这是我学习 AI Agent 开发第一周的实战记录：实现一个能自动判断问题类型、调用不同工具（RAG、SQL、计算器）的智能体。全文代码开源，思路清晰，适合想动手做 Agent 的同学参考。
一、为什么要做这个？
AI Agent 是当下大模型落地的热门方向。但 Agent 不只是“能聊天的模型”，而是能自己动脑子、用工具、完成复杂任务的程序。
这周我给自己定了一个小目标：实现一个最小化的多工具智能体。它能：
- 判断用户是想查知识、查数据，还是做计算
- 根据判断结果，自动调用对应的工具
- 用自然语言给出答案
最终效果是这样的：
| 用户问题 | 智能体行为 | 回答 |
|---|---|---|
| 什么是 AI Agent？ | 知识类 → RAG 检索 | AI Agent 是智能体程序 |
| 笔记本卖了多少？ | 数据类 → 生成 SQL | 笔记本共销售 95 台 |
| 25 * 4 等于多少？ | 计算类 → 数学计算 | 25 * 4 = 100 |
二、技术栈
| 工具 | 用途 |
|---|---|
| Python 3.13 | 开发语言 |
| DeepSeek API | 大模型（便宜，中文友好） |
| Chroma | 向量数据库（RAG 检索） |
| SQLite | 业务数据存储 |
| LangGraph | Agent 框架（状态图 + 条件路由） |
三、整体架构
智能体的核心流程如下：
用户输入
↓
【判断意图】→ 知识类 → RAG 检索 → 回答
↓
数据类 → 生成 SQL → 执行 → 解释结果
↓
计算类 → 提取表达式 → 计算 → 返回
关键点：用一个 LLM 判断意图，然后根据意图走不同的处理分支。
四、核心代码解析
1. 定义状态（传递的数据包）
class AgentState(TypedDict):
question: str # 用户问题
intent: str # 意图：knowledge / data / calculator
answer: str # 最终答案
2. 意图判断节点
def classify_node(state: AgentState):
prompt = f"""判断问题类型，只回答"knowledge"、"data"或"calculator"。
知识类：问概念、定义、解释
数据类：问统计、数量、金额
计算类：数学计算
问题：{state["question"]}
类型："""
result = call_deepseek(prompt).strip().lower()
intent = "knowledge" if "knowledge" in result else "data" if "data" in result else "calculator"
return {"intent": intent}
3. 条件路由（根据意图选节点）
def route_by_intent(state: AgentState):
if state["intent"] == "knowledge":
return "knowledge"
elif state["intent"] == "data":
return "sql"
else:
return "calculator"
builder.add_conditional_edges("classify", route_by_intent, {
"knowledge": "knowledge",
"sql": "sql",
"calculator": "calculator"
})
4. 各工具节点
RAG 节点（从 Chroma 检索）：
def knowledge_node(state):
context = search_rag(state["question"])
prompt = f"基于资料回答问题。资料：{context}\n问题：{state['question']}"
return {"answer": call_deepseek(prompt)}
SQL 节点（让模型写 SQL 并执行）：
def sql_node(state):
sql = call_deepseek(f"数据库结构：{schema}\n问题：{state['question']}\nSQL：")
result = execute_sql(sql)
answer = call_deepseek(f"查询结果：{result}\n用自然语言回答")
return {"answer": answer}
计算器节点（安全执行数学表达式）：
def calculator_node(state):
expr = call_deepseek(f"提取表达式：{state['question']}")
result = eval(expr, {"__builtins__": {}}, {"sqrt": math.sqrt, "pi": math.pi})
return {"answer": f"{expr} = {result}"}
五、运行效果
直接看终端输出：
智能体成功区分知识类、数据类、计算类问题
六、踩坑记录
- API Key 空格：复制时容易带上空格 → 用
.strip()清理 - Chroma 模型下载：默认源在国外 → 用国内镜像
HF_ENDPOINT - SQL 带 Markdown：模型返回
```sql ... ```→ 用字符串清理 - eval 安全：限制
__builtins__和只允许少数函数，防止恶意代码
七、总结与下一步
第一周完成了：
- RAG 检索（Chroma）
- SQL 生成与执行
- 计算器工具
- LangGraph 图结构 + 条件路由
下一步：
- 增加联网搜索工具
- 支持多步推理（例如：先查笔记本销量，再和鼠标对比）
- 用 FastAPI 封装成服务
八、代码仓库
所有代码已开源在 GitHub：
github.com/qiu121122/a…
欢迎 star、fork、交流！
本文首发于掘金，如有转载需求请私信联系。
