企业官网建设流程全解析

有那些猎头做单的网站,网页微信版文件传输助手,商标图片大全 设计图,天津建设工程信息网怎么报名引言#xff1a; 我一开始做 Agent 时#xff0c;最大的问题不是模型不聪明#xff0c; 而是——我不知道它到底在“想”#xff0c;还是已经在“编答案”。 后来我意识到#xff0c;我缺的不是更复杂的 Prompt#xff0c; 而是一个能把“思考”和“行动”拆清楚的结…引言我一开始做 Agent 时最大的问题不是模型不聪明而是——我不知道它到底在“想”还是已经在“编答案”。后来我意识到我缺的不是更复杂的 Prompt而是一个能把“思考”和“行动”拆清楚的结构—— ReAct。为什么学习经典架构Agent框架确实解决了工程化中的很多脏活累活比如工具集成模型切换Memory自动化裁剪等等但如果你一上来就用框架并不能够很好的理解Agent的思考过程后续开发过程中遇到Bug难以排查容易变成“调包侠”简单来说经典架构是“内功心法”框架是“兵器”。如果你不理解架构原理在使用框架时就会像在黑盒里调参一旦 Agent 陷入死循环或任务失败你将无从下手。所以学习ReAct, Plan-and-Solve 等经典架构是非常重要的那么本篇文章将会对ReAct架构进行深度拆解分析。ReAct 的核心循环Thought - Action - ObservationReAct 运行起来就像一个不停旋转的轮子包含三个步骤① Thought (思考)模型描述当前的情况、目标以及下一步该做什么。例子“我已经搜到了姚明的身高但我还需要搜到奥尼尔的身高才能进行对比。”② Action (行动)模型根据思考做出决策调用具体的工具API。例子Search[奥尼尔身高]③ Observation (观察)系统执行工具后将结果反馈给模型。例子“奥尼尔的身高是 2.16 米。”模型看到 Observation 后会再次进入 Thought 阶段判断任务是否完成。如果不满意就继续循环。了解了整体架构该怎么实现这些具体功能呢架构总览.envllm.py #封装大语言模型客户端main.py #Agent的“启动器”prompt.pyReActAgent.py #ReAct流程tools.py #可调用的外部工具main.py 解析ReAct 智能体的“组装与启动”在整个工程中main.py是程序的入口点。它的核心逻辑遵循了构建 AI Agent 的经典四步法“大脑初始化 - 手脚工具挂载 - 躯干Agent组装 - 任务下发”。我们可以将代码拆解为以下几个关键阶段1. 引入核心组件 (Imports)Pythonfrom llm import DeepSeekClient from tools import ToolExecutor from ReActAgent import ReActAgent从项目结构图中可以看到这三行代码分别引入了 ReAct 架构的三个支柱1.DeepSeekClient**(大脑)**负责与大模型这里是 DeepSeek进行通信提供推理能力。2.ToolExecutor**(手脚)**负责管理和调用外部工具如搜索功能。3.ReActAgent**(中枢)**核心类它定义了“思考-行动-观察”的循环逻辑。2. 初始化基础设施 (Step 1)Python# 初始化DeepSeek客户端和工具执行器 deepseek_client DeepSeekClient() tool_executor ToolExecutor()这里实例化了底层的“原子能力”。此时LLM 只是一个 API 接口工具执行器也只是一个空的工具箱两者还互不认识。3. 注册工具能力 (Step 2)Python# 注册Tavily网页搜索工具 tool_executor.register_tool( plaintext nameweb_search, plaintext description使用Tavily进行网页搜索以获取最新信息。, plaintext functool_executor.search_web )这是 ReAct 架构中非常关键的一步——赋予能力。我们向工具箱中放入了名为 web_search 的工具。注意这里的description至关重要。在 ReAct 模式中Agent 是通过读取这个描述来决定“什么时候该用这个工具”。4. 组装 ReAct 代理 (Step 3)Python# 初始化ReAct代理 react_agent ReActAgent( deepseek_clientdeepseek_client, plaintext tool_executortool_executor, plaintext max_steps5 )这是依赖注入的体现。