如何开发AI Agent?

digoal2025年10月25日约 7 分钟

如何写AI Agent?

上一篇文章已详细分析: 未来的必备技能, 要么会写AI Agent, 要么会用AI Agent!

2025云栖大会热词洞察: AI就绪 (AI Ready)

那么如何写一个AI Agent?

例如如何写一个推荐股票的AI Agent? 可推荐股票, 并且推荐什么时机买入, 什么时机卖出, 适合短线操作, 做波段, 还是长线持有?

看看Qwen怎么回答，让AI设计AI

一、如何写一个AI Agent

写一个 AI Agent（智能体）的核心思想是：让程序不仅能执行固定指令，还能感知环境、自主决策、调用工具、记忆历史，并持续完成目标。下面我用通俗易懂的方式，结合当前主流技术（如大模型 + 工具调用 + 记忆机制），分步骤说明如何构建一个实用的 AI Agent。

一、AI Agent 的核心组件（4 大要素）

一个典型的 AI Agent 包含以下模块：

模块	作用	常见实现
大脑（Reasoning）	决策、规划、推理	大语言模型（如 Qwen、GPT、Llama）
感知（Perception）	理解输入（文本、图像等）	LLM + 多模态模型
行动（Action）	调用工具、执行操作	函数调用（Function Calling）、API
记忆（Memory）	存储历史、上下文、知识	向量数据库、短期/长期记忆

✅ 简单说：Agent = LLM + 工具 + 记忆 + 循环控制

二、写一个最简 AI Agent（代码示例）

假设我们要做一个“能查天气、做计算、回答问题”的 Agent。

步骤 1：定义工具（Tools）

import math
import requestsdefget_weather(city: str) -> str:
# 模拟调用天气 API
returnf"今天 {city} 晴，25°C"
defcalculate(expression: str) -> float:
# 安全计算（仅支持简单表达式）
try:
return eval(expression, {"__builtins__": {}}, {"math": math})
except:
return"计算错误"

步骤 2：让 LLM 决定是否调用工具

使用支持 Function Calling 的模型（如 Qwen-Max、GPT-4、Ollama + function schema）。

from qwen_agent import Agent  # 假设使用通义千问官方 Agent 框架# 定义工具描述（供 LLM 理解）
tools = [
    {
"name": "get_weather",
"description": "查询某城市的天气",
"parameters": {"city": "城市名，如'北京'"}
    },
    {
"name": "calculate",
"description": "计算数学表达式",
"parameters": {"expression": "合法的数学表达式，如'2+3*4'"}
    }
]
# 创建 Agent
agent = Agent(
    model="qwen-max",
    tools=tools,
    system_prompt="你是一个智能助手，能回答问题、查天气、做计算。"
)
# 运行
response = agent.run("北京今天天气怎么样？")
print(response)  # → 调用 get_weather("北京") → 返回天气

🔧 如果不用官方框架，也可手动解析 LLM 输出的 JSON，判断是否需要调用工具。

三、进阶：加入记忆与多轮规划

1. 短期记忆：用对话历史（Chat History）

history = [
    {"role": "user", "content": "北京天气？"},
    {"role": "assistant", "tool_calls": [{"name": "get_weather", "args": {"city": "北京"}}]},
    {"role": "tool", "content": "今天北京晴，25°C"},
    {"role": "assistant", "content": "北京今天晴，25°C"}
]

2. 长期记忆：用向量数据库（如 Chroma、Milvus）

把重要信息（如用户偏好、知识片段）存入向量库
每次决策前，先检索相关记忆

from chromadb import Clientclient = Client()
collection = client.create_collection("memory")
# 存记忆
collection.add(
    documents=["用户喜欢喝美式咖啡"],
    metadatas=[{"user_id": "123"}],
    ids=["mem1"]
)
# 查记忆
results = collection.query(query_texts=["用户喜欢什么咖啡？"], n_results=1)

