 data get_current_weather(location) self.cache[location] (data, time.time()) return data生產(chǎn)環(huán)境中緩存策略需要根據(jù)數(shù)據(jù)更新頻率和用戶需求進(jìn)行調(diào)優(yōu)。天氣數(shù)據(jù)可以緩存 10-30 分鐘而股票價格可能只能緩存幾分鐘。3.3 驗證工具單獨工作的正確性在集成到智能體之前必須單獨測試工具功能。創(chuàng)建簡單的測試腳本# test_weather_tool.py from tools.weather_tools import get_current_weather def test_weather_tool(): # 測試正常情況 result get_current_weather(北京) print(北京天氣:, result) # 測試錯誤情況 result get_current_weather(不存在的城市) print(錯誤處理:, result) if __name__ __main__: test_weather_tool()運行測試應(yīng)該能看到結(jié)構(gòu)化的天氣數(shù)據(jù)或清晰的錯誤信息。這個步驟能幫助我們在早期發(fā)現(xiàn) API 密鑰、網(wǎng)絡(luò)連接或數(shù)據(jù)解析問題。4. 構(gòu)建智能體核心連接 LLM 與工具調(diào)用有了可靠的工具后我們需要讓 LLM 能夠理解何時以及如何調(diào)用這些工具。這里使用 OpenAI 的 Function Calling 功能它比 LangChain 更輕量且響應(yīng)更快。4.1 定義工具的描述信息供 LLM 理解LLM 需要通過自然語言描述來理解每個工具的功能和參數(shù)。這些描述直接影響智能體能否正確選擇工具。# agents/weather_agent.py import json from openai import OpenAI from config import OPENAI_API_KEY # 工具描述必須清晰準(zhǔn)確 weather_tool_description { type: function, function: { name: get_current_weather, description: 獲取指定城市的當(dāng)前天氣情況包括溫度、天氣狀況、濕度等信息, parameters: { type: object, properties: { location: { type: string, description: 城市名稱如北京或Shanghai } }, required: [location] } } } class WeatherAgent: def __init__(self): self.client OpenAI(api_keyOPENAI_API_KEY) self.tools [weather_tool_description] self.conversation_history [] def add_to_history(self, role, content): 維護(hù)對話歷史 self.conversation_history.append({role: role, content: content}) # 限制歷史長度避免token超限 if len(self.conversation_history) 10: self.conversation_history self.conversation_history[-6:]工具描述中的幾個關(guān)鍵點名稱要唯一且具描述性功能說明要明確使用場景參數(shù)定義要詳細(xì)但不過于復(fù)雜。4.2 實現(xiàn)智能體的決策和工具調(diào)用循環(huán)智能體的核心邏輯是一個循環(huán)分析用戶輸入 - 決定是否調(diào)用工具 - 執(zhí)行工具 - 基于結(jié)果生成回答。# agents/weather_agent.py class WeatherAgent: # ... 初始化代碼 ... def process_query(self, user_input: str) - str: 處理用戶查詢的核心方法 # 準(zhǔn)備對話上下文 messages self.conversation_history.copy() messages.append({role: user, content: user_input}) # 第一步讓LLM決定是否需要調(diào)用工具 response self.client.chat.completions.create( modelgpt-3.5-turbo-1106, # 支持function calling的版本 messagesmessages, toolsself.tools, tool_choiceauto # 讓模型自動決定 ) message response.choices[0].message messages.append(message) # 將LLM的響應(yīng)加入歷史 # 第二步如果LLM決定調(diào)用工具執(zhí)行工具調(diào)用 if message.tool_calls: for tool_call in message.tool_calls: function_name tool_call.function.name function_args