引言AI Agent 的时代浪潮在人工智能技术飞速发展的今天AI Agent智能体正成为连接大语言模型与现实世界应用的关键桥梁。与传统的聊天机器人不同AI Agent具备自主感知、规划、决策和执行的能力能够像人类助手一样完成复杂任务。从自动化客服到代码生成从数据分析到智能决策AI Agent正在重塑各行各业的业务流程。本文将为您系统性地介绍AI Agent系统的开发全流程涵盖核心概念、技术架构、开发步骤和实战示例帮助您从零开始构建自己的智能体系统。1. 什么是AI Agent1.1 核心定义AI Agent是一个能够感知环境、自主决策并执行行动以实现特定目标的智能系统。它通常包含以下关键特征自主性无需人工干预即可独立运行反应性能够感知环境变化并做出响应主动性能够主动发起行动以实现目标社会性可以与其他Agent或人类进行交互1.2 AI Agent vs 传统AI系统特性传统AI系统AI Agent系统交互方式一问一答多轮对话主动引导任务复杂度单一任务复杂多步骤任务自主程度被动响应主动规划执行工具使用有限集成灵活调用多种工具2. AI Agent的核心架构2.1 分层架构设计一个典型的AI Agent系统通常包含以下层次用户界面层Web/App/APIAgent协调层任务分解与调度核心推理层LLM 规划引擎工具执行层API/函数/数据库记忆与状态层短期/长期记忆评估与反馈层质量监控与优化2.2 关键组件详解2.2.1 规划模块Planner负责将复杂任务分解为可执行的子任务序列任务分解将用户目标拆解为具体步骤优先级排序确定任务执行顺序资源分配为每个步骤分配合适的工具2.2.2 工具调用模块Tool ExecutorAgent 的手和脚用于与外部系统交互API调用调用第三方服务代码执行运行Python脚本、SQL查询等文件操作读写文档、处理数据2.2.3 记忆系统Memory维护Agent的状态和历史短期记忆当前会话的上下文长期记忆跨会话的知识和经验向量存储语义搜索和知识检索2.2.4 评估与反思Evaluator监控执行过程并优化策略质量评估检查任务完成度错误检测识别执行中的问题策略优化改进未来的决策3. 开发环境与工具准备3.1 基础环境配置# 创建Python虚拟环境python-mvenv agent-envsourceagent-env/bin/activate# Linux/Mac# agent-env\Scripts\activate # Windows# 安装核心依赖pipinstallopenai langchain langgraph crewai autogen pipinstallchromadb faiss-cpu# 向量数据库pipinstallfastapi uvicorn# API服务3.2 主流开发框架对比框架特点适用场景LangChain生态丰富组件齐全快速原型复杂工作流LangGraph基于状态机可视化多Agent协作复杂流程CrewAI角色驱动团队协作多专家Agent系统AutoGen微软出品对话驱动研究型对话密集型3.3 API密钥配置# config.pyimportosfromdotenvimportload_dotenv load_dotenv()classConfig:# OpenAI配置OPENAI_API_KEYos.getenv(OPENAI_API_KEY)OPENAI_BASE_URLos.getenv(OPENAI_BASE_URL,https://api.openai.com/v1)# 向量数据库配置CHROMA_PERSIST_DIR./chroma_db# 工具API配置SERPER_API_KEYos.getenv(SERPER_API_KEY)# 搜索工具WEATHER_API_KEYos.getenv(WEATHER_API_KEY)4. 实战构建一个研究助手Agent4.1 需求定义我们要构建一个能够自动研究特定主题并生成报告的Agent接收用户的研究主题自动搜索相关资料分析并整理信息生成结构化的研究报告4.2 工具定义# tools.pyfromlangchain.toolsimporttoolfromlangchain_community.utilitiesimportSerpAPIWrapperimportrequeststooldefweb_search(query:str)-str:使用搜索引擎获取最新信息searchSerpAPIWrapper(serper_api_keyConfig.SERPER_API_KEY)returnsearch.run(query)tooldefread_webpage(url:str)-str:读取网页内容并提取文本try:responserequests.get(url,timeout10)# 简化的HTML解析frombs4importBeautifulSoup soupBeautifulSoup(response.text,html.parser)returnsoup.get_text()[:5000]# 限制长度exceptExceptionase:returnf读取网页失败:{str(e)}tooldefsave_report(content:str,filename:str)-str:保存报告到文件importos os.makedirs(reports,exist_okTrue)filepathfreports/{filename}.mdwithopen(filepath,w,encodingutf-8)asf:f.write(content)returnf报告已保存至:{filepath}4.3 Agent定义与配置# agent.pyfromlangchain.agentsimportAgentExecutor,create_openai_tools_agentfromlangchain_openaiimportChatOpenAIfromlangchain.promptsimportChatPromptTemplate,MessagesPlaceholderfromlangchain.memoryimportConversationBufferMemoryclassResearchAssistant:def__init__(self):# 初始化LLMself.llmChatOpenAI(modelgpt-4o,temperature0.3,api_keyConfig.OPENAI_API_KEY,base_urlConfig.OPENAI_BASE_URL)# 定义工具self.tools[web_search,read_webpage,save_report]# 系统提示词self.system_prompt你是一个专业的研究助手。