实战一：构建你的第一个工具调用 Agent

Talk is cheap. 我们将用 Python + Google Gemini API 手写一个能够查询实时天气的 Agent。

这个例子虽然简单，但它包含了 Agent 的核心三要素：思考 (Reasoning)、工具 (Tool) 和 执行 (Execution)。

#1. 准备工作

我们将使用 google-generativeai 库。它的 Function Calling 接口非常直观。

bash复制
pip install -q -U google-generativeai

#2. 定义工具 (Define Tool)

Agent 不知道“现在”的天气。我们需要给它一个函数 get_current_weather。

python复制
import google.generativeai as genai
import os

# 模拟的天气 API（实际项目中这里会调用 OpenWeatherMap 等 API）
def get_current_weather(location: str):
    """获取指定地点的当前天气信息"""
    print(f"🔧 工具被调用: get_current_weather('{location}')")
    
    # 这里只是模拟返回
    weather_data = {
        "Beijing": "Sunny, 25°C",
        "Melbourne": "Rainy, 12°C",
        "New York": "Cloudy, 18°C"
    }
    return weather_data.get(location, "Unknown location")

# 将函数放入工具箱
tools = [get_current_weather]

#3. 初始化模型

我们将工具直接传递给 Gemini 模型。

python复制
genai.configure(api_key="YOUR_API_KEY")

# 使用支持 Function Calling 的模型 (如 gemini-1.5-flash)
model = genai.GenerativeModel(
    model_name='gemini-1.5-flash',
    tools=tools  # 注入工具
)

# 开启自动工具调用 (Auto Function Calling)
# Gemini 的 Python SDK 支持自动执行工具并回传结果，无需手动写循环
chat = model.startChat(enable_automatic_function_calling=True)

#4. 运行 Agent

现在，我们可以像跟人聊天一样给它下指令。

python复制
response = chat.send_message("墨尔本和北京现在的天气怎么样？适合穿什么？")
print(f"🤖 Agent 回答:\n{response.text}")

#幕后发生了什么？

1. User: "墨尔本和北京..."
2. Model: 思考 -> 决定调用 get_current_weather(location='Melbourne') 和 get_current_weather(location='Beijing')。
3. Execution (SDK自动处理): 运行函数，获取 "Rainy, 12°C" 和 "Sunny, 25°C"。
4. Model: 接收到工具结果 -> 综合生成最终建议。
5. Output: "墨尔本现在下雨，12度，建议穿雨衣和保暖衣物；北京..."

#5. 进阶：手动控制循环

虽然 SDK 的 enable_automatic_function_calling=True 很方便，但在复杂的 Agent 系统（如 LangChain/LangGraph）中，我们需要手动控制这个循环，以便处理错误、添加日志或人工介入。

手动循环伪代码：

python复制
messages = [...] # ...

while True:
    # 1. 调用 LLM
    response = model.generate_content(messages)
    
    # 2. 检查是否有 Tool Call
    if not response.function_calls:
        break # 没工具调用，直接结束
        
    # 3. 执行工具
    for call in response.function_calls:
        tool_result = execute_tool(call.name, call.args)
        
        # 4. 将结果追加到对话历史
        messages.append({
            "role": "tool",
            "name": call.name,
            "content": tool_result
        })
        
    # 5. 循环继续，LLM 看到工具结果后会生成下一步

#小结

构建一个 Agent 其实就是构建一个 While Loop：

1. Ask: 问模型要做什么。
2. Act: 执行模型要求的动作。
3. Observe: 把结果喂回给模型。
4. Repeat: 重复直到模型说“做完了”。