Building Your First AI Agent in Python with the OpenAI Agents SDK

KDnuggets

KDnuggets2026年10月26日

Building Your First AI Agent in Python with the OpenAI Agents SDK

6.9内容质量

TL;DR · AI 摘要

Building Your First AI Agent in Python with the OpenAI Agents SDK - KDnuggets publ: 26-Oct, 2026 - Blog Top Posts About...

核心要点

主题聚焦：Building Your First AI Agent in Python with the
来源：KDnuggets，建议结合原文判断细节。
AI 分析暂不可用，本条为保底评分与摘要。

#AI#编程#前端#后端#云计算

打开原文

使用OpenAI Agents SDK在Python中构建你的第一个AI代理 - KDnuggets

publ: 2026年10月26日

博客热门文章

主题 AI 职业建议计算机视觉数据工程数据科学语言模型机器学习 MLOps NLP 编程 Python SQL

数据集

活动

资源快速参考指南推荐技术简报

广告

订阅时事通讯

#header end

/ad_wrapper

使用OpenAI Agents SDK在Python中构建你的第一个AI代理

使用OpenAI Agents SDK在Python中构建你的第一个AI代理，通过一个简单的端到端工作流添加网络搜索、Python工具、对话记忆和追踪功能。

作者：

Abid Ali Awan，KDnuggets助理编辑，2026年10月26日，Python

现在用Python构建AI代理比以往任何时候都更容易。通过OpenAI Agents SDK，你可以创建代理、连接工具、维护对话状态，并运行多步骤工作流，而无需从头开始构建自己的工具调用循环。

在本教程中，我们将构建一个实用的研究代理，该代理可以搜索网络、调用自定义Python函数、记住之前的对话，并决定何时使用每种功能。

什么是AI代理？

标准的大型语言模型（LLM）应用程序通常遵循一个简单的流程：

提示 — 模型 — 响应

模型接收提示，生成答案，然后停止。

AI代理增加了工具和执行循环：

用户 — 代理 — 如果需要 — 工具 — 代理 — 最终响应

代理不再只是生成文本，而是可以决定是否需要先采取行动，例如搜索网络、调用Python函数或从记忆中检索信息。

通过OpenAI Agents SDK，Runner会自动管理这个过程。它向模型发送请求，执行任何请求的工具，将结果传回代理，并继续执行直到代理生成最终答案。

这种能够推理、使用工具并在多步骤中继续工作的能力，使代理区别于基本的LLM应用程序。

设置项目

在构建代理之前，让我们创建一个干净的Python环境并安装所需的一切。

使用uv创建Python项目：

code

mkdir first-ai-agent
cd first-ai-agent

uv init
uv add openai-agents

或者使用pip安装包：

code

pip install openai-agents

设置你的OpenAI API密钥：

code

export OPENAI_API_KEY="your-api-key"

在Windows上，export命令在Git Bash中有效。在命令提示符或PowerShell中，你可以使用：

code

setx OPENAI_API_KEY "your-api-key"

构建你的第一个代理

现在我们可以将几行Python代码转换为一个代理，该代理决定何时需要从网络获取最新信息。

创建main.py：

code

from agents import Agent, Runner, WebSearchTool

agent = Agent(
    name="Research Assistant",
    instructions=(
        "You are a concise research assistant. "
        "Use web search when current information is required."
    ),
    tools=[WebSearchTool()],
)

result = Runner.run_sync(
    agent,
    "What are the latest developments in Python?"
)

print(result.final_output)

运行它：

code

uv run main.py

输出:

code

截至 **2026 年 9 月 14 日**，主要的 Python 开发进展如下：
- **Python 3.14 是最新的稳定功能系列**；最新维护版本是 **3.14.7**。它新增了官方支持的多线程构建、延迟注解评估、模板字符串字面量（`t""`）等功能。
- **Python 3.15 即将发布**：最终版本计划于 **2026 年 10 月 1 日** 发布。

对于新项目，**Python 3.14.7** 目前是默认的最安全选择。

WebSearchTool() 是一个托管的 OpenAI 工具，因此模型可以自行决定何时需要当前信息，而无需你手动调用搜索 API。

例如，我们的运行流程正确识别了 Python 3.14.7 作为当前稳定版本。

添加你自己的 Python 工具

网络搜索很有用，但当代理还能与你自己的 Python 代码交互时，其能力会显著提升。

添加一个计算工具：

code

from agents.decorators import tool

@tool
def calculate_total(
    price: float,
    quantity: int
) -> float:
    """计算订单总成本。"""

    return price * quantity

然后将其交给代理：

code

agent = Agent(
    name="Assistant",
    instructions="协助研究和计算。",
    tools=[
        WebSearchTool(),
        calculate_total,
    ],
)

进行测试：

code

result = Runner.run_sync(
    agent,
    "我需要 14 个每小时 2.49 美元的 GPU，"
    "每小时总成本是多少？"
)

print(result.final_output)

code

14 个 GPU × 2.49 美元/小时 = **每小时 34.86 美元**。

SDK 会自动使用函数名称、参数、类型提示和文档字符串来创建模型可理解的工具模式。你无需手动定义 JSON 模式或编写工具调用循环。

提示：编写清晰的文档字符串，因为它们能帮助模型理解工具的功能及其使用场景。

添加对话记忆

一个实用的代理不应在下一条消息到达时忘记所有内容，因此让我们为其添加对话记忆。

为了让代理具备对话能力，添加一个会话：

code

from agents import SQLiteSession

session = SQLiteSession(
    "user_1",
    "conversations.db"
)

然后将其传递给每次运行：

code

while True:
    message = input("你: ")

    if message.lower() in {"exit", "quit"}:
        break

    result = Runner.run_sync(
        agent,
        message,
        session=session,
    )

    print("代理:", result.final_output)

现在尝试：

第二次请求会自动接收之前的对话内容，因此代理能理解“最新版本”所指的内容。

由于我们使用了基于文件的 SQLite 数据库，重启程序后历史记录也可以持久化保存。

对于更大规模的应用，SDK 还提供了针对 Redis、SQLAlchemy 和 MongoDB 等系统的会话后端。

完整代理的工作原理

到目前为止，所有组件都已整合：

代理决定采取什么行动，Runner 执行代理循环和任何请求的工具，会话则在请求之间保留对话历史。

以下是完整的 main.py 文件：

code

import os
import sys

from agents import Agent, Runner, SQLiteSession, WebSearchTool
from agents.decorators import tool

@tool
def calculate_total(
    price: float,
    quantity: int
) -> float:
    """Calculate the total cost of an order."""

    return price * quantity

def main() -> None:
    if not os.environ.get("OPENAI_API_KEY"):
        sys.exit(
            "Error: set the OPENAI_API_KEY environment variable first."
        )

    agent = Agent(
        name="Assistant",
        instructions="""
        Help the user with research and calculations.
        Use the available tools when necessary.
        """,
        tools=[
            WebSearchTool(),
            calculate_total,
        ],
    )

    session = SQLiteSession(
        "user_1",
        "conversations.db"
    )

    try:
        while True:
            try:
                message = input("You: ")
            except (EOFError, KeyboardInterrupt):
                print()
                break