你的任务是 1. 理解用户的研究主题 2. 使用搜索工具获取最新信息 3. 分析并整理关键发现 4. 生成结构清晰、引用准确的研究报告 请按以下步骤工作 - 首先明确研究目标和范围 - 然后搜索相关的高质量资料 - 接着分析信息的可靠性和相关性 - 最后生成包含摘要、正文、结论和参考文献的报告 如果信息不足请主动要求更多细节或进行更广泛的搜索。# 创建Agentself.promptChatPromptTemplate.from_messages([(system,self.system_prompt),MessagesPlaceholder(variable_namechat_history),(human,{input}),MessagesPlaceholder(variable_nameagent_scratchpad)])# 记忆系统self.memoryConversationBufferMemory(memory_keychat_history,return_messagesTrue)# 创建Agent执行器self.agentcreate_openai_tools_agent(llmself.llm,toolsself.tools,promptself.prompt)self.agent_executorAgentExecutor(agentself.agent,toolsself.tools,memoryself.memory,verboseTrue,handle_parsing_errorsTrue)defresearch(self,topic:str)-str:执行研究任务promptf请研究以下主题并生成报告{topic}resultself.agent_executor.invoke({input:prompt})returnresult[output]4.4 运行与测试# main.pyfromagentimportResearchAssistantdefmain():# 初始化研究助手assistantResearchAssistant()# 执行研究任务topic2024年人工智能在医疗诊断领域的最新进展print(f开始研究{topic})try:reportassistant.research(topic)print(\n*50)print(研究报告生成完成)print(*50)print(report)# 保存报告fromtoolsimportsave_report save_report(report,fresearch_{topic[:20]})exceptExceptionase:print(f研究过程中出现错误{str(e)})if__name____main__:main()5. 高级特性与优化5.1 多Agent协作系统# multi_agent.pyfromlanggraph.graphimportStateGraph,ENDfromtypingimportTypedDict,Listfromlangchain_core.messagesimportHumanMessageclassAgentState(TypedDict):多Agent协作的状态定义topic:strresearch_data:List[str]analysis_result:strfinal_report:strdefresearch_node(state:AgentState)-dict:研究Agent收集信息# 调用研究工具收集数据return{research_data:[数据1,数据2,数据3]}defanalysis_node(state:AgentState)-dict:分析Agent处理信息# 分析研究数据return{analysis_result:分析完成}defwriting_node(state:AgentState)-dict:写作Agent生成报告# 基于分析结果撰写报告return{final_report:完整的报告内容}# 构建工作流图workflowStateGraph(AgentState)workflow.add_node(researcher,research_node)workflow.add_node(analyst,analysis_node)workflow.add_node(writer,writing_node)# 定义边执行顺序workflow.set_entry_point(researcher)workflow.add_edge(researcher,analyst)workflow.add_edge(analyst,writer)workflow.add_edge(writer,END)# 编译工作流appworkflow.compile()5.2 记忆优化策略# memory_optimizer.pyfromlangchain.memoryimport(ConversationBufferMemory,VectorStoreRetrieverMemory,CombinedMemory)fromlangchain_community.vectorstoresimportChromafromlangchain_openaiimportOpenAIEmbeddingsclassEnhancedMemory:def__init__(self):# 短期记忆对话上下文self.conversation_memoryConversationBufferMemory(memory_keychat_history,return_messagesTrue)# 长期记忆向量存储embeddingsOpenAIEmbeddings()vectorstoreChroma(persist_directoryConfig.CHROMA_PERSIST_DIR,embedding_functionembeddings)retrievervectorstore.as_retriever(search_kwargs{k:3})self.long_term_memoryVectorStoreRetrieverMemory(retrieverretriever,memory_keylong_term_memory)# 组合记忆self.memoryCombinedMemory(memories[self.conversation_memory,self.long_term_memory])defsave_experience(self,experience:str):保存重要经验到长期记忆# 