3. 自主规划（ReAct / Plan-and-Execute）

让 Agent 先写计划，再执行：

用户问：“帮我订明天从北京到上海的机票，预算 1000 元内。”

Agent 思考：

需要知道明天的日期 → 调用 get_current_date()
查询航班 → 调用 search_flights("北京", "上海", "2024-06-15", max_price=1000)
如果有结果，返回；否则建议改期或加预算。

四、推荐框架（快速上手）

框架	特点	适合人群
LangChain	功能全面，支持记忆、工具、链式调用	开发者
LlamaIndex	专注 RAG + Agent，适合知识问答	研究者
Qwen-Agent （通义）	中文友好，支持 function calling	国内用户
AutoGen （微软）	多 Agent 协作，适合复杂任务	高级用户
Ollama + LM Studio	本地运行开源模型 + 工具调用	隐私敏感者

五、关键设计原则

安全第一：不要让 Agent 直接执行 eval()、os.system() 等危险操作。
工具要明确：每个工具要有清晰的输入/输出描述，方便 LLM 理解。
失败要兜底：工具调用失败时，Agent 应能解释或换策略。
避免无限循环：设置最大思考步数（如最多 5 步）。

六、一个完整流程图（ReAct 模式）

总结

写 AI Agent 的本质是：把大模型当作“决策中心”，让它指挥各种工具完成任务。

✅ 初学者建议：

用 Qwen-Agent 或 LangChain 搭一个能查天气/计算的 demo
加入 向量数据库 实现长期记忆
尝试 多步任务（如“总结最近3篇关于AI的新闻”）

🌟 最终目标：让 Agent 像一个“数字员工”，能独立完成复杂工作。

如果你有具体场景（如客服、数据分析、游戏 NPC），我可以给出针对性架构！

二、如何写一个推荐股票的AI Agent?

要构建一个推荐股票的 AI Agent，能判断买入/卖出时机，并建议操作风格（短线、波段、长线），需要融合 金融知识、技术指标、市场数据、大模型推理能力 和 风险控制逻辑。

下面我将从 设计架构 → 核心模块 → 代码示例 → 风险提示 四个层面，给出一个可落地的 AI Agent 实现方案。

一、整体架构（ReAct + 工具调用）

二、核心模块设计

1. 工具（Tools）定义

工具名	功能	数据源
`get_stock_price(symbol)`	获取当前价格、52周高低	Yahoo Finance / Tushare
`get_technical_indicators(symbol)`	计算 MACD、RSI、均线、布林带	TA-Lib / 自定义
`get_fundamentals(symbol)`	获取 PE、PB、ROE、营收增速	东方财富 / Tushare
`get_market_sentiment()`	获取新闻情绪、资金流向	新浪财经 / 东方财富 API
`classify_trend(symbol)`	判断趋势：上涨/震荡/下跌	基于均线+波动率

2. 决策逻辑（由 LLM + 规则驱动）

短线（<5天）：RSI 超卖 + 放量突破 + MACD 金叉
波段（1-3个月）：处于上升通道 + 回踩均线 + 基本面稳健
长线（>6个月）：低估值 + 高 ROE + 行业龙头 + 股息率 > 2%

