数码AI助手技术深度解析：从被动问答到主动执行的全链路拆解（2026年4月8日）

 传统方式：一问一答，无法执行动作
def traditional_llm_chat(user_input):
    response = llm.generate(user_input)
    return response

 用户："帮我查一下北京今天的天气，如果下雨就提醒我带伞"
 输出：模型回复一段文字，不会真的去查天气

 定义两个简单的工具函数
def get_weather(city: str) -> str:
    """获取指定城市的天气（模拟API调用）"""
     实际场景中这里会调用真实天气API
    weather_data = {
        "北京": "晴天，25°C",
        "上海": "多云，22°C",
        "深圳": "阵雨，28°C"
    }
    return weather_data.get(city, "天气信息暂不可用")

def send_reminder(message: str) -> str:
    """发送提醒"""
    return f"✅ 已发送提醒：{message}"

 工具注册表
tools = {
    "get_weather": get_weather,
    "send_reminder": send_reminder
}

 工具描述（供LLM理解）
tool_descriptions = {
    "get_weather": {"name": "get_weather", "description": "获取城市天气", "parameters": {"city": "string"}},
    "send_reminder": {"name": "send_reminder", "description": "发送提醒消息", "parameters": {"message": "string"}}
}

import json

class SimpleAgent:
    def __init__(self, llm, tools, tool_descriptions):
        self.llm = llm           LLM作为大脑
        self.tools = tools       可用的工具
        self.tool_descriptions = tool_descriptions
        self.max_iterations = 3   最大迭代次数
    
    def run(self, user_goal: str):
        """Agent执行用户目标，支持多步迭代"""
        context = f"用户目标：{user_goal}\n可用工具：{list(self.tools.keys())}\n"
        
        for step in range(self.max_iterations):
             1. 思考：LLM决定下一步做什么
            prompt = f"{context}\n当前步骤：{step+1}\n请决定：是调用工具还是完成任务？"
            decision = self.llm.generate(prompt)
            
             2. 行动：解析LLM输出，决定是否调用工具
            if "调用工具" in decision:
                 解析工具名称和参数（实际场景需结构化解析）
                tool_name = self._extract_tool_name(decision)
                tool_params = self._extract_params(decision)
                
                if tool_name in self.tools:
                     执行工具调用
                    result = self.tools[tool_name](tool_params)
                    context += f"\n步骤{step+1}：调用{tool_name}，返回：{result}"
                else:
                    context += f"\n步骤{step+1}：工具{tool_name}不可用"
            else:
                 3. 观察：生成最终答案
                final_answer = self.llm.generate(f"{context}\n请基于以上信息回答用户")
                return final_answer
        
        return self.llm.generate(f"{context}\n已达到最大步骤，请总结结果")
    
    def _extract_tool_name(self, decision: str) -> str:
         简化版工具名提取，实际场景需用结构化输出
        for tool_name in self.tools.keys():
            if tool_name in decision:
                return tool_name
        return ""
    
    def _extract_params(self, decision: str) -> dict:
         简化版参数提取
        if "北京" in decision:
            return {"city": "北京"}
        return {}

 模拟LLM（实际应接入OpenAI/DeepSeek等真实API）
class MockLLM:
    def generate(self, prompt: str) -> str:
         极简模拟：根据关键词判断行为
        if "北京" in prompt:
            return "调用工具：get_weather，参数city='北京'"
        elif "提醒" in prompt:
            return "调用工具：send_reminder，参数message='明天开会'"
        else:
            return "任务完成，可以回复用户"

 创建并运行Agent
agent = SimpleAgent(MockLLM(), tools, tool_descriptions)
result = agent.run("帮我查一下北京天气，如果下雨提醒我带伞")
print(f"Agent执行结果：{result}")