将经验存入向量数据库pass5.3 性能监控与评估# monitor.pyimporttimefromdatetimeimportdatetimefromtypingimportDict,AnyclassAgentMonitor:def__init__(self):self.metrics{total_requests:0,successful_requests:0,failed_requests:0,avg_response_time:0,tool_usage:{}}self.start_timetime.time()deftrack_request(self,agent_name:str,success:bool,duration:float):跟踪Agent请求self.metrics[total_requests]1ifsuccess:self.metrics[successful_requests]1else:self.metrics[failed_requests]1# 更新平均响应时间total_timeself.metrics[avg_response_time]*(self.metrics[total_requests]-1)self.metrics[avg_response_time](total_timeduration)/self.metrics[total_requests]# 记录工具使用ifagent_namenotinself.metrics[tool_usage]:self.metrics[tool_usage][agent_name]0self.metrics[tool_usage][agent_name]1defgenerate_report(self)-Dict[str,Any]:生成监控报告uptimetime.time()-self.start_timereturn{timestamp:datetime.now().isoformat(),uptime_seconds:uptime,metrics:self.metrics,success_rate:self.metrics[successful_requests]/max(self.metrics[total_requests],1),recommendations:self._generate_recommendations()}def_generate_recommendations(self)-List[str]:基于指标生成优化建议recommendations[]ifself.metrics[failed_requests]/max(self.metrics[total_requests],1)0.1:recommendations.append(失败率较高建议检查工具可用性和错误处理)ifself.metrics[avg_response_time]5.0:recommendations.append(响应时间较长建议优化工具调用或使用缓存)returnrecommendations6. 部署与生产环境考虑6.1 部署架构┌─────────────────┐ ┌─────────────────┐ ┌─────────────────┐ │ 客户端请求 │───▶│ API网关层 │───▶│ Agent服务层 │ │ (Web/App/API) │ │ (负载均衡/鉴权) │ │ (多个Agent实例) │ └─────────────────┘ └─────────────────┘ └─────────────────┘ │ ┌───────▼───────┐ │ 工具服务层 │ │ (数据库/API) │ └───────┬───────┘ │ ┌───────▼───────┐ │ 监控与日志 │ │ (Prometheus/ │ │ ELK Stack) │ └─────────────────┘6.2 Docker容器化部署# Dockerfile FROM python:3.11-slim WORKDIR /app # 安装系统依赖 RUN apt-get update apt-get install -y \ gcc \ g \ rm -rf /var/lib/apt/lists/* # 复制依赖文件 COPY requirements.txt . RUN pip install --no-cache-dir -r requirements.txt # 复制应用代码 COPY . . # 环境变量 ENV PYTHONPATH/app ENV PYTHONUNBUFFERED1 # 启动命令 CMD [uvicorn, main:app, --host, 0.0.0.0, --port, 8000]6.3 性能优化建议缓存策略对频繁查询的结果进行缓存异步处理使用异步IO提高并发能力批处理合并相似请求减少API调用模型优化根据场景选择合适的模型大小连接池数据库和外部API连接复用7. 常见问题与解决方案7.1 Agent陷入循环问题Agent反复执行相同操作无法推进任务解决方案设置最大迭代次数限制添加状态检查机制实现超时中断classSafeAgentExecutor(AgentExecutor):def__init__(self,max_iterations10,*args,**kwargs):super().__init__(*args,**kwargs)self.max_iterationsmax_iterationsdef_call(self,inputs):iterations0whileiterationsself.max_iterations:# 执行逻辑iterations1raiseException(f达到最大迭代次数:{self.max_iterations})7.2 工具调用失败问题外部API不可用或返回错误解决方案实现重试机制添加备用工具优雅降级处理fromtenacityimportretry,stop_after_attempt,wait_exponentialretry(stopstop_after_attempt(3),waitwait_exponential(multiplier1,min4,max10))defsafe_api_call(url,params):responserequests.get(url,paramsparams,timeout10)response.raise_for_status()returnresponse.json() 如何开发AI Agent系统：从概念到实践的完整指南
