第3章写Agent之前，这些Python够用了

第2章装好了环境，这一章快速过一遍Python——不是从头教，是挑Agent开发里真正常用到的部分。如果你Python已经熟了，可以扫一遍直接跳到第4章。如果有些生疏，跟着过一遍，后面写Agent代码的时候不会卡在基础语法上。

3.1 Agent的工作台

3.1.1 用得最多的三种数据

写Agent的时候，你会频繁跟三种数据结构打交道。

列表：Agent拿到一堆工具返回的结果，用列表装着最方便。

python

# Agent调用了三个搜索工具，结果放在一起
search_results = [
    "北京今天晴，20-28℃",
    "北京明天多云，18-25℃", 
    "北京后天有雨，15-22℃"
]

# Agent需要从中挑出"有雨"的那条
rain_days = [r for r in search_results if "雨" in r]
print(rain_days)  # ['北京后天有雨，15-22℃']

字典：Agent跟外部API打交道，JSON来回全是字典。

python

# 工具返回的天气数据（JSON转成的字典）
weather = {
    "city": "北京",
    "temperature": 25,
    "humidity": 60,
    "forecast": ["晴", "多云", "有雨"]
}

# Agent提取需要的信息
if weather["temperature"] > 30:
    print(f"{weather['city']}今天很热")
else:
    print(f"{weather['city']}今天温度还行")

集合：Agent需要"去重"的时候用。比如一个Agent问了三个不同的人同一个问题，得到了一些重复的回答，用集合快速去重。

python

# 三个Agent返回的推荐方案，有重复
plan_a = {"改签", "退款", "补偿"}
plan_b = {"改签", "升级舱位", "补偿"}  
plan_c = {"退款", "补偿", "优惠券"}

# 合并所有方案，自动去重
all_plans = plan_a | plan_b | plan_c
print(all_plans)  # {'改签', '退款', '补偿', '升级舱位', '优惠券'}

3.1.2 推导式：少写for循环的秘密

Agent代码里经常需要"把A处理成B"，用推导式一行搞定。

python

# 不用推导式：三行
tools = ["search", "calculator", "weather"]
upper_tools = []
for t in tools:
    upper_tools.append(t.upper())

# 用推导式：一行  
upper_tools = [t.upper() for t in tools]

字典推导式更常用——Agent经常需要把一种格式的字典转成另一种：

python

# API返回的工具配置
tool_configs = {
    "search": {"enabled": True, "timeout": 10},
    "calculator": {"enabled": False, "timeout": 5},
    "weather": {"enabled": True, "timeout": 8}
}

# 只要启用的工具
active_tools = {k: v for k, v in tool_configs.items() if v["enabled"]}
# {'search': {'enabled': True, 'timeout': 10}, 'weather': {'enabled': True, 'timeout': 8}}

3.2 写Agent代码的好帮手

3.2.1 lambda：临时小函数

Agent开发中经常需要传一个小函数作为参数，但专门写个 def 又太重了。这时候用 lambda。

python

# 场景：Agent拿到了一批工具的评分，需要按分数排序
tools = [
    {"name": "search", "score": 4.5},
    {"name": "calculator", "score": 3.2},
    {"name": "weather", "score": 4.8}
]

# lambda 一行搞定按score排序
tools.sort(key=lambda t: t["score"], reverse=True)
print([t["name"] for t in tools])  # ['weather', 'search', 'calculator']

3.2.2 map 和 filter：批量处理利器

这两个函数在LangChain的源码里出现频率很高，值得了解一下。

python

# Agent拿到了一堆用户消息，需要全部转成小写再处理
messages = ["Hello World", "HOW ARE YOU", "Fine Thank You"]
lowered = list(map(str.lower, messages))
# ['hello world', 'how are you', 'fine thank you']

# 过滤掉空消息
raw = ["你好", "", "帮我查天气", "", "谢谢"]
valid = list(filter(None, raw))
# ['你好', '帮我查天气', '谢谢']

3.2.3 解包：让参数传递更灵活

Agent框架里经常看到 *args 和 **kwargs，其实就是"我不管你给我多少个参数，我都能处理"。

python

# 场景：Agent的工具调用函数，不知道每次会传几个参数
def call_tool(tool_name, *args, **kwargs):
    """通用工具调用函数"""
    print(f"调用工具: {tool_name}")
    print(f"位置参数: {args}")
    print(f"关键字参数: {kwargs}")

