AI Agent 開發的坑（Function Call）
作者：demo123567
AI Agent是一個能夠感知環境、做出決策并執行行動的智能系統。它結合了大型語言模型（LLM）的推理能力和各種工具的實用功能，能夠完成復雜的任務。
引言
AI Agent（智能代理）是當前AI領域的熱門話題，它能夠理解用戶意圖、調用工具、執行任務并給出智能回答。本文將帶你從零開始，一步步構建一個功能完整的AI Agent，并分享開發過程中的關鍵問題和解決方案。
什么是AI Agent？
AI Agent是一個能夠感知環境、做出決策并執行行動的智能系統。它結合了大型語言模型（LLM）的推理能力和各種工具的實用功能，能夠完成復雜的任務。
項目架構設計
核心組件
我們的AI Agent包含以下核心組件：
- 語言模型：負責理解用戶意圖和生成回答
- 工具系統：提供具體的功能實現
- 工作流引擎：協調各個組件的工作
- 狀態管理：跟蹤執行過程
技術棧選擇
# 核心依賴
from langgraph.graph import StateGraph, END
from mcp.server import Server
from openai import OpenAI開發過程與關鍵問題
問題1：LangGraph配置錯誤
錯誤信息：
ValueError: Checkpointer requires one or more of the following 'configurable' keys: thread_id, checkpoint_id解決方案：
# 錯誤做法：在AgentState中包含保留字段
class AgentState(TypedDict):
thread_id: str # ? 這是LangGraph保留字段
checkpoint_id: str # ? 這是LangGraph保留字段
# 正確做法：避免使用保留字段名
class AgentState(TypedDict):
messages: List[Dict[str, Any]]
current_step: str
tools_used: List[str]
final_result: str經驗總結：框架的保留字段名不能用作狀態字段，需要仔細閱讀文檔。
問題2：無限循環問題
錯誤信息：
GraphRecursionError: Recursion limit of 25 reached without hitting a stop condition解決方案：
# 使用條件邊避免無限循環
workflow.add_conditional_edges(
"agent",
self._should_continue, # 決策函數
{
"tools": "tools", # 需要工具 → 調用工具
"end": END # 完成任務 → 結束
}
)
def _should_continue(self, state: AgentState) -> str:
if state["current_step"] == "tool_call":
return"tools"
else:
return"end"經驗總結：工作流設計必須考慮停止條件，避免無限循環。
問題3：工具調用格式問題
問題描述：模型不理解如何調用工具，直接回答問題而不使用工具。
解決方案：
# 明確的系統提示
system_prompt = """重要：當需要調用工具時，你必須使用以下格式：
TOOL_CALL: 工具名 參數JSON
例如：
- 用戶說"讀取當前目錄"，你應該回復：TOOL_CALL: list_directory {"directory_path": "."}
- 用戶說"讀取demo.py文件"，你應該回復：TOOL_CALL: read_file {"file_path": "demo.py"}
不要直接回答用戶的問題，而是調用相應的工具。"""經驗總結：系統提示必須明確、具體，包含格式示例。
問題4：API格式沖突
錯誤信息：
messages with role "tool" must be a response to a preceeding message with "tool_calls"解決方案：
# 錯誤做法：使用tool角色
conversation.append({"role": "tool", "content": f"工具結果: {tool_result}"})
# 正確做法：使用assistant角色
conversation.append({"role": "assistant", "content": f"我調用了工具 {tool_name}，結果是：{tool_result}"})經驗總結：要遵循API規范，避免使用不支持的對話角色。
最終實現效果
經過修復后，我們的AI Agent能夠成功執行各種任務：
文件操作
用戶: 請幫我讀取當前目錄的內容
Agent: 當前目錄的內容包括以下文件和子目錄：
- `demo.py`
- `langgraph_demo.py`
- `__pycache__`（這是一個緩存目錄）情感分析
用戶: 分析這句話的情感：'這個產品真的很棒，我非常喜歡！'
Agent: 根據分析結果，這句話的情感是積極的。表達了對產品的高度贊賞和喜愛。數據處理
用戶: 計算這些數字的統計信息：[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
Agent: 這些數字的統計信息如下：
- 總數: 10
- 總和: 55
- 平均值: 5.50
- 最小值: 1
- 最大值: 10關鍵技術要點
1. 工具系統設計
class FileToolsServer:
def __init__(self):
self.server = Server("file-tools")
@self.server.list_tools()
async def list_tools() -> ListToolsResult:
# 定義工具接口
@self.server.call_tool()
async def call_tool(name: str, arguments: dict) -> CallToolResult:
# 實現工具邏輯2. 狀態管理
class AgentState(TypedDict):
messages: List[Dict[str, Any]] # 對話歷史
current_step: str # 執行步驟
tools_used: List[str] # 工具使用記錄
final_result: str # 最終輸出3. 錯誤處理
try:
tool_result = self._call_tool(tool_name, tool_args)
except Exception as e:
tool_result = f"工具調用失敗: {str(e)}"開發建議
1. 漸進式開發
- 先實現簡單的工具調用
- 逐步添加復雜功能
- 每個階段都要充分測試
2. 調試技巧
- 添加詳細的日志輸出
- 使用print語句跟蹤執行流程
- 分步驟驗證每個組件
3. 代碼組織
- 分離工具定義和實現
- 使用統一的錯誤處理
- 保持代碼的可讀性和可維護性
擴展方向
- 增加更多工具：網絡請求、數據庫操作、圖像處理等
- 優化決策邏輯：使用更智能的工具選擇策略
- 添加記憶功能：記住用戶偏好和歷史交互
- 實現并行處理：同時執行多個工具任務
- 增加安全控制：限制工具使用權限
總結
AI Agent的開發是一個迭代的過程，需要不斷調試和優化。關鍵是要理解：
- 框架限制：了解使用的框架有哪些限制和保留字段
- API規范：嚴格遵循API的使用規范
- 系統提示：提供明確、具體的指令給模型
- 錯誤處理：做好異常情況的處理
通過這個實戰項目，我們不僅學會了如何構建AI Agent，更重要的是掌握了解決實際開發問題的方法。這為未來的AI應用開發奠定了堅實的基礎。
責任編輯：武曉燕
來源：
海燕技術棧
