# 【AgentSeed】从零开始的Agent内核开发教程（一） —— 从“大模型”开始

（本系列项目的出发点是记录Agent内核开发的一点点心得并进行小小的知识分享，顺便帮助自己查漏补缺&巩固知识，所以可能会有错漏或者分歧，希望可以跟佬友们一起学习共同进步）

（现在项目还比较前期，虽然在开发Agent的过程中积累了一定的经验以及感受，不过可能还需要进一步转化后再分享出来，好吧其实就是可能会拖稿orz，疯狂叠甲 过！）

一、在开始写代码前：我们是怎样使用 AI 的？

我们先回顾一下平时使用 AI 的方式。

最常见的方式是打开一个网页或桌面应用，在输入框中写下问题，点击发送，然后等待模型返回答案。这个过程看起来很简单，但背后其实已经完成了几件事情：

• 客户端收集了我们输入的消息；


• 客户端把消息发送给模型服务；


• 模型服务根据消息生成回答；


• 客户端接收回答，并把它展示在页面上。

网页或桌面应用只是替我们完成了“收集输入、发送请求、展示结果”这些工作。真正负责理解问题和生成回答的，仍然是远程模型服务。

这种方式非常适合日常使用，但当我们想构建自己的 Agent 时，就会遇到一些限制：

• 我们无法自由决定请求中携带哪些上下文；


• 很难让模型按照自己的程序逻辑调用工具或执行任务；


• 模型的回答停留在页面里，不能直接被 Python 程序继续处理；


• 我们无法方便地把模型接入自己的数据库、文件系统或业务系统。

因此，使用 AI 和 用代码调用 AI 的区别，并不在于使用了不同的模型，而在于谁来控制模型调用过程，直接使用AI相当于开发者预先制定了受限的功能，而代码调用则可以根据自己的需求做到更灵活的“个性化定制”：

接下来我们要做的，就是把网页应用隐藏起来的过程自己实现一遍：

用 Python 接收用户输入，向模型服务发送请求，再读取并处理模型返回的结果。

这样，模型就不再只是一个聊天窗口里的工具，而会成为我们程序中的一个基本模块。

二、Agent原型机

尽管现在Agent功能五花八门，但是Agent最本质的能力就是接受用户输入，然后根据用户的输入进行回答或者是操作，因此我们这一节的目的就是构建这样的问答交互——“Agent原型机”：

[center]

为了实现这种循环对话的Agent，我们只需要做两件事：

1. 配置环境变量用于访问模型服务。


2. 向模型发送请求并解析结果。

首先我们将项目克隆下来，并切换到第一个版本 v0.1-llm-api-call：

git clone https://github.com/Nick-Hogo/AgentSeed.git

cd AgentSeed

git switch --detach v0.1-llm-api-call

下面是项目v0.1原型机的全部代码，现在看不懂也没关系，后面会慢慢解释：

import httpx



# 获取模型服务地址、访问密钥和模型名称。

base_url = "https://api.example.com/v1/messages"

api_key = "sk-xxxx"

model = "kimi-k3"



while True: # 持续接收用户输入，实现最基础的命令行对话。

    user_input = input("You> ")



    # 按照 Anthropic Messages API 协议向模型服务发送 HTTP 请求。

    response = httpx.post(

        base_url,

        headers={

            "x-api-key": api_key, # Anthropic 格式的认证信息

            "anthropic-version": "2023-06-01", # Anthropic API 版本

        },

        json={

            "model": model, # 选择的模型名称

            "messages": [

                {"role": "user", "content": user_input}, # 用户输入的消息

            ],

        },

        timeout=60,

    )



    # 将 JSON 响应转换为字典，然后取出模型生成的文本。

    data = response.json()

    assistant_message = data["content"][0] # assistant 角色表示模型回复

    print("Assistant>", assistant_message["text"])

三、参数解析

为了能顺利将上面的代码跑起来，我们首先需要准备一些东西：

这是因为由于我们没有本地部署LLM的能力，因此我们需 要向厂商购买LLM的使用权限。

而 base_url、api_key、model这三个参数，则分别用来标识我们的 服务商、消费凭证、消费对象。

补充说明一：现在主流的LLM API调用主要有几种不同的通讯格式。 这里我们选择以v1/messages结尾的anthropic格式，因为相较Openai的格式Anthropic相对稳定且被广泛使用。

补充说明二：如果没有购买过Coding Plan的朋友，可以查看下面项目，可能有免费的试用Plan,找到适合自己的Coding Plan就好。

四、代码解析

设置好参数基本就已经 解决 80% 的困难了！

剩下只要理解理解代码逻辑就好了～

首先我们可以看到 while True，这是多轮对话开始的标志，意味着程序将持续不断的接受用户的输入并给出回复。

同时这也是后续我们的Agent Loop的雏形。我们可以根据自己的喜好设置终止条件 例如 检测到特定字符串（exit）。

然后就是相对陌生的一个函数调用 httpx.post，要理解这个我们的先知道：

我们每天冲浪的时候，底层实际上就是不断在跟服务器发送请求，请求的形式主要有2种POST以及GET，分别代表单纯向服务器要东西（GET），以及先向服务器提交东西再获得返回（POST）

这里由于我们需要将用户的输入，提交给服务器，然后再从服务器获得返回，因此我们选择了POST。

发送请求的时候，我们需要携带服务器需要的参数，访问地址（url），请求头（header）， 请求体（json）…

他们的作用以及对应关系是 ：

向服务器发送请求，其实跟门卫大爷问话类似，你需要回答：

你是谁？（请求头）

你找谁？（访问地址）

什么事？（请求体）

都通过了之后，就可以获得服务器响应的内容了。

不同消息格式略有差异，我们以 Anthropic Messages API 格式为例(通常url以v1/messages结尾)。

除了模型生成的文本，服务器通常还会返回模型名称、结束原因以及 Token 用量等信息。下面是简化后的响应，仅保留初学阶段需要关注的字段，省略思考块等内容：

{

  "model": "claude-fable-5",

  "type": "message",

  "role": "assistant",

  "content": [

    {

      "type": "text",

      "text": "Hi! How can I help you today?"

    }

  ],

  "stop_reason": "end_turn",

  "usage": {

    "input_tokens": 32,

    "output_tokens": 39

  }

}

其中常用字段的含义如下：

这里的模型标识沿用服务商返回值，具体可用模型以实际服务商为准。

[center]

我们主要关心模型最终回复的文本。实际响应的 content 还可能包含 thinking 等内容块，第一个块不一定是正文，因此需要遍历列表，只打印 type 为 text 的内容：

data = response.json()

print("Assistant>", end=" ")

for block in data["content"]:

    if block["type"] == "text":

        print(block["text"], end="")

print()

除了最关键的回答正文，后续还可以分析 Token 消耗量等信息，进行更细粒度的管理。

至此我们完成了一次最简单的LLM调用。恭喜你成功迈出了Agent的第一步！