Python 工程师 AI Agent 开发 15 天学习路线图

阶段一（Day 1-5）  →  Python 高级技能 + LLM 基础
阶段二（Day 6-10） →  AI Agent 核心架构
阶段三（Day 11-15）→  完整 Agent 实战项目

import asyncio
import time

# 同步：一件一件来（总耗时 = 所有任务时间之和）
def 同步烧水():
    time.sleep(3)  # ❌ 阻塞整个程序
    return "开水"

def 同步切菜():
    time.sleep(2)
    return "菜"

# 异步：同时开始，谁先完成谁先返回（总耗时 = 最慢的任务）
async def 异步烧水():
    await asyncio.sleep(3)  # ✅ 不阻塞，其他任务可以运行
    return "开水"

async def 异步切菜():
    await asyncio.sleep(2)
    return "菜"

async def 异步做饭():
    任务1 = asyncio.create_task(异步烧水())
    任务2 = asyncio.create_task(异步切菜())
    水, 菜 = await 任务1, await 任务2  # 并发等待
    return 水, 菜

# 结果：同步 5 秒，异步 3 秒！

async def Agent并发调用():
    """Agent 同时调用多个工具"""
    # 并发调用所有工具（不是逐个等待！）
    结果们 = await asyncio.gather(
        调用LLM工具("计算器", "3 + 5 * 2"),
        调用LLM工具("天气查询", "北京"),
        调用LLM工具("文件搜索", "config.py"),
        调用LLM工具("翻译", "Hello World"),
    )

    # 结果：4 个工具只花了最长的那个的时间（不是 4 倍！）
    for r in 结果们:
        print(f"🔧 {r['工具']}：{r['结果']}")

import functools

# 第 1 步：最简单的装饰器
def 计时装饰器(原函数):
    """包装一个函数，让它执行时自动打印耗时"""
    @functools.wraps(原函数)  # ✅ 必须加！保留原函数信息
    def 包装函数(*args, **kwargs):
        开始 = time.time()
        结果 = 原函数(*args, **kwargs)
        耗时 = time.time() - 开始
        print(f"⏱ {原函数.__name__} 执行耗时：{耗时:.4f} 秒")
        return 结果
    return 包装函数

# 第 2 步：使用 @ 语法糖
@计时装饰器
def 慢速加法(a, b):
    time.sleep(1)
    return a + b

结果 = 慢速加法(3, 5)  # 自动计时！

# ❌ 错误写法：不带 wraps
def 坏装饰器(原函数):
    def 包装(*args, **kwargs):
        return 原函数(*args, **kwargs)
    return 包装

@坏装饰器
def 函数A():
    """这是文档"""
    pass

print(函数A.__name__)  # 输出 "包装"（丢失了原函数名！）
print(函数A.__doc__)   # 输出 None（丢失了文档！）


# ✅ 正确写法：带 wraps
def 好装饰器(原函数):
    @functools.wraps(原函数)  # 保留原函数的元信息
    def 包装(*args, **kwargs):
        return 原函数(*args, **kwargs)
    return 包装

@好装饰器
def 函数B():
    """这是文档"""
    pass

print(函数B.__name__)  # 输出 "函数B" ✅
print(函数B.__doc__)   # 输出 "这是文档" ✅

# 需求：重试 3 次 vs 重试 5 次（参数化装饰器）
def 重试(最大次数=3, 等待秒=1):
    """装饰器工厂：根据参数创建不同的重试装饰器"""
    def 装饰器(原函数):
        @functools.wraps(原函数)
        def 包装(*args, **kwargs):
            for i in range(最大次数):
                try:
                    return 原函数(*args, **kwargs)
                except Exception as e:
                    if i == 最大次数 - 1:
                        raise  # 最后一次还失败就抛出
                    print(f"  重试 {i+1}/{最大次数}：{e}")
                    time.sleep(等待秒)
        return 包装
    return 装饰器

@重试(最大次数=3, 等待秒=0.5)
def 不稳定的网络请求():
    # 模拟不稳定连接
    pass

# 这是你未来 AI Agent 的核心机制之一！
from typing import Callable

# 工具注册表（全局）
工具注册表 = {}

def 工具(名称: str, 描述: str):
    """装饰器：把 Python 函数注册为 Agent 可用的工具"""
    def 装饰器(func: Callable):
        @functools.wraps(func)
        def 包装(*args, **kwargs):
            return func(*args, **kwargs)

        # 注册到工具表
        工具注册表[名称] = {
            "函数": 包装,
            "描述": 描述,
            "参数": func.__code__.co_varnames[:func.__code__.co_argcount]
        }
        return 包装
    return 装饰器

# 使用：和写普通函数一样简单！
@工具("计算器", "执行四则运算，例如：计算 3 + 5 * 2")
def 计算(表达式: str):
    return eval(表达式)  # 生产环境用 ast.literal_eval 更安全

@工具("天气查询", "查询指定城市的天气")
def 查天气(城市: str):
    return {"城市": 城市, "温度": "25°C", "天气": "晴"}

# 查看注册的工具
for 名称, 信息 in 工具注册表.items():
    print(f"🔧 {名称}：{信息['描述']}")

# 调用工具
print(计算("3+5*2"))        # 输出: 13
print(查天气("北京"))         # 输出: {'城市': '北京', '温度': '25°C', ...}

async def react_agent(user_input: str, tools: list, max_steps: int = 10):
    messages = [{"role": "system", "content": SYSTEM_PROMPT}, ...]
    for step in range(max_steps):
        response = await llm.chat(messages)
        if response.has_tool_call():
            result = await execute_tool(response.tool_call)
            messages.append({"role": "tool", "content": result})
        else:
            return response.content  # 最终回答
    return "达到最大步数限制"