引言AI Agent 的时代浪潮在人工智能技术飞速发展的今天AI Agent智能体正成为连接大语言模型与现实世界应用的关键桥梁。与传统的聊天机器人不同AI Agent具备自主感知、规划、决策和执行的能力能够像人类助手一样完成复杂任务。从自动化客服到代码生成从数据分析到智能决策AI Agent正在重塑各行各业的业务流程。本文将为您系统性地介绍AI Agent系统的开发全流程涵盖核心概念、技术架构、开发步骤和实战示例帮助您从零开始构建自己的智能体系统。1. 什么是AI Agent1.1 核心定义AI Agent是一个能够感知环境、自主决策并执行行动以实现特定目标的智能系统。它通常包含以下关键特征自主性无需人工干预即可独立运行反应性能够感知环境变化并做出响应主动性能够主动发起行动以实现目标社会性可以与其他Agent或人类进行交互1.2 AI Agent vs 传统AI系统特性传统AI系统AI Agent系统交互方式一问一答多轮对话主动引导任务复杂度单一任务复杂多步骤任务自主程度被动响应主动规划执行工具使用有限集成灵活调用多种工具2. AI Agent的核心架构2.1 分层架构设计一个典型的AI Agent系统通常包含以下层次用户界面层Web/App/APIAgent协调层任务分解与调度核心推理层LLM 规划引擎工具执行层API/函数/数据库记忆与状态层短期/长期记忆评估与反馈层质量监控与优化2.2 关键组件详解2.2.1 规划模块Planner负责将复杂任务分解为可执行的子任务序列任务分解将用户目标拆解为具体步骤优先级排序确定任务执行顺序资源分配为每个步骤分配合适的工具2.2.2 工具调用模块Tool ExecutorAgent 的手和脚用于与外部系统交互API调用调用第三方服务代码执行运行Python脚本、SQL查询等文件操作读写文档、处理数据2.2.3 记忆系统Memory维护Agent的状态和历史短期记忆当前会话的上下文长期记忆跨会话的知识和经验向量存储语义搜索和知识检索2.2.4 评估与反思Evaluator监控执行过程并优化策略质量评估检查任务完成度错误检测识别执行中的问题策略优化改进未来的决策3. 开发环境与工具准备3.1 基础环境配置# 创建Python虚拟环境python-mvenv agent-envsourceagent-env/bin/activate# Linux/Mac# agent-env\Scripts\activate # Windows# 安装核心依赖pipinstallopenai langchain langgraph crewai autogen pipinstallchromadb faiss-cpu# 向量数据库pipinstallfastapi uvicorn# API服务3.2 主流开发框架对比框架特点适用场景LangChain生态丰富组件齐全快速原型复杂工作流LangGraph基于状态机可视化多Agent协作复杂流程CrewAI角色驱动团队协作多专家Agent系统AutoGen微软出品对话驱动研究型对话密集型3.3 API密钥配置# config.pyimportosfromdotenvimportload_dotenv load_dotenv()classConfig:# OpenAI配置OPENAI_API_KEYos.getenv(OPENAI_API_KEY)OPENAI_BASE_URLos.getenv(OPENAI_BASE_URL,https://api.openai.com/v1)# 向量数据库配置CHROMA_PERSIST_DIR./chroma_db# 工具API配置SERPER_API_KEYos.getenv(SERPER_API_KEY)# 搜索工具WEATHER_API_KEYos.getenv(WEATHER_API_KEY)4. 实战构建一个研究助手Agent4.1 需求定义我们要构建一个能够自动研究特定主题并生成报告的Agent接收用户的研究主题自动搜索相关资料分析并整理信息生成结构化的研究报告4.2 工具定义# tools.pyfromlangchain.toolsimporttoolfromlangchain_community.utilitiesimportSerpAPIWrapperimportrequeststooldefweb_search(query:str)-str:使用搜索引擎获取最新信息searchSerpAPIWrapper(serper_api_keyConfig.SERPER_API_KEY)returnsearch.run(query)tooldefread_webpage(url:str)-str:读取网页内容并提取文本try:responserequests.get(url,timeout10)# 简化的HTML解析frombs4importBeautifulSoup soupBeautifulSoup(response.text,html.parser)returnsoup.get_text()[:5000]# 限制长度exceptExceptionase:returnf读取网页失败:{str(e)}tooldefsave_report(content:str,filename:str)-str:保存报告到文件importos os.makedirs(reports,exist_okTrue)filepathfreports/{filename}.mdwithopen(filepath,w,encodingutf-8)asf:f.write(content)returnf报告已保存至:{filepath}4.3 Agent定义与配置# agent.pyfromlangchain.agentsimportAgentExecutor,create_openai_tools_agentfromlangchain_openaiimportChatOpenAIfromlangchain.promptsimportChatPromptTemplate,MessagesPlaceholderfromlangchain.memoryimportConversationBufferMemoryclassResearchAssistant:def__init__(self):# 初始化LLMself.llmChatOpenAI(modelgpt-4o,temperature0.3,api_keyConfig.OPENAI_API_KEY,base_urlConfig.OPENAI_BASE_URL)# 定义工具self.tools[web_search,read_webpage,save_report]# 系统提示词self.system_prompt你是一个专业的研究助手。