2026年4月9日 吕布AI助手技术架构全解析：从概念到面试，一篇通关

 传统规则式AI助手：只会执行固定指令
class TraditionalAIAssistant:
    def __init__(self):
        self.commands = {
            "查天气": self.get_weather,
            "定闹钟": self.set_alarm,
            "播放音乐": self.play_music
        }
    
    def process(self, user_input):
         只能匹配预设关键词，超出范围即失败
        for keyword, func in self.commands.items():
            if keyword in user_input:
                return func(user_input)
        return "抱歉，我不明白你在说什么"   遇到复杂任务直接卡壳
    
    def get_weather(self, _):
        return "今天晴，25度"   硬编码，不会灵活获取
    
    def set_alarm(self, _):
        return "闹钟已设置"   无法理解“明早8点”这类相对时间
    
    def play_music(self, _):
        return "播放默认歌单"   不能根据心情推荐

┌─────────────────────────────────────────────────────┐
│  LLM 擅长（强项）                                      │
├─────────────────────────────────────────────────────┤
│  ✅ 语言理解：听懂“明早8点叫我起床”中的“8点”“起床”       │
│  ✅ 文本生成：写邮件、写摘要、写代码                     │
│  ✅ 逻辑推理：通过思维链（CoT）推导结论[reference:1]       │
├─────────────────────────────────────────────────────┤
│  LLM 不擅长（弱项）                                    │
├─────────────────────────────────────────────────────┤
│  ❌ 主动交互：需要你问一句它才答一句                    │
│  ❌ 工具调用：不会主动打开日历、发送邮件、操作软件        │
│  ❌ 长期记忆：每次对话都是新的，记不住你讨厌香菜         │
└─────────────────────────────────────────────────────┘

Agent = LLM + Planning + Memory + Tool Use

┌─────────────────────────────────────────────────────────────┐
│                      AI智能体（完整数字员工）                   │
│  ┌─────────┐  ┌─────────┐  ┌─────────┐  ┌─────────┐        │
│  │ 感知模块 │→│  规划   │→│  行动   │→│  记忆   │        │
│  │ （五官） │  │（大脑） │  │（手脚） │  │（笔记本）│        │
│  └─────────┘  └────┬────┘  └─────────┘  └─────────┘        │
│                    │                                         │
│                    ▼                                         │
│            ┌─────────────┐                                  │
│            │   LLM内核   │  ← 提供理解、推理、生成能力        │
│            └─────────────┘                                  │
└─────────────────────────────────────────────────────────────┘

import json
from typing import Dict, List
from datetime import datetime

 ---------- 1. 定义工具库（相当于Agent的“工具箱”）----------
class ToolLibrary:
    """Agent可调用的外部工具集合"""
    
    @staticmethod
    def get_weather(city: str) -> str:
        """查天气工具"""
         实际场景应调用真实天气API
        weather_db = {"北京": "晴, 22°C", "上海": "多云, 24°C", "广州": "小雨, 28°C"}
        return weather_db.get(city, f"{city}天气数据暂不可用")
    
    @staticmethod
    def send_email(to: str, subject: str, content: str) -> str:
        """发送邮件工具"""
         实际场景应调用SMTP API
        print(f"[执行] 发送邮件至{to}: {subject}")
        return f"邮件已发送至{to}"
    
    @staticmethod
    def query_database(sql: str) -> List[Dict]:
        """查询数据库工具"""
         模拟数据库查询
        return [{"id": 1, "name": "示例数据"}]

 ---------- 2. 极简智能体核心类 ----------
class MinimalAgent:
    """
    极简AI智能体实现
    核心能力：规划(Planning) + 记忆(Memory) + 工具调用(Tool Use)
    """
    
    def __init__(self):
        self.tools = ToolLibrary()            工具库
        self.short_term_memory = []           短期记忆（会话上下文）
        self.long_term_memory = {             长期记忆（用户偏好）
            "user_preferences": {}
        }
    
    def _plan(self, user_input: str) -> dict:
        """
        规划模块：将用户意图拆解为可执行的操作序列
        注：完整实现需调用LLM进行意图识别与任务拆解
        """
         简化版意图识别（真实场景由LLM完成）
        if "天气" in user_input:
             提取城市（简化处理）
            city = "北京" if "北京" in user_input else "上海"
            return {"action": "get_weather", "params": {"city": city}}
        elif "邮件" in user_input:
            return {"action": "send_email", "params": {"to": "user@example.com", 
                                                        "subject": "AI Agent通知", 
                                                        "content": user_input}}
        else:
            return {"action": "chat", "params": {"message": user_input}}
    
    def _execute(self, plan: dict) -> str:
        """行动模块：执行规划好的操作"""
        action = plan.get("action")
        params = plan.get("params", {})
        
        if action == "get_weather":
            return self.tools.get_weather(params)
        elif action == "send_email":
            return self.tools.send_email(params)
        elif action == "chat":
            return f"AI回应: {params['message']}"
        else:
            return "无法执行该操作"
    
    def _remember(self, user_input: str, response: str):
        """记忆模块：存储交互记录"""
         短期记忆：存储最近5轮对话
        self.short_term_memory.append({
            "timestamp": datetime.now().isoformat(),
            "input": user_input,
            "output": response
        })
        if len(self.short_term_memory) > 5:
            self.short_term_memory.pop(0)   保留最近5条
        
         长期记忆：提取并存储用户偏好（简化版）
        if "喜欢" in user_input:
             提取偏好关键词（真实场景需NLU模块）
            self.long_term_memory["user_preferences"][user_input] = True
    
    def run(self, user_input: str) -> str:
        """
        Agent主流程：感知 → 规划 → 执行 → 记忆
        """
        print(f"\n[用户输入] {user_input}")
        
         Step 1: 感知 + 规划（理解意图、拆解任务）
        plan = self._plan(user_input)
        print(f"[规划结果] {plan}")
        
         Step 2: 执行行动（调用工具或生成回复）
        response = self._execute(plan)
        print(f"[执行结果] {response}")
        
         Step 3: 存储记忆
        self._remember(user_input, response)
        
        return response

 ---------- 3. 运行示例 ----------
if __name__ == "__main__":
    agent = MinimalAgent()
    
     示例1：查询天气（展示工具调用能力）
    agent.run("北京明天天气怎么样？")
    
     示例2：发送邮件（展示多步操作能力）
    agent.run("帮我发封邮件提醒我下午开会")
    
     示例3：展示记忆能力
    agent.run("我喜欢靠窗的座位")
    print(f"\n[长期记忆内容] {agent.long_term_memory}")

感知（Perception）→ 规划（Planning）→ 行动（Action）→ 观察（Observation）→ 反馈
        ↓                  ↓                ↓              ↓
   识别意图为       拆解为调用         调用天气API      获取结果并     将结果返回
   “查天气”       天气API任务         获取数据         格式化输出     用户

用户问：明天适合户外活动吗？
Agent内部思考过程：
1. 先调用天气API获取明天天气预报
2. 解析气温、降水概率、风力数据
3. 根据规则判断：气温15-25℃且降水<30%则适合
4. 得出结论：明天小雨，降水率60%，建议室内活动

用户提问 → 将问题向量化 → 从向量数据库检索相关内容 → LLM结合检索结果生成答案