json.loads(tool_call.function.arguments) if function_name get_current_weather: # 實際調(diào)用天氣工具 from tools.weather_tools import get_current_weather tool_result get_current_weather(function_args[location]) # 將工具執(zhí)行結(jié)果加入對話歷史 messages.append({ role: tool, tool_call_id: tool_call.id, content: tool_result }) # 第三步讓LLM基于工具結(jié)果生成最終回答 second_response self.client.chat.completions.create( modelgpt-3.5-turbo-1106, messagesmessages ) final_response second_response.choices[0].message.content else: final_response message.content # 更新對話歷史 self.add_to_history(user, user_input) self.add_to_history(assistant, final_response) return final_response這個三段式流程決策-執(zhí)行-生成是大多數(shù)智能體的基礎(chǔ)模式。關(guān)鍵優(yōu)勢在于LLM 只需要決定要做什么具體的工具執(zhí)行和錯誤處理由代碼負(fù)責(zé)。4.3 處理工具調(diào)用中的異常和邊界情況工具調(diào)用可能失敗智能體需要妥善處理各種異常情況而不是直接崩潰。# agents/weather_agent.py class WeatherAgent: # ... 其他代碼 ... def safe_tool_call(self, function_name, function_args): 安全的工具調(diào)用包含錯誤處理 try: if function_name get_current_weather: from tools.weather_tools import get_current_weather result get_current_weather(function_args[location]) # 檢查工具返回的是否是錯誤信息 if 出錯 in result or 錯誤 in result: return f工具執(zhí)行失敗: {result} return result except Exception as e: return f工具調(diào)用異常: {str(e)} def process_query(self, user_input: str) - str: # ... 前面的代碼 ... if message.tool_calls: for tool_call in message.tool_calls: function_name tool_call.function.name function_args json.loads(tool_call.function.arguments) tool_result self.safe_tool_call(function_name, function_args) messages.append({ role: tool, tool_call_id: tool_call.id, content: tool_result }) # ... 后面的代碼 ...這種設(shè)計保證了即使外部服務(wù)不可用智能體也能給出有意義的錯誤提示而不是暴露技術(shù)細(xì)節(jié)或直接停止工作。5. 運行測試與效果驗證完成代碼實現(xiàn)后需要系統(tǒng)性地測試智能體的各項能力。測試應(yīng)該覆蓋正常流程、邊界情況和錯誤處理。5.1 設(shè)計覆蓋不同場景的測試用例有效的測試應(yīng)該模擬真實用戶的各種輸入方式驗證智能體能否正確理解意圖并調(diào)用合適的工具。# test_agent.py from agents.weather_agent import WeatherAgent def run_test_cases(): agent WeatherAgent() test_cases [ # 正常查詢 北京今天天氣怎么樣, # 模糊查詢 我需要知道上海的天氣, # 包含額外上下文 我明天要去廣州出差天氣如何, # 錯誤地點 查詢一個不存在的城市的天氣, # 多輪對話 北京呢, # 跟進(jìn)查詢 # 非天氣問題 你會做什么, ] for i, query in enumerate(test_cases, 1): print(f\n 測試用例 {i} ) print(f用戶: {query}) response agent.process_query(query) print(f智能體: {response}) # 添加間隔避免API速率限制 import time time.sleep(1) if __name__ __main__: run_test_cases()預(yù)期應(yīng)該看到對于天氣查詢智能體調(diào)用工具并返回結(jié)構(gòu)化信息對于跟進(jìn)查詢它能利用對話歷史理解北京指代之前的話題對于非天氣問題它應(yīng)該禮貌說明自己的能力范圍。