你的任务是 1. 理解用户的研究主题 2. 使用搜索工具获取最新信息 3. 分析并整理关键发现 4. 生成结构清晰、引用准确的研究报告 请按以下步骤工作 - 首先明确研究目标和范围 - 然后搜索相关的高质量资料 - 接着分析信息的可靠性和相关性 - 最后生成包含摘要、正文、结论和参考文献的报告 如果信息不足请主动要求更多细节或进行更广泛的搜索。# 创建Agentself.promptChatPromptTemplate.from_messages([(system,self.system_prompt),MessagesPlaceholder(variable_namechat_history),(human,{input}),MessagesPlaceholder(variable_nameagent_scratchpad)])# 记忆系统self.memoryConversationBufferMemory(memory_keychat_history,return_messagesTrue)# 创建Agent执行器self.agentcreate_openai_tools_agent(llmself.llm,toolsself.tools,promptself.prompt)self.agent_executorAgentExecutor(agentself.agent,toolsself.tools,memoryself.memory,verboseTrue,handle_parsing_errorsTrue)defresearch(self,topic:str)-str:执行研究任务promptf请研究以下主题并生成报告{topic}resultself.agent_executor.invoke({input:prompt})returnresult[output]4.4 运行与测试# main.pyfromagentimportResearchAssistantdefmain():# 初始化研究助手assistantResearchAssistant()# 执行研究任务topic2024年人工智能在医疗诊断领域的最新进展print(f开始研究{topic})try:reportassistant.research(topic)print(\n*50)print(研究报告生成完成)print(*50)print(report)# 保存报告fromtoolsimportsave_report save_report(report,fresearch_{topic[:20]})exceptExceptionase:print(f研究过程中出现错误{str(e)})if__name____main__:main()5. 高级特性与优化5.1 多Agent协作系统# multi_agent.pyfromlanggraph.graphimportStateGraph,ENDfromtypingimportTypedDict,Listfromlangchain_core.messagesimportHumanMessageclassAgentState(TypedDict):多Agent协作的状态定义topic:strresearch_data:List[str]analysis_result:strfinal_report:strdefresearch_node(state:AgentState)-dict:研究Agent收集信息# 调用研究工具收集数据return{research_data:[数据1,数据2,数据3]}defanalysis_node(state:AgentState)-dict:分析Agent处理信息# 分析研究数据return{analysis_result:分析完成}defwriting_node(state:AgentState)-dict:写作Agent生成报告# 基于分析结果撰写报告return{final_report:完整的报告内容}# 构建工作流图workflowStateGraph(AgentState)workflow.add_node(researcher,research_node)workflow.add_node(analyst,analysis_node)workflow.add_node(writer,writing_node)# 定义边执行顺序workflow.set_entry_point(researcher)workflow.add_edge(researcher,analyst)workflow.add_edge(analyst,writer)workflow.add_edge(writer,END)# 编译工作流appworkflow.compile()5.2 记忆优化策略# memory_optimizer.pyfromlangchain.memoryimport(ConversationBufferMemory,VectorStoreRetrieverMemory,CombinedMemory)fromlangchain_community.vectorstoresimportChromafromlangchain_openaiimportOpenAIEmbeddingsclassEnhancedMemory:def__init__(self):# 短期记忆对话上下文self.conversation_memoryConversationBufferMemory(memory_keychat_history,return_messagesTrue)# 长期记忆向量存储embeddingsOpenAIEmbeddings()vectorstoreChroma(persist_directoryConfig.CHROMA_PERSIST_DIR,embedding_functionembeddings)retrievervectorstore.as_retriever(search_kwargs{k:3})self.long_term_memoryVectorStoreRetrieverMemory(retrieverretriever,memory_keylong_term_memory)# 组合记忆self.memoryCombinedMemory(memories[self.conversation_memory,self.long_term_memory])defsave_experience(self,experience:str):保存重要经验到长期记忆# 