我们将“大脑”和“工具箱”注入到ReActAgent中。max_steps5是一个安全机制防止 Agent 陷入“思考-行动”的死循环例如反复搜索同一个词。5. 任务下发与执行 (Step 4)Pythonquestion 请告诉我2025年最新的人工智能发展趋势 final_answer plaintext react_agent.run(question)Prompt 触发虽然代码里只有一行question但实际上react_agent.run()内部会将这个问题通过prompt.py中的模板封装成 ReAct 格式的 Prompt 发送给 LLM。闭环程序等待 Agent 完成多轮的“推理-搜索-再推理”直到返回final_answer。灵魂深处Prompt Engineering这部分内容非常精彩因为它触及了 ReAct Agent 开发中最“玄学”但也最核心的部分——提示词工程Prompt Engineering。在 ReAct 架构中Python 代码只是骨架Prompt 才是灵魂。如果 Prompt 写得不好Agent 就会变成一个胡言乱语的疯子或者一个不停重复动作的傻瓜在 ReAct 架构中LLM 本质上是一个续写机器。我们需要通过这段 Prompt强行将一个“只会说话的文科生”训练成一个“懂逻辑、会调用工具的理科生”。解析promt.py这段REACT_PROMPT_TEMPLATE看起来简单实际上包含了三个关键指令区能力注入区 ({tools})# 动态插入工具描述 {tools}这里是 Agent 知道自己“能干什么”的唯一来源。main.py 里注册的 web_search 及其描述最终都会被填入这里。思维链协议 (The Loop Protocol)Question: ... Thought: ... Action: ... Observation: ...这是 ReAct 的核心心法。我们强制要求模型“想一步Thought做一步Action”。关键点Observation: ( 绝不要自己生成这部分...)。这句话是防止**幻觉Hallucination**的关键。如果没有这句警告LLM 经常会自己假装搜索然后编造一个搜索结果Observation导致整个逻辑崩塌。状态注入区 ({history}{question})这是 Agent 的“短期记忆”。{history}保存了之前的思考和行动轨迹让 LLM 知道自己进展到了哪一步。 踩坑实录模型为何“不听话”在开发过程中我遇到了一个典型的问题模型输出格式错误。❌ 问题重现起初我的 Prompt 指引性不够强。当 Agent 进行推理时它经常会把Thought和Action混在同一行输出或者遗漏关键字。例如模型输出了这样的内容Thought: 我需要搜索一下2025年的AI趋势 Action: web_search[“2025 AI trends”] 后果后端的 Python 正则表达式Regex解析器原本期待的是先抓取Action:标记。再提取后面的内容。 当它们粘连在一起时解析器无法识别导致 Agent 报错或陷入死循环一直在思考从未行动。✅ 解决方案强制换行约束为了解决这个问题我优化了REACT_PROMPT_TEMPLATE增加了显式的格式指引。修改前的指令请严格遵守以下格式进行输出…修改后的指令增加了“换行”强调请严格遵守以下格式进行输出注意Action 必须在 Thought 之后另起一行开始甚至可以在模板示例中通过换行符强化这一印象。这种“给大模型立规矩”的过程本质上就是用自然语言在进行编程。Python# 优化后的模板片段 REACT_PROMPT_TEMPLATE ... 请严格遵守以下格式每个阶段必须换行 Question: 用户的问题 Thought: 思考下一步做什么 Action: 工具名称[参数] -- 强调这里单独一行或者保持 Action: 工具名称[参数] 但确保前面有换行 ... 总结prompt.py不仅仅是字符串拼接它是连接自然语言推理LLM与 确定性代码执行Python的桥梁。任何格式上的模糊都会导致这座桥梁的断裂。Agent LoopReActAgent.py是整个工程中最复杂、也是含金量最高的文件。它通过一个while循环维持着智能体的生命周期。我将这个文件拆解为三个关键维度记忆构建、感知解析、行动反馈。而每一个维度背后都有我亲历的“坑”。