📋 AI Agent 学习路线验收标准文档

# 方式 1：自动验收脚本（推荐）
python day01_practice_validator.py

# 方式 2：手动运行你的练习代码
python your_file.py
# 观察输出：异步总耗时应明显小于同步总耗时

# 自动验收脚本
python day02_practice_validator.py

# 指定文件
python day02_practice_validator.py --file my_practice.py

# ✅ 正确的装饰器写法
def 工具(名称, 描述):
    def 装饰器(func):
        @functools.wraps(func)   # ← 必须有！
        def 包装(**kwargs):
            # 输入验证
            输入 = 输入模型(**kwargs)
            # 调用原函数
            结果 = func(**输入.model_dump())
            # 输出验证
            return 输出模型(**结果)
        # 注册
        工具注册表[名称] = {"函数": 包装, "描述": 描述}
        return 包装
    return 装饰器

python day03_practice_validator.py

# 异步生成器（核心）
async def 流式输出(提示词: str) -> AsyncGenerator[str, None]:
    for chunk in ["我", "喜欢", "写代码"]:
        await asyncio.sleep(0.2)   # 模拟延迟
        yield chunk                     # ← 多次 yield

# 使用
async for chunk in 流式输出("Hello"):
    print(chunk, end="")

# 内置 mock LLM，无需 API Key 即可完成全部必做验收
python day04_practice_validator.py

# TODO 5.1（可选）：有 DeepSeek 等 Key 时把 mock 换成真实 API 再玩一遍

用户提问
  ↓
构造 messages + tools，调用 LLM API
  ↓
LLM 返回 tool_calls？（是/否）
  ├─ 是 → 解析 tool_calls → 执行对应函数 → 结果追加到 messages → 再次调用 LLM
  └─ 否 → 返回最终回答

python day05_practice_validator.py

# 交互式体验（把模板末尾 run_cli 的注释打开）：
#   输入"帮我计算 3 + 5 * 2" → 应调用工具并回答 13
#   输入"exit" 退出

python day06_practice_validator.py

async def react_agent(user_input: str, max_steps: int = 10):
    messages = [{"role": "system", "content": SYSTEM_PROMPT}]
    messages.append({"role": "user", "content": user_input})

    for step in range(max_steps):
        # 1. 调用 LLM
        response = await llm_chat(messages)

        # 2. 解析响应
        thought, action, action_input = parse_react_response(response)

        # 3. 如果是 Final Answer，返回
        if not action:
            return action_input  # 最终答案

        # 4. 执行工具
        observation = await execute_tool(action, action_input)

        # 5. 把结果加入 messages
        messages.append({"role": "assistant", "content": response})
        messages.append({"role": "user", "content": f"Observation: {observation}"})

    return "达到最大步数限制"

python day07_practice_validator.py

# 未安装 langgraph 也能验收：run_agent 允许降级调用内置模拟器
# 装了真实库（pip install langgraph）后取消 build_agent_graph 的注释即可无缝切换

from langgraph.graph import StateGraph, END

class AgentState(TypedDict):
    messages: list
    # 其他状态字段

graph = StateGraph(AgentState)
graph.add_node("call_model", call_model)
graph.add_node("call_tool", call_tool)
graph.add_conditional_edges("call_model", should_continue)
graph.add_edge("call_tool", "call_model")

# 终端 1：启动 MCP Server
mcp run your_mcp_server.py

# 终端 2：运行 Agent（连接到 MCP Server）
python your_day08_agent.py

python your_day09_agent.py

# 测试多轮对话
> 我叫张三
✅ Agent：你好张三！

> 我叫什么名字？
✅ Agent：你叫张三。（从对话历史检索到）

# 先用模板创建你的练习代码
# （模板文件：day01_practice_template.py 等）

# 编辑模板，完成所有 TODO

# 运行验收脚本
python day01_practice_validator.py
python day01_practice_validator.py --file my_code.py  # 指定文件