如何使用OpenAI API构建具有规划、工具调用、记忆和自我批评能力的高级代理AI系统

在本教程中，我们将使用OpenAI API构建一个高级代理AI系统，该系统能够进行规划、调用工具、维护记忆并进行自我批评。我们将代理设计为一个小型管道，包含三个专业化角色：规划者、工具使用执行者和批评者，从而将策略、行动和质量控制分离开来。我们还集成了结构化工具（计算器、小型知识库搜索、JSON提取和文件写入），使代理能够可靠地进行计算、检索指导、生成结构化输出并保存工件作为交付物。

首先，我们安装OpenAI SDK并仅导入所需模块，以保持在Colab中的轻量和可重复性。我们通过getpass()获取API密钥，使其保持隐藏，不会出现在笔记本输出或代码中。然后，我们创建一个OpenAI客户端并设置模型字符串，以便系统的其他部分可以一致地重用。

接下来，我们定义一个小型内部“知识库”，用于模拟团队文档或剧本，代理可以通过工具调用进行查询。我们实现了返回结构化字典的工具，以确保工具输出机器可读且健壮。这些工具包括一个安全的计算器、基于关键字的知识库搜索、用于结构化解析的JSON提取器，以及用于将最终交付物保存为工件的文件写入器。

我们将Python工具注册到一个映射中，以便在函数调用期间按名称调用它们。我们声明工具模式，使模型能够使用正确的参数结构调用工具。我们定义了AgentState来存储目标、记忆和工具调用跟踪，从而允许我们检查发生了什么并调试代理的行为。我们实现了一个安全的chat()包装器，仅在提供工具时包含tool_choice，以防止出现400错误。

我们定义了三个角色提示来分离代理的职责：规划者生成结构化计划，执行者执行任务并按需使用工具，批评者改进最终输出。我们实现了一个循环来执行模型调用、检测工具调用、在Python中执行它们，然后将它们的输出反馈给模型。这创建了一个真正的工具使用代理，而不是单次文本生成器。

我们实现了批评者来审查草稿并生成完善的最终响应，使用工具跟踪作为额外证据进行调试和问责。我们实现了run_agent()来编排完整循环：初始化状态、规划、使用工具执行、批评和最终确定。最后，我们提供了一个演示目标，该目标强制生成一个真实的交付物：摘要、结构化行动项JSON、跟进电子邮件以及通过write_file工具将输出保存到文件。

总之，我们实现了一个实用的代理架构，清晰地分离了规划、工具执行和基于批评的改进。我们将模型与具有严格模式的真实工具连接起来，记录了透明的工具跟踪以进行调试，并通过将最终输出保存到文件来生成工件。通过这种结构，我们可以通过添加工具重试策略、并行子代理、更丰富的记忆（向量+符号）和评估框架来将代理扩展到更生产级的工作流程。

完整的代码和笔记本可在此处查看。此外，请随时在Twitter上关注我们，并不要忘记加入我们的150k+ ML SubReddit和订阅我们的新闻通讯。如果您使用Telegram，现在也可以加入我们。

需要与我们合作推广您的GitHub Repo、Hugging Face页面、产品发布或网络研讨会等？请与我们联系。