# 不同工具传不同的参数
call_tool("search", "北京天气")
# 调用工具: search
# 位置参数: ('北京天气',)
# 关键字参数: {}

call_tool("weather", city="北京", date="明天")
# 调用工具: weather
# 位置参数: ()
# 关键字参数: {'city': '北京', 'date': '明天'}

3.3 让代码更优雅

3.3.1 装饰器：给函数加个"壳"

Agent开发中最常见的装饰器场景：记录每个工具调用的耗时。

python

import time

def log_time(func):
    """记录函数执行时间的装饰器"""
    def wrapper(*args, **kwargs):
        start = time.time()
        result = func(*args, **kwargs)
        cost = time.time() - start
        print(f"工具 {func.__name__} 执行耗时: {cost:.2f}秒")
        return result
    return wrapper

@log_time
def search_weather(city):
    time.sleep(1.2)  # 模拟API调用
    return f"{city}今天晴"

@log_time  
def search_news(topic):
    time.sleep(0.8)
    return f"关于{topic}的最新消息..."

# 两个函数自动带上了计时功能
print(search_weather("北京"))
# 工具 search_weather 执行耗时: 1.20秒
# 北京今天晴

3.3.2 上下文管理器：自动"进门"和"出门"

Agent需要连数据库、开文件、调API——这些操作都有"打开"和"关闭"两步。上下文管理器帮你自动关，不用手动 close()。

python

# 不用上下文管理器：容易忘关
f = open("agent_log.txt", "w")
f.write("Agent started\n")
# ... 写了一堆代码，中间可能报错
f.close()  # 如果中间报错了，这行根本执行不到

# 用上下文管理器：自动关，绝不出错
with open("agent_log.txt", "w") as f:
    f.write("Agent started\n")
    # 不管中间报不报错，退出 with 块自动关闭

你自己写Agent工具时也会用到：

python

from contextlib import contextmanager

@contextmanager
def tool_session(tool_name):
    """模拟工具调用的会话管理"""
    print(f"[{tool_name}] 初始化连接...")
    yield  # 这里执行工具的具体逻辑
    print(f"[{tool_name}] 关闭连接，释放资源")

# 使用
with tool_session("weather_api"):
    print("正在查询天气...")
# 输出：
# [weather_api] 初始化连接...
# 正在查询天气...
# [weather_api] 关闭连接，释放资源

3.4 让Agent同时做多件事

Agent经常需要"同时"调好几个工具——比如查天气的同时查新闻、查股价。如果串行执行，用户得等很久。

3.4.1 什么时候用 asyncio

asyncio 适合"IO密集型"任务——大部分时间在等网络返回，Python可以趁等待的时间去干别的事。

python

import asyncio

async def call_api(tool_name, delay):
    """模拟调用外部API"""
    print(f"开始调用 {tool_name}...")
    await asyncio.sleep(delay)  # 模拟网络等待
    print(f"{tool_name} 返回结果")
    return f"{tool_name} 的结果"

async def main():
    # 同时发起三个工具调用
    results = await asyncio.gather(
        call_api("天气查询", 1),
        call_api("新闻搜索", 0.8),
        call_api("股价查询", 0.5)
    )
    print(f"全部完成: {results}")

asyncio.run(main())
# 输出：三个调用几乎同时开始，总耗时≈1秒而不是1+0.8+0.5=2.3秒

3.4.2 什么时候不用

如果你的工具调用本身就是"串行"的（第二步依赖第一步的结果），那老老实实写同步代码就好。asyncio 不是魔法，它只在"等待IO时可以切走"这个场景有用。

python

# 这种场景不需要 asyncio
# 因为第二步依赖第一步的结果
result_1 = search_location("北京")
result_2 = search_weather(result_1["location_id"])  # 依赖result_1

3.5 Agent的眼睛和耳朵

3.5.1 文件读写：Agent记日志、读配置

Agent运行时会记日志、读配置文件、保存结果——文件操作是基本功。

python

import time
from pathlib import Path

# 写日志（追加模式）
log_file = Path("agent.log")
with open(log_file, "a") as f:
    f.write(f"[{time.strftime('%H:%M:%S')}] 用户提问：今天天气怎么样\n")