将经验存入向量数据库pass5.3 性能监控与评估# monitor.pyimporttimefromdatetimeimportdatetimefromtypingimportDict,AnyclassAgentMonitor:def__init__(self):self.metrics{total_requests:0,successful_requests:0,failed_requests:0,avg_response_time:0,tool_usage:{}}self.start_timetime.time()deftrack_request(self,agent_name:str,success:bool,duration:float):跟踪Agent请求self.metrics[total_requests]1ifsuccess:self.metrics[successful_requests]1else:self.metrics[failed_requests]1# 更新平均响应时间total_timeself.metrics[avg_response_time]*(self.metrics[total_requests]-1)self.metrics[avg_response_time](total_timeduration)/self.metrics[total_requests]# 记录工具使用ifagent_namenotinself.metrics[tool_usage]:self.metrics[tool_usage][agent_name]0self.metrics[tool_usage][agent_name]1defgenerate_report(self)-Dict[str,Any]:生成监控报告uptimetime.time()-self.start_timereturn{timestamp:datetime.now().isoformat(),uptime_seconds:uptime,metrics:self.metrics,success_rate:self.metrics[successful_requests]/max(self.metrics[total_requests],1),recommendations:self._generate_recommendations()}def_generate_recommendations(self)-List[str]:基于指标生成优化建议recommendations[]ifself.metrics[failed_requests]/max(self.metrics[total_requests],1)0.1:recommendations.append(失败率较高建议检查工具可用性和错误处理)ifself.metrics[avg_response_time]5.0:recommendations.append(响应时间较长建议优化工具调用或使用缓存)returnrecommendations6. 部署与生产环境考虑6.1 部署架构┌─────────────────┐ ┌─────────────────┐ ┌─────────────────┐ │ 客户端请求 │───▶│ API网关层 │───▶│ Agent服务层 │ │ (Web/App/API) │ │ (负载均衡/鉴权) │ │ (多个Agent实例) │ └─────────────────┘ └─────────────────┘ └─────────────────┘ │ ┌───────▼───────┐ │ 工具服务层 │ │ (数据库/API) │ └───────┬───────┘ │ ┌───────▼───────┐ │ 监控与日志 │ │ (Prometheus/ │ │ ELK Stack) │ └─────────────────┘6.2 Docker容器化部署# Dockerfile FROM python:3.11-slim WORKDIR /app # 安装系统依赖 RUN apt-get update apt-get install -y \ gcc \ g \ rm -rf /var/lib/apt/lists/* # 复制依赖文件 COPY requirements.txt . RUN pip install --no-cache-dir -r requirements.txt # 复制应用代码 COPY . . # 环境变量 ENV PYTHONPATH/app ENV PYTHONUNBUFFERED1 # 启动命令 CMD [uvicorn, main:app, --host, 0.0.0.0, --port, 8000]6.3 性能优化建议缓存策略对频繁查询的结果进行缓存异步处理使用异步IO提高并发能力批处理合并相似请求减少API调用模型优化根据场景选择合适的模型大小连接池数据库和外部API连接复用7. 常见问题与解决方案7.1 Agent陷入循环问题Agent反复执行相同操作无法推进任务解决方案设置最大迭代次数限制添加状态检查机制实现超时中断classSafeAgentExecutor(AgentExecutor):def__init__(self,max_iterations10,*args,**kwargs):super().__init__(*args,**kwargs)self.max_iterationsmax_iterationsdef_call(self,inputs):iterations0whileiterationsself.max_iterations:# 执行逻辑iterations1raiseException(f达到最大迭代次数:{self.max_iterations})7.2 工具调用失败问题外部API不可用或返回错误解决方案实现重试机制添加备用工具优雅降级处理fromtenacityimportretry,stop_after_attempt,wait_exponentialretry(stopstop_after_attempt(3),waitwait_exponential(multiplier1,min4,max10))defsafe_api_call(url,params):responserequests.get(url,paramsparams,timeout10)response.raise_for_status()returnresponse.json()