LLM 负责综合解读指标，避免硬编码规则。

三、代码实现（Python + Qwen + Tushare）

假设你有 Tushare token（免费注册），并安装 qwen-agent、tushare、talib

步骤 1：安装依赖

pip install qwen-agent tushare TA-Lib pandas numpy

步骤 2：定义工具

import tushare as ts
import talib
import pandas as pdts.set_token('YOUR_TUSHARE_TOKEN')
pro = ts.pro_api()
defget_stock_price(symbol: str) -> dict:
    df = ts.get_realtime_quotes(symbol)
return {
"price": float(df['price'].iloc[0]),
"high_52w": float(df['high'].iloc[0]),
"low_52w": float(df['low'].iloc[0])
    }
defget_technical_indicators(symbol: str, days=60) -> dict:
    df = ts.pro_bar(ts_code=symbol, adj='qfq', freq='D', start_date='20240101')
    df = df.sort_index(ascending=True)
    close = df['close'].values
    rsi = talib.RSI(close, timeperiod=14)[-1]
    macd, signal, hist = talib.MACD(close)
    ma20 = talib.SMA(close, 20)[-1]
    ma60 = talib.SMA(close, 60)[-1]
return {
"rsi": rsi,
"macd": macd[-1],
"macd_signal": signal[-1],
"ma20": ma20,
"ma60": ma60,
"price": close[-1]
    }
defget_fundamentals(symbol: str) -> dict:
# 简化：假设 symbol 是 ts_code，如 '600519.SH'
    df = pro.daily_basic(ts_code=symbol, trade_date='20240614')
ifnot df.empty:
return {
"pe": df['pe'].iloc[0],
"pb": df['pb'].iloc[0],
"total_mv": df['total_mv'].iloc[0]  # 亿元
        }
return {"pe": None, "pb": None}

步骤 3：构建 Agent

from qwen_agent import Agenttools = [
    {
"name": "get_stock_price",
"description": "获取股票当前价格和52周高低",
"parameters": {"symbol": "股票代码，如 '600519'"}
    },
    {
"name": "get_technical_indicators",
"description": "获取技术指标：RSI、MACD、均线",
"parameters": {"symbol": "股票代码"}
    },
    {
"name": "get_fundamentals",
"description": "获取基本面数据：PE、PB",
"parameters": {"symbol": "股票代码（带交易所后缀，如 '600519.SH'）"}
    }
]
system_prompt = """
你是一个专业的股票投资顾问AI，擅长结合技术面与基本面给出操作建议。
请根据工具返回的数据，回答以下问题：
1. 是否值得买入？当前是否是好时机？
2. 建议买入区间、止损位、目标卖出价。
3. 适合短线（<5天）、波段（1-3月）还是长线（>6月）？
4. 风险提示（如高估值、行业利空等）。
"""
agent = Agent(
    model="qwen-max",
    tools=tools,
    system_prompt=system_prompt
)
# 用户提问
response = agent.run("分析贵州茅台（600519）现在是否适合买入？")
print(response)

四、典型输出示例（模拟）

股票：贵州茅台（600519）
当前价：1700 元
技术面：RSI=45（中性），MACD金叉，股价站上20日均线，但未突破60日均线。
基本面：PE=28，PB=8.5，估值偏高，但ROE>30%，行业龙头。
建议：
操作风格：波段持有（1-2个月），不适合短线（波动小），长线需等待估值回调。
买入区间：1650 - 1680 元（当前可分批建仓）
止损位：1600 元（跌破60日均线）
目标价：1850 元（前高压力位）
风险提示：消费复苏不及预期、估值偏高、短期无催化剂。

五、进阶优化方向

方向	说明
多因子模型	加入资金流、北向持仓、龙虎榜数据
回测验证	用 `backtrader` 验证策略历史表现
风险控制	加入最大回撤限制、仓位建议
多股票对比	同时分析多个标的，推荐最优
本地部署	用 `Ollama + Qwen2.5-Coder` + 本地数据，避免 API 依赖

⚠️ 重要风险提示

本 AI Agent 仅用于技术演示，不构成投资建议。
股市有风险，入市须谨慎。AI 无法预测黑天鹅事件（如政策突变、财报暴雷）。
建议：AI 辅助决策 + 人工复核 + 严格止损。

如果你希望我提供 完整可运行的 GitHub 项目模板（含 Docker 部署、Web UI），也可以告诉我！

参考

https://www.coze.cn/open/docs/guides
https://www.langchain.com/langgraph
https://python.langchain.com/docs/tutorials/agents/
https://www.bilibili.com/video/BV1zuHizBE8B