# 读配置文件
import json
with open("agent_config.json", "r") as f:
    config = json.load(f)
print(config["model"])  # 比如 "gpt-4"

3.5.2 网络请求：Agent调用外部API

Agent最核心的能力就是调用外部API。requests 库基本上每个Agent项目都会用到。

python

import requests

def search_weather(city):
    """调用天气API"""
    try:
        response = requests.get(
            "https://api.weather.com/v1/current",
            params={"city": city},
            timeout=5  # 5秒超时，别让Agent傻等
        )
        response.raise_for_status()  # 状态码不是200就抛异常
        return response.json()
    except requests.Timeout:
        return {"error": "天气服务超时，请稍后重试"}
    except requests.RequestException as e:
        return {"error": f"请求失败: {str(e)}"}

几个写Agent时容易踩的坑：

永远加 timeout——不然Agent可能卡死在一个慢API上
永远处理异常——外部API随时可能挂，你的Agent不能跟着挂
API Key 放 .env 文件，别硬编码——这个第2章讲过了

3.6 本章小结

这一章我们快速过了一遍Agent开发中最常用的Python知识：

数据结构：列表装结果、字典传数据、集合去重——Agent的日常工作台
函数式编程：lambda、map、filter、解包——让Agent代码更简洁
装饰器与上下文管理器：给工具加日志、自动管理资源——让代码更优雅
asyncio并发：Agent同时调多个工具时，别让用户傻等
文件与网络：Agent读配置、记日志、调API的基本功

这些不是你还没学的Python基础——是你写Agent时真正常用到的部分。剩下的语法，遇到了查一下就行。

✅ 知识点检查

学完这一章，试试回答这几个问题：

[ ] 列表、字典、集合各适合什么场景？Agent代码里为什么用推导式比for循环更多？
[ ] lambda 在什么情况下比写一个 def 更合适？
[ ] 装饰器和上下文管理器的本质区别是什么？
[ ] asyncio 什么时候能加速你的Agent？什么时候加速不了？
[ ] 写Agent调外部API时，有哪三个容易踩的坑？

📚 延伸阅读

Python官方文档：https://docs.python.org/3/
Real Python教程：https://realpython.com/ — 有大量Python进阶文章
本书配套源码：关注公众号「图解AI系列」免费领取

🎯 下一章预告

第4章，我们正式进入AI Agent的世界——

"Agent不是魔法，它只是个聪明点的程序。看完这一章，你就知道它到底是个什么东西。"

第3章 写Agent之前，这些Python够用了 ​

3.1 Agent的工作台 ​

3.1.1 用得最多的三种数据 ​

3.1.2 推导式：少写for循环的秘密 ​

3.2 写Agent代码的好帮手 ​

3.2.1 lambda：临时小函数 ​

3.2.2 map 和 filter：批量处理利器 ​

3.2.3 解包：让参数传递更灵活 ​

3.3 让代码更优雅 ​

3.3.1 装饰器：给函数加个"壳" ​

3.3.2 上下文管理器：自动"进门"和"出门" ​

3.4 让Agent同时做多件事 ​

3.4.1 什么时候用 asyncio ​

3.4.2 什么时候不用 ​

3.5 Agent的眼睛和耳朵 ​

3.5.1 文件读写：Agent记日志、读配置 ​

3.5.2 网络请求：Agent调用外部API ​

3.6 本章小结 ​

✅ 知识点检查 ​

📚 延伸阅读 ​

🎯 下一章预告 ​

喜欢这篇内容？关注我，别错过后续更新

第3章写Agent之前，这些Python够用了

3.1 Agent的工作台

3.1.1 用得最多的三种数据

3.1.2 推导式：少写for循环的秘密

3.2 写Agent代码的好帮手

3.2.1 lambda：临时小函数

3.2.2 map 和 filter：批量处理利器

3.2.3 解包：让参数传递更灵活

3.3 让代码更优雅

3.3.1 装饰器：给函数加个"壳"

3.3.2 上下文管理器：自动"进门"和"出门"

3.4 让Agent同时做多件事

3.4.1 什么时候用 asyncio

3.4.2 什么时候不用

3.5 Agent的眼睛和耳朵

3.5.1 文件读写：Agent记日志、读配置

3.5.2 网络请求：Agent调用外部API

3.6 本章小结

✅ 知识点检查

📚 延伸阅读

🎯 下一章预告