5.2 驗證工具調(diào)用的正確性和效率除了功能正確還需要關(guān)注性能指標(biāo)特別是工具調(diào)用的延遲和成功率。# performance_test.py import time from agents.weather_agent import WeatherAgent def performance_test(): agent WeatherAgent() queries [北京天氣, 上海天氣, 廣州天氣] total_time 0 success_count 0 for query in queries: start_time time.time() try: response agent.process_query(query) end_time time.time() elapsed end_time - start_time total_time elapsed if 溫度 in response or 天氣 in response: success_count 1 print(f? {query}: {elapsed:.2f}秒) else: print(f? {query}: 響應(yīng)內(nèi)容異常) except Exception as e: print(f? {query}: 執(zhí)行失敗 - {e}) print(f\n成功率: {success_count}/{len(queries)}) print(f平均響應(yīng)時間: {total_time/len(queries):.2f}秒) if __name__ __main__: performance_test()在開發(fā)環(huán)境中平均響應(yīng)時間應(yīng)該在 2-5 秒之間。如果超過這個范圍需要檢查網(wǎng)絡(luò)延遲、API 限流或代碼邏輯問題。5.3 分析智能體的決策過程和質(zhì)量通過查看詳細(xì)的調(diào)試信息我們可以了解 LLM 的決策邏輯從而優(yōu)化工具描述和提示詞。# agents/weather_agent.py class WeatherAgent: def __init__(self, debugFalse): # ... 其他初始化 ... self.debug debug def process_query(self, user_input: str) - str: # ... 前面的代碼 ... if self.debug and message.tool_calls: print(DEBUG: LLM決定調(diào)用工具:, [t.function.name for t in message.tool_calls]) print(DEBUG: 工具參數(shù):, [json.loads(t.function.arguments) for t in message.tool_calls]) # ... 后面的代碼 ...啟用調(diào)試模式后可以看到 LLM 是如何解析用戶意圖的這有助于改進(jìn)工具描述和提示工程。6. 常見問題排查與優(yōu)化建議實際部署智能體時會遇到各種問題下面列出典型問題的排查路徑和解決方案。6.1 工具調(diào)用相關(guān)的問題排查工具調(diào)用失敗是最常見的問題需要系統(tǒng)性地檢查各個環(huán)節(jié)。問題現(xiàn)象可能原因檢查方式解決方案LLM 不調(diào)用工具工具描述不清晰或用戶意圖不明確檢查調(diào)試輸出查看LLM的決策過程改進(jìn)工具描述增加示例或明確使用場景工具參數(shù)錯誤參數(shù)格式或類型不匹配檢查工具調(diào)用時的參數(shù)解析日志調(diào)整參數(shù)schema增加參數(shù)驗證API 調(diào)用失敗網(wǎng)絡(luò)問題、認(rèn)證失敗或配額不足單獨測試工具函數(shù)檢查錯誤信息驗證API密鑰、網(wǎng)絡(luò)連接和調(diào)用配額響應(yīng)超時外部服務(wù)響應(yīng)慢或網(wǎng)絡(luò)延遲添加超時監(jiān)控和日志調(diào)整超時設(shè)置添加重試機(jī)制6.2 性能優(yōu)化和成本控制策略隨著使用量增加性能和成本成為關(guān)鍵考慮因素。緩存策略優(yōu)化根據(jù)數(shù)據(jù)更新頻率設(shè)計多級緩存。天氣數(shù)據(jù)可以緩存 10 分鐘用戶配置可以緩存更長時間。# 實現(xiàn)帶TTL的緩存裝飾器 import functools import time def cached_with_ttl(ttl_seconds600): def decorator(func): cache {} functools.wraps(func) def wrapper(*args, **kwargs): key str(args) str(kwargs) if key in cache: result, timestamp cache[key] if time.time() - timestamp ttl_seconds: return result result func(*args, **kwargs) cache[key] (result, time.time()) return result return wrapper return decorator批量處理優(yōu)化當(dāng)需要查詢多個地點的天氣時可以設(shè)計批量查詢接口減少 API 調(diào)用次數(shù)。