（本系列项目的出发点是记录Agent内核开发的一点点心得并进行小小的知识分享，顺便帮助自己查漏补缺&巩固知识，所以可能会有错漏或者分歧，希望可以跟佬友们一起学习共同进步）

（现在项目还比较前期，虽然在开发Agent的过程中积累了一定的经验以及感受，不过可能还需要进一步转化后再分享出来，好吧其实就是可能会拖稿orz，疯狂叠甲 过！）

一、在开始写代码前：我们是怎样使用 AI 的？

我们先回顾一下平时使用 AI 的方式。

最常见的方式是打开一个网页或桌面应用，在输入框中写下问题，点击发送，然后等待模型返回答案。这个过程看起来很简单，但背后其实已经完成了几件事情：

- 客户端收集了我们输入的消息；

- 客户端把消息发送给模型服务；

- 模型服务根据消息生成回答；

- 客户端接收回答，并把它展示在页面上。

网页或桌面应用只是替我们完成了“收集输入、发送请求、展示结果”这些工作。真正负责理解问题和生成回答的，仍然是远程模型服务。

这种方式非常适合日常使用，但当我们想构建自己的 Agent 时，就会遇到一些限制：

- 我们无法自由决定请求中携带哪些上下文；

- 很难让模型按照自己的程序逻辑调用工具或执行任务；

- 模型的回答停留在页面里，不能直接被 Python 程序继续处理；

- 我们无法方便地把模型接入自己的数据库、文件系统或业务系统。

因此，使用 AI 和 用代码调用 AI 的区别，并不在于使用了不同的模型，而在于谁来控制模型调用过程，直接使用AI相当于开发者预先制定了受限的功能，而代码调用则可以根据自己的需求做到更灵活的“个性化定制”：

接下来我们要做的，就是把网页应用隐藏起来的过程自己实现一遍：

用 Python 接收用户输入，向模型服务发送请求，再读取并处理模型返回的结果。

这样，模型就不再只是一个聊天窗口里的工具，而会成为我们程序中的一个基本模块。

二、Agent原型机

尽管现在Agent功能五花八门，但是Agent最本质的能力就是接受用户输入，然后根据用户的输入进行回答或者是操作，因此我们这一节的目的就是构建这样的问答交互——“Agent原型机”：

[center]

为了实现这种循环对话的Agent，我们只需要做两件事：

- 配置环境变量用于访问模型服务。

- 向模型发送请求并解析结果。

首先我们将项目克隆下来，并切换到第一个版本 v0.1-llm-api-call：```
git clone https://github.com/Nick-Hogo/AgentSeed.git
cd AgentSeed
git switch --detach v0.1-llm-api-call
``下面是项目v0.1原型机的全部代码，现在看不懂也没关系，后面会慢慢解释：``
import httpx

获取模型服务地址、访问密钥和模型名称。

base_url = "https://api.example.com/v1/messages"
api_key = "sk-xxxx"
model = "kimi-k3"

while True: # 持续接收用户输入，实现最基础的命令行对话。
user_input = input("You> ")

# 按照 Anthropic Messages API 协议向模型服务发送 HTTP 请求。
response = httpx.post(
base_url,
headers={
"x-api-key": api_key, # Anthropic 格式的认证信息
"anthropic-version": "2023-06-01", # Anthropic API 版本
},
json={
"model": model, # 选择的模型名称
"messages": [
{"role": "user", "content": user_input}, # 用户输入的消息
],
},
timeout=60,
)