1.记忆构建在run函数的循环中有一行看似不起眼的代码却决定了 Agent 的智商上限Python# 关键记录 Thought让 LLM 保持逻辑连贯 if thought: self.history.append(fThought: {thought}) 踩坑实录历史记录丢失 Thought现象起初我只记录了Action和Observation工具返回结果。结果发现 Agent 经常陷入死循环比如反复搜索同一个关键词或者逻辑突然断层。原因LLM 是无状态的。如果不在history中把它的Thought思考过程传回给它它就忘记了自己“为什么”要执行上一步操作。它会像一个重度健忘症患者每一步都是新的开始。解决必须将Thought显式加入self.history。这相当于给了 Agent 一个“工作记忆”让它知道自己的推理路径。2. 感知解析与“脆弱”的正则搏斗 (The Regex Pitfall)LLM 输出的是自然语言而程序需要的是结构化指令。这就需要_parse_output方法来充当“翻译官”。Pythondef _parse_output(self, text: str): # 使用 re.DOTALL 使得 . 可以匹配换行符 thought_pattern rThought:\s*(.*?)(?\s*Action:|$) plaintext thought_matchre.search(thought_pattern, text, re.DOTALL) ... 踩坑实录正则太脆弱现象当模型通过思维链Chain of Thought进行长篇大论的分析时它往往会换行。模型输出Thought: 我需要先搜索 A。\n 然后再搜索 B。旧代码re.search(rThought: (.*), text)后果Python 的正则.默认不匹配换行符。这导致解析器只能抓取到第一行甚至直接解析失败丢掉了关键的推理信息。改进引入re.DOTALL标志位。它告诉正则引擎“请把换行符也当作普通字符处理”。这是一个极小的改动但极大地提升了 Agent 的鲁棒性。3. 行动反馈拥抱错误 (The Error Handling Pitfall)在执行工具时我们必须假设“一切皆有可能出错”。Pythontry: tool_name,tool_param self._parse_action(action) plaintext tool_funcself.tool_executor.get_tool(tool_name) plaintext if tool_func: observation tool_func(tool_param) else: observationfError:Tool {tool_name} not found. except Exception as e: observation fError during tool execution: {e} 踩坑实录工具报错导致程序崩溃现象假设 Agent 想要搜索但网络断了或者参数填错了。早期的代码会直接抛出 Python Exception导致整个main.py进程终止。思考人类在使用工具失败时比如网页打不开会直接晕倒吗不会我们会刷新一下或者换个网站。Agent 也应如此。解决使用try...except捕获所有工具执行层面的异常。关键点不要只是打印错误而是要将错误信息作为Observation返回给 LLM。效果当 LLM 看到Observation: Error during tool execution...时它会根据 ReAct 逻辑进行自我修正Self-Correction尝试更换参数或使用其他工具。这才是真正的“智能”基础设施与性能优化Tools LLM如果说ReActAgent.py是逻辑中枢那么llm.py和tools.py就是支撑它运行的物理底座。这一层最容易被忽视但 90% 的“程序卡死”或“API 超时”问题都发生在这里。1. llm.py给大模型装上“刹车片”llm.py的核心任务是封装 DeepSeek或其他兼容 OpenAI 格式的模型的 API 调用。这里有一个极容易被忽略、但对 ReAct 至关重要的参数stop。Pythonresponse self.client.chat.completions.create( ... stop[Observation:, Observation] # 关键刹车片 )为什么需要它ReAct 的模式是Thought - Action -Observation。Thought和Action是由LLM生成的。