50行Python手搓一个原生AI Agent：彻底看懂智能体的本质

你是不是也被各种AI Agent框架搞晕了？LangChain、CrewAI、AutoGPT… 每个框架都有几百个类、几千行代码，文档看到头大，却始终没搞懂Agent到底是什么。

今天我要告诉你一个真相：AI Agent的核心，其实就是一个while循环。所有复杂的框架，本质上都是在这个循环外面包了一层又一层的抽象。只要你理解了这个最基本的循环，你就能看懂所有Agent框架的源码，甚至能自己写出比框架更灵活的实现。

这篇文章我会用纯原生Python，不依赖任何Agent框架，只用50行代码，带你实现一个完整的、具备工具调用能力的AI Agent。你会亲眼看到，所谓的"智能体"，到底是怎么工作的。

AI Agent的本质：一个循环而已

在写代码之前，我们先搞清楚一个最核心的问题：什么是AI Agent？

很多人会给你讲一堆高大上的概念：感知层、认知层、执行层、记忆系统、规划模块… 这些都对，但都太抽象了。

从工程实现的角度看，AI Agent = 大语言模型 + 工具集 + 一个无限循环。

这个循环就是著名的"ReAct循环"：

1. 思考(Thought)：模型根据当前状态，决定下一步要做什么
2. 行动(Action)：调用对应的工具执行操作
3. 观察(Observation)：获取工具执行的结果
4. 重复：把结果返回给模型，继续下一轮思考

就是这么简单。所有复杂的Agent系统，都是在这个基础循环上扩展出来的。

我画了一张最简单的Agent架构图，你一看就懂：

看到了吗？整个流程没有任何神秘的地方。大模型只是这个循环中的一个"思考"环节，它的作用就是判断：我现在需要调用什么工具？或者我已经有足够的信息回答用户了吗？

50行代码实现完整AI Agent

好了，理论讲完了，现在开始写代码。我们只需要安装一个依赖：openaiSDK。

pipinstallopenai python-dotenv

然后创建一个simple_agent.py文件，把下面的代码复制进去。我数过了，去掉空行和注释，正好50行左右。

importosimportjsonfromdotenvimportload_dotenvfromopenaiimportOpenAI# 加载环境变量load_dotenv()client=OpenAI(api_key=os.getenv("OPENAI_API_KEY"))MODEL="gpt-4o-mini"# 用最便宜的模型就行，效果足够好# 定义工具函数：这就是Agent的"手脚"defget_weather(city:str)->str:"""查询指定城市的天气"""# 这里模拟API调用，实际项目中替换成真实的天气APIweather_data={"北京":"晴天，25-32℃，微风","上海":"多云，23-28℃，东南风3级","深圳":"雷阵雨，26-30℃，南风4级"}returnweather_data.get(city,f"抱歉，没有找到{city}的天气信息")defget_current_time()->str:"""获取当前系统时间"""fromdatetimeimportdatetimereturndatetime.now().strftime("%Y年%m月%d日 %H:%M:%S")defcalculate(expression:str)->str:"""执行数学计算"""try:returnf"计算结果:{eval(expression)}"exceptExceptionase:returnf"计算错误:{str(e)}"# 工具定义：告诉模型有哪些工具可用TOOLS=[{"type":"function","function":{"name":"get_weather","description":"查询指定城市的天气情况","parameters":{"type":"object","properties":{"city":{"type":"string","description":"城市名称，例如：北京"}},"required":["city"]}}},{"type":"function","function":{"name":"get_current_time","description":"获取当前系统时间","parameters":{"type":"object","properties":{}}}},{"type":"function","function":{"name":"calculate","description":"执行数学计算，支持加减乘除和括号","parameters":{"type":"object","properties":{"expression":{"type":"string","description":"数学表达式，例如：123 * 456"}},"required":["expression"]}}}]# 工具映射：方便根据函数名找到对应的函数tool_map={"get_weather":get_weather,"get_current_time":get_current_time,"calculate":calculate}defrun_agent(user_query:str)->str:"""运行AI Agent的主函数"""messages=[{"role":"system","content":"你是一个有用的AI助手。你可以使用提供的工具来帮助用户解决问题。如果需要调用工具，请使用函数调用格式。当你有足够的信息回答用户问题时，请直接给出最终答案，不要继续调用工具。"},{"role":"user","content":user_query}]whileTrue:# 调用大模型思考response=client.chat.completions.create(model=MODEL,messages=messages,tools=TOOLS,tool_choice="auto")message=response.choices[0].message messages.append(message)# 如果模型不需要调用工具，直接返回回答ifnotmessage.tool_calls:returnmessage.content# 执行所有工具调用fortool_callinmessage.tool_calls:function_name=tool_call.function.name function_args=json.loads(tool_call.function.arguments)print(f"\n🤖 Agent正在调用工具:{function_name}({function_args})")# 调用对应的工具函数function_response=tool_map[function_name](**function_args)print(f"📦 工具返回结果:{function_response}")# 将工具结果添加到消息历史messages.append({"role":"tool","tool_call_id":tool_call.id,"name":function_name,"content":function_response})# 测试一下if__name__=="__main__":print("="*50)print("50行Python实现的AI Agent")print("="*50)whileTrue:user_input=input("\n请输入你的问题（输入'退出'结束）: ")ifuser_input.lower()in["退出","exit","quit"]:breakprint("\n🧠 Agent正在思考中...")result=run_agent(user_input)print(f"\n✅ Agent回答:{result}")

