LLM智能体开发实践：构建天气与景点推荐工作流

LLM智能体开发实践：构建天气与景点推荐工作流

随着大语言模型（LLM）能力的不断跃升，开发者面临的挑战已从“如何调用模型生成文本”转向“如何让模型自主规划并执行复杂任务”。智能体正是解决这一挑战的核心范式。本文将以“查询某地天气并根据天气推荐景点”这一典型场景为例，深度剖析智能体的工作流机制，并手把手指导开发者完成从环境配置到工具调用的全流程实践。

一、 智能体的核心运作机制

智能体并非单纯的对话引擎，而是一个具备感知、规划、行动能力的复合系统。在“天气查询与景点推荐”场景中，其基本运作流程可抽象为以下闭环：

1. 接收用户请求：智能体接收自然语言指令，例如“查询杭州天气并推荐合适的景点”。
2. LLM思考决策：大模型作为“大脑”，对请求进行意图识别与任务拆解。它会判断当前需要什么信息，并决定调用哪个外部工具。
3. 调用工具获取结果：根据LLM的决策，系统依次调用对应API。例如，首先调用天气API获取目标城市气象数据，随后将天气数据作为上下文，调用搜索API获取适配该天气的景点推荐。
4. 状态判断与循环：获取工具返回结果后，LLM再次介入，评估当前信息是否足以满足用户初始请求。若信息缺失，则继续规划下一步工具调用；若已充分，则进入终结状态。
5. 生成最终答案：LLM将各步骤获取的结构化数据与非结构化上下文进行融合提炼，以自然语言的形式将最终结果返回给用户。

在此流程中，LLM打破了传统的线性编程模式，引入了动态决策机制，使得系统能够根据环境反馈自适应地调整执行路径。

二、 环境配置与工程化准备

在编码实现之前，搭建一个干净、隔离且可复用的开发环境是保障项目稳健性的基础。

2.1 虚拟环境的隔离机制

在Python开发中，不同项目往往依赖不同版本的第三方库。若在系统全局环境中统一安装，极易引发依赖冲突，导致系统级工具损坏或项目无法运行。因此，采用虚拟环境是工程化开发的最佳实践。

创建并激活虚拟环境的命令如下：

# 进入项目根目录
cd "hello-agents"
# 创建虚拟环境
python -m venv venv
# 激活虚拟环境
# Windows系统执行：
venv\Scripts\activate
# macOS/Linux系统执行：
source venv/bin/activate

虚拟环境会在项目目录下生成独立的Python解释器与包管理目录（venv）。所有后续安装的依赖包都将存放在此目录中，与其他项目物理隔离，便于统一管理与项目迁移。

2.2 核心依赖包安装

本场景需要与外部API通信并解析大模型协议，需安装以下核心依赖库：

# 安装基础通信与模型对接依赖
pip install requests>=2.31.0
pip install openai>=1.0.0
# 安装搜索工具与配置管理依赖
pip install tavily-python>=0.3.0
pip install python-dotenv>=1.0.0

• requests：用于发起HTTP请求，调用基础天气查询服务。
• openai：业界主流大模型标准接口库，用于与兼容该协议的各类LLM进行交互。
• tavily-python：专为AI应用优化的搜索结果检索库，用于获取实时景点信息。
• python-dotenv：用于从本地.env文件中加载环境变量，安全管理API密钥。

三、 API服务与凭证配置

智能体的强大在于其能够调度外部服务。为保障调用过程的安全性与可追溯性，各类云服务与大模型平台均采用基于API Key的身份验证机制。可以将大模型服务、天气服务等视作各类专业俱乐部，而API Key就是进入俱乐部的门禁卡与会员凭证。

3.1 大语言模型服务配置

在调用LLM进行决策时，开发者可以选择兼容业界主流接口规范的云服务平台。这些平台通常聚合了多种底层模型，提供统一的接入方式。

在配置时，需在某云模型服务平台注册并获取以下关键信息，将其安全存储于环境变量中：

• API Key：验证调用者身份的唯一密钥。
• Base URL：服务请求的统一接入点（例如 https://aihubmix.com/v1）。
• 指定模型：选择具备强大编码与推理能力的模型标识符（如 coding-glm-4.7-free 或其他兼容OpenAI协议的模型）。

3.2 专用搜索服务配置

在景点推荐环节，我们需要获取实时且高质量的网络信息。传统的通用搜索API往往返回大量非结构化网页内容，需要LLM耗费大量Token进行清洗与提取。为此，本实践采用专为AI应用设计的搜索API（如Tavily）。该类服务直接返回经过清洗、与AI语境高度契合的结构化摘要数据，极大提升了LLM的理解效率。

开发者需访问相应官网注册账号，获取专属的搜索服务API Key。

四、 密钥安全与工程化管理

在实际开发中，严禁将API Key硬编码在源代码文件中。这不仅会导致代码难以维护，一旦提交至代码仓库，更会引发严重的信息泄露风险。

推荐使用python-dotenv管理密钥。在项目根目录创建.env文件，并严格将其加入.gitignore忽略列表：

# .env 文件内容示例
LLM_API_KEY=your_llm_api_key_here
LLM_BASE_URL=https://your_llm_platform_url/v1
LLM_MODEL=your_selected_model_name
SEARCH_API_KEY=your_search_api_key_here

在Python代码入口处，通过以下方式加载配置：

import os
from dotenv import load_dotenv
# 加载 .env 文件中的环境变量
load_dotenv()
# 读取配置
api_key = os.getenv("LLM_API_KEY")
base_url = os.getenv("LLM_BASE_URL")
model_name = os.getenv("LLM_MODEL")

五、 总结与展望

构建智能体系统的核心在于将大语言模型从被动的“文本生成器”升级为主动的“任务调度器”。通过标准的API协议与外部工具（如天气服务、AI搜索服务）结合，开发者能够打造出具备动态决策能力的应用。在此过程中，规范的Python环境隔离、依赖管理以及严谨的密钥安全策略，是支撑智能体工程化落地的基石。未来，随着工具调用协议的进一步标准化，智能体将在自动化运维、智能客服、个人助手等更广泛的场景中释放巨大的技术价值。