Observation是由代码工具执行后返回的。如果没有stop参数LLM 经常会“自作聪明”在生成完Action后自己编造一个假的Observation导致程序根本没有机会去调用真正的搜索工具。设置stop[Observation:]就是告诉 LLM“写到这里就停笔剩下的交给程序来填。”2. tools.pyTavily 搜索的防爆处理tools.py实现了一个标准的工具注册模式Registry Pattern方便后续扩展天气查询、股票接口等。但最值得讲的是对search_web函数的“防卡死优化”。 踩坑实录搜索结果撑爆系统现象程序运行到“搜索”步骤时经常莫名卡住或者报错ReadTimeout/SSL Error。原因分析Tavily以及类似的搜索 API在默认情况下可能会返回包含大量网页杂讯HTML 标签、无关广告文案的content。有时候一个搜索结果就包含 10,000 字符。双重打击网络层巨大的 JSON 包在弱网环境下下载极慢导致 Pythonrequests库读取超时。模型层即使下载下来了把 10,000 字塞进 Prompt 发给 DeepSeek不仅消耗 Token 钱还会导致模型首字推理延迟TTFT飙升甚至超过 API 的 timeout 限制。️ 解决方案三级“节流阀”为了解决这个问题代码中实施了三级流量控制这是工程化落地的典范1.源头减负Python# 限制只返回 3 条结果且使用 basic 深度只抓摘要不抓全文responseself.tavily.search(queryquery,max_results3,search_depthbasic)2.精细化提取 不要直接把整个 JSON 扔给 LLM。代码中只提取了title、url和content构建了干净的字符串。3.暴力截断保底机制 这是最实用的一招。无论搜索结果多长强制砍刀。Python# 强制截断 (防止下一次 LLM 调用卡死) if len(final_result) 2000: final_result final_result[:2000] \n...(内容过长已截断)经验之谈对于 ReAct 任务2000 字符的上下文通常足够模型提炼关键信息了。保留系统的响应速度比追求“全量信息”更重要。总结与展望从 Demo 到实战的跨越至此我们已经亲手搭建了一个基于DeepSeek ReAct架构的最小化 AI Agent 系统。回顾整个过程你会发现写代码Coding其实只占了工作量的一小部分更多的时间我们是在做“调教Alignment”和“填坑Engineering”。核心复盘很多人觉得 AI Agent 就是import openai那么简单但通过这篇文章的实战拆解我们看到了真相Prompt 是隐形的接口prompt.py中一句简单的“请换行输出”决定了整个系统的稳定性。自然语言编程Natural Language Programming不再是空话而是对逻辑严密性的极致考验。鲁棒性是可用的前提在ReActAgent.py中如果我不去处理正则匹配的re.DOTALL问题如果我不去在tools.py里给 Tavily 的搜索结果做截断这个 Agent 也就是个只能在演示视频里存活的“玩具”。闭环是智能的源头Thought - Action - Observation的循环配合history的记忆管理让大模型第一次拥有了“反思”和“修正”的能力。2. 未来展望如何让它更聪明目前的main.py只是一个起点。在这个地基之上我们还有无限的扩展空间以下是我接下来的迭代计划也是留给大家的思考题方向一长短期记忆RAG Vector DB现在的 Agent 只有“金鱼记忆”对话一长就会超出 Token 限制。下一步我们可以引入RAG检索增强生成技术给它挂载一个向量数据库作为“海马体”让它能记住上周的对话或私有的知识库。方向二工具箱扩容Code Interpreter目前它只会搜索。想象一下如果我们给它装上 Python 解释器Sandbox让它不仅能“读”网页还能“写”代码来画图、分析 Excel 数据它的能力将呈指数级增长。方向三多智能体协作Multi-Agent一个 ReAct Agent 既当爹又当妈既规划又执行容易精神分裂。未来我们可以参考 MetaGPT 或 AutoGen 的思路拆分出“产品经理 Agent”负责规划“工程师 Agent”负责写代码“测试 Agent”负责找 Bug让 AI 团队化作战。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】