成本監(jiān)控記錄每次 LLM 調(diào)用和工具調(diào)用的開銷設(shè)置每日預(yù)算和告警閾值。6.3 對話質(zhì)量和一致性的提升方法智能體的回答應(yīng)該準(zhǔn)確、有用且風(fēng)格一致。提示詞工程優(yōu)化在系統(tǒng)消息中明確智能體的角色和能力范圍。system_message 你是一個專業(yè)的天氣助手專門幫助用戶查詢天氣信息。 你的能力包括 - 查詢?nèi)虺鞘械漠?dāng)前天氣 - 提供溫度、濕度、風(fēng)力等詳細(xì)信息 - 根據(jù)天氣情況給出實用建議 如果你無法回答非天氣相關(guān)問題請禮貌地說明你的專長范圍。 保持回答專業(yè)、簡潔、有用。 回答模板化對于結(jié)構(gòu)化數(shù)據(jù)使用模板確保信息呈現(xiàn)的一致性。def format_weather_response(weather_data): 將天氣數(shù)據(jù)格式化為易讀的回答 data json.loads(weather_data) return f {data[location]}當(dāng)前天氣 ? 溫度{data[temperature]}°C ?? 狀況{data[condition]} 濕度{data[humidity]}% ? 風(fēng)速{data[wind_speed]} km/h 7. 生產(chǎn)環(huán)境部署與擴(kuò)展方向?qū)W習(xí)環(huán)境的智能體需要經(jīng)過一系列改造才能滿足生產(chǎn)要求。以下是關(guān)鍵的生產(chǎn)化考量點。7.1 安全性加固和訪問控制生產(chǎn)環(huán)境必須考慮安全因素防止未授權(quán)訪問和濫用。API 密鑰管理使用專業(yè)的密鑰管理服務(wù)定期輪轉(zhuǎn)密鑰避免硬編碼。輸入驗證和過濾對所有用戶輸入進(jìn)行驗證防止注入攻擊。def validate_location(location: str) - bool: 驗證地點參數(shù)是否合法 if not location or len(location) 50: return False # 只允許字母、數(shù)字和常見標(biāo)點 import re pattern r^[a-zA-Z0-9\s\-,\.]$ return bool(re.match(pattern, location))速率限制基于用戶或 IP 實施調(diào)用頻率限制。7.2 監(jiān)控、日志和可觀測性生產(chǎn)系統(tǒng)需要完整的監(jiān)控體系來保證可用性和快速排錯。結(jié)構(gòu)化日志記錄關(guān)鍵操作和錯誤信息。import logging logging.basicConfig( levellogging.INFO, format%(asctime)s - %(name)s - %(levelname)s - %(message)s ) logger logging.getLogger(weather_agent) def process_query(self, user_input: str) - str: logger.info(f處理查詢: {user_input}) try: # ... 處理邏輯 ... logger.info(查詢處理完成) return result except Exception as e: logger.error(f處理查詢時出錯: {e}) return 系統(tǒng)暫時無法處理您的請求性能指標(biāo)收集監(jiān)控響應(yīng)時間、成功率、工具調(diào)用次數(shù)等關(guān)鍵指標(biāo)。7.3 擴(kuò)展為多工具智能體架構(gòu)單一天氣查詢工具只能解決特定問題真正的智能體應(yīng)該能夠根據(jù)需求調(diào)用不同的工具。工具注冊機(jī)制設(shè)計統(tǒng)一的工具注冊和發(fā)現(xiàn)接口。class ToolRegistry: def __init__(self): self.tools {} def register_tool(self, name, description, function): self.tools[name] { description: description, function: function } def get_tool_descriptions(self): return [tool[description] for tool in self.tools.values()] def call_tool(self, name, arguments): if name not in self.tools: raise ValueError(f未知工具: {name}) return self.tools[name][function](**arguments)技能組合與任務(wù)分解讓智能體能夠處理復(fù)雜任務(wù)如規(guī)劃北京三日游需要組合天氣查詢、景點推薦、路線規(guī)劃等多個工具。智能體開發(fā)是一個迭代過程從最小可行產(chǎn)品開始逐步增加工具、優(yōu)化提示詞、改進(jìn)用戶體驗。這個天氣查詢智能體提供了完整的技術(shù)框架可以在此基礎(chǔ)上擴(kuò)展更多實用功能最終構(gòu)建出真正理解用戶需求并能主動協(xié)助完成任務(wù)的AI助手。