代码逐行解析

别看代码短，它包含了一个完整AI Agent的所有核心组件：

1. 工具定义（第13-35行）

这是Agent的"手脚"。我们定义了三个简单的工具：查询天气、获取时间、数学计算。每个工具都有清晰的描述和参数定义，大模型会根据这些描述来决定什么时候调用哪个工具。

2. 工具映射（第68-72行）

一个简单的字典，把函数名映射到实际的函数对象。这样当模型说"我要调用get_weather函数"的时候，我们就能快速找到对应的函数并执行。

3. 主循环（第85-112行）

这就是Agent的心脏！整个run_agent函数就是一个无限循环：

• 第89-95行：调用大模型，让它根据当前的消息历史思考下一步
• 第99-100行：如果模型说"我不需要工具了，我可以回答了"，就直接返回结果
• 第103-111行：如果模型需要调用工具，就解析参数，执行工具函数，然后把结果返回给模型
• 然后循环继续，直到模型认为任务完成

就是这么简单！没有任何复杂的抽象，没有任何黑箱操作。每一步你都能看得清清楚楚。

运行效果演示

现在我们来运行一下这个Agent，看看它的表现：

================================================== 50行Python实现的AI Agent ================================================== 请输入你的问题（输入'退出'结束）: 现在几点了？ 🧠 Agent正在思考中... 🤖 Agent正在调用工具: get_current_time({}) 📦 工具返回结果: 2026年05月28日 19:52:37 ✅ Agent回答: 现在的时间是2026年05月28日 19:52:37。 请输入你的问题（输入'退出'结束）: 北京今天天气怎么样？适合穿什么衣服？ 🧠 Agent正在思考中... 🤖 Agent正在调用工具: get_weather({'city': '北京'}) 📦 工具返回结果: 晴天，25-32℃，微风 ✅ Agent回答: 北京今天是晴天，气温在25-32℃之间，有微风。建议穿短袖、短裤等轻薄透气的衣服，注意防晒。 请输入你的问题（输入'退出'结束）: 1234乘以5678等于多少？再加上9876呢？ 🧠 Agent正在思考中... 🤖 Agent正在调用工具: calculate({'expression': '1234 * 5678'}) 📦 工具返回结果: 计算结果: 7006652 🤖 Agent正在调用工具: calculate({'expression': '7006652 + 9876'}) 📦 工具返回结果: 计算结果: 7016528 ✅ Agent回答: 1234乘以5678等于7006652，再加上9876等于7016528。

看到了吗？这个只有50行代码的Agent，已经能够：

• 自主判断是否需要调用工具
• 正确解析工具参数
• 连续调用多个工具完成复杂任务
• 根据工具返回的结果生成自然语言回答

这和你用LangChain写出来的Agent，本质上没有任何区别。

为什么我建议你先写原生实现

很多人一上来就用LangChain，结果遇到问题根本不知道怎么调试。比如Agent突然不调用工具了，或者调用了错误的工具，你根本不知道是提示词的问题，还是框架的问题，还是模型本身的问题。

但是如果你先写过这个原生的实现，你就会明白：

• 工具调用本质上就是模型输出了一个特定格式的JSON
• 消息历史是Agent唯一的"记忆"
• 框架所谓的"AgentExecutor"，其实就是一个while循环

当你理解了这些本质之后，再去看任何Agent框架的源码，都会觉得一目了然。而且在实际项目中，很多时候原生实现比框架更灵活，性能更好，也更容易调试。

扩展方向：从50行到生产级

这个50行的Agent虽然简单，但它是一个完整的骨架。你可以在这个基础上，很容易地扩展出各种高级功能：

1. 增加更多工具：比如网页搜索、文件读写、数据库查询、发送邮件等
2. 增加记忆系统：用向量数据库存储长期记忆，实现上下文感知
3. 增加规划能力：让Agent先把复杂任务拆解成步骤，再一步步执行
4. 增加错误处理：处理工具调用失败、模型输出格式错误等情况
5. 增加流式输出：让Agent的回答能够实时显示给用户
6. 增加多轮对话：支持用户和Agent进行连续的对话

总结

AI Agent不是什么神秘的黑科技，它的核心就是一个"思考-行动-观察"的循环。所有复杂的框架，都是在这个循环的基础上构建起来的。

通过这50行代码，我希望你能真正理解Agent的本质。不要被各种高大上的概念和复杂的框架吓倒。编程的真谛，就是把复杂的问题拆解成简单的步骤，然后用代码一步步实现。

现在你已经有了一个可以工作的Agent骨架，接下来就尽情发挥你的想象力，用它来解决你自己的问题吧。