2026年，AI Agent（智能代理）已经成为AI应用开发的核心范式。从OpenAI Agents SDK到LangChain的Deep Agents框架，开发者正在构建能够自主思考、规划并执行任务的AI系统。本教程将带你从零搭建一个实用的Python AI Agent。

什么是AI Agent？

AI Agent是一个能够感知环境、自主决策并采取行动以实现目标的智能系统。与简单的LLM调用不同，Agent可以：使用工具（调用API、搜索网页）、维护长期记忆、分解复杂任务、并从错误中学习。

环境准备

首先，安装必要的依赖：

pip install langchain langchain-openai python-dotenv requests beautifulsoup4

创建项目目录并设置环境变量：

mkdir ai-agent-tutorial && cd ai-agent-tutorial
echo "OPENAI_API_KEY=your-api-key-here" > .env

第一步：构建基础Agent

创建一个基础的Agent，让它能够使用搜索引擎和计算器工具：

import os
from dotenv import load_dotenv
from langchain.agents import initialize_agent, Tool
from langchain_openai import ChatOpenAI
from langchain.tools import tool

load_dotenv()

@tool
def search_web(query: str) -> str:
    """搜索网络获取最新信息"""
    import requests
    resp = requests.get(f"https://api.duckduckgo.com/?q={query}&format=json")
    return resp.text[:500]

@tool
def calculate(expression: str) -> str:
    """执行数学计算"""
    return str(eval(expression))

llm = ChatOpenAI(model="gpt-4o", temperature=0)
tools = [search_web, calculate]

agent = initialize_agent(
    tools=tools,
    llm=llm,
    agent_type="zero-shot-react-description",
    verbose=True
)

result = agent.run("搜索2026年NVIDIA的最新AI芯片新闻")
print(result)

第二步：添加记忆系统

让Agent记住对话上下文：

from langchain.memory import ConversationBufferMemory

memory = ConversationBufferMemory(
    memory_key="chat_history",
    return_messages=True
)

agent = initialize_agent(
    tools=tools,
    llm=llm,
    agent_type="conversational-react-description",
    memory=memory,
    verbose=True
)

# Agent现在可以记住之前的对话
agent.run("我的名字是Alice")
agent.run("我叫什么名字？")  # 会回答 Alice

第三步：构建多Agent协作系统

使用CrewAI构建多Agent协作：

from crewai import Agent, Task, Crew

researcher = Agent(
    role='研究员',
    goal='搜索并总结最新的AI新闻',
    backstory='你是一名资深AI研究员',
    llm=llm
)

writer = Agent(
    role='写手',
    goal='根据研究结果撰写文章',
    backstory='你是一名科技专栏作者',
    llm=llm
)

research_task = Task(
    description='搜索2026年AI领域三大重要新闻',
    agent=researcher
)

write_task = Task(
    description='根据研究结果撰写一篇300字短文',
    agent=writer
)

crew = Crew(
    agents=[researcher, writer],
    tasks=[research_task, write_task],
    verbose=True
)

result = crew.kickoff()
print(result)

总结

2026年是AI Agent的爆发之年。从单Agent工具调用到多Agent协作系统，Python生态提供了丰富的框架选择。建议读者从LangChain的基础Agent开始，逐步过渡到LangGraph的图计算模型和CrewAI的多Agent编排系统。

参考资源：LangChain官方文档、OpenAI Agents SDK、CrewAI文档、NVIDIA AI-Q开发者指南（2026年）