# 将 JSON 响应转换为字典，然后取出模型生成的文本。
data = response.json()
assistant_message = data["content"][0] # assistant 角色表示模型回复
print("Assistant>", assistant_message["text"])
```三、参数解析

为了能顺利将上面的代码跑起来，我们首先需要准备一些东西：

参数 |
说明 |
示例 |

base_url |
模型服务的地址 |
https://api.example.com/v1/messages |

api_key |
访问模型服务的密钥 |
sk-xxxx |

model |
使用的模型名称 |
claude-5-fable |

这是因为由于我们没有本地部署LLM的能力，因此我们需 要向厂商购买LLM的使用权限。

而 base_url、api_key、model这三个参数，则分别用来标识我们的 服务商、消费凭证、消费对象。

补充说明一：现在主流的LLM API调用主要有几种不同的通讯格式。 这里我们选择以v1/messages结尾的anthropic格式，因为相较Openai的格式Anthropic相对稳定且被广泛使用。
补充说明二：如果没有购买过Coding Plan的朋友，可以查看下面项目，可能有免费的试用Plan,找到适合自己的Coding Plan就好。

四、代码解析

设置好参数基本就已经 解决 80% 的困难了！

剩下只要理解理解代码逻辑就好了～

首先我们可以看到 while True，这是多轮对话开始的标志，意味着程序将持续不断的接受用户的输入并给出回复。

同时这也是后续我们的Agent Loop的雏形。我们可以根据自己的喜好设置终止条件 例如 检测到特定字符串（exit）。

然后就是相对陌生的一个函数调用 httpx.post，要理解这个我们的先知道：

我们每天冲浪的时候，底层实际上就是不断在跟服务器发送请求，请求的形式主要有2种POST以及GET，分别代表单纯向服务器要东西（GET），以及先向服务器提交东西再获得返回（POST）

这里由于我们需要将用户的输入，提交给服务器，然后再从服务器获得返回，因此我们选择了POST。

发送请求的时候，我们需要携带服务器需要的参数，访问地址（url），请求头（header）， 请求体（json）…

他们的作用以及对应关系是 ：

参数 |
英文名称 |
作用 |
示例 |

访问地址 |
URL（默认第一个参数） |
指定请求发送到哪个服务器和接口 |
https://api.example.com/v1/messages |

请求头 |
Header |
携带认证信息、请求格式等附加信息 |
x-api-key: sk-xxxx |

请求体 |
Body（JSON） |
携带需要提交给接口的具体数据 |
{“model”: “claude-5.”, “message”: “你好”} |

向服务器发送请求，其实跟门卫大爷问话类似，你需要回答：

你是谁？（请求头）
你找谁？（访问地址）
什么事？（请求体）

都通过了之后，就可以获得服务器响应的内容了。

不同消息格式略有差异，我们以 Anthropic Messages API 格式为例(通常url以v1/messages结尾)。

除了模型生成的文本，服务器通常还会返回模型名称、结束原因以及 Token 用量等信息。下面是简化后的响应，仅保留初学阶段需要关注的字段，省略思考块等内容：```
{
"model": "claude-fable-5",
"type": "message",
"role": "assistant",
"content": [
{
"type": "text",
"text": "Hi! How can I help you today?"
}
],
"stop_reason": "end_turn",
"usage": {
"input_tokens": 32,
"output_tokens": 39
}
}
```其中常用字段的含义如下：

字段 |
作用 |
示例 |

model |
服务返回的模型标识 |
claude-fable-5 |

type |
返回对象的类型 |
message |

role |
消息发送者的角色，assistant 表示模型回复 |
assistant |

content |
模型返回的内容块列表 |
遍历列表，读取文本块 |

content[].type |
当前内容块的类型 |
text 表示文本，thinking 表示思考 |

content[].text |
文本块中的回答正文 |
Hi! How can I help you today? |

stop_reason |
模型停止生成的原因，end_turn 表示本轮回复结束 |
end_turn |

usage.input_tokens |
输入内容消耗的 Token 数量 |
32 |

usage.output_tokens |
输出消耗的 Token 数量，可能包含思考用量 |
39 |

这里的模型标识沿用服务商返回值，具体可用模型以实际服务商为准。

[center]

我们主要关心模型最终回复的文本。实际响应的 content 还可能包含 thinking 等内容块，第一个块不一定是正文，因此需要遍历列表，只打印 type 为 text 的内容：```
data = response.json()
print("Assistant>", end=" ")
for block in data["content"]:
if block["type"] == "text":
print(block["text"], end="")
print()
```除了最关键的回答正文，后续还可以分析 Token 消耗量等信息，进行更细粒度的管理。

至此我们完成了一次最简单的LLM调用。恭喜你成功迈出了Agent的第一步！