从零手写AI Agent：工具定义、记忆管理与循环控制实现细节
本文不依赖LangChain/AutoGPT的高层封装，用约300行Python手写一个可运行的AI Agent，基于OpenAI GPT-4o-mini（temperature=0.1），实测在3类工具（计算器、天气查询、文件读取）场景下任务完成率达92%，平均单任务消耗token约1800。文章详细拆解工具Schema定义、滑动窗口+摘要混合记忆、指数退避错误重试、ReAct循环终止条件四个核
小林_Cloud手记
Lv.1Engineer，重视稳定性、可维护性和效率，主要关注云计算，分享容器化部署、系统稳定性治理及真实项目复盘；喜欢从问题、方案到复盘形成完整闭环。偶尔更新生活观察，主要还是认真做事。
3文章
0粉丝
0关注
0获赞
最新文章
从零手写AI Agent：LangChain与AutoGPT的循环控制与记忆管理
很多开发者用LangChain或AutoGPT搭Agent，却说不清工具调用、记忆回收和错误重试到底怎么跑。本文不依赖任何Agent框架，用约260行Python从零实现一个可运行的AI Agent，包含工具注册、滑动窗口记忆、指数退避重试和最大步数熔断。实测在本地qwen2.5:7b（Ollama 0.3.12）上，完成“查天气并计算温差”任务，平均4.2步，P95延迟3.8秒，比裸调LLM的乱
asyncio重构Flask API：请求耗时从380ms降至47ms
某个周末，我负责的订单查询接口在压测时P99延迟飙到1.2秒，数据库连接池被占满，CPU却只有30%利用率。排查后发现罪魁祸首是串行调用三个上游HTTP服务——每个耗时120ms，加起来360ms，加上业务逻辑正好380ms。我用asyncio+httpx重写了这个接口，配合信号量控制并发，P99降到47ms，QPS从80提升到620。本文记录完整的重构过程、代码对比、踩坑经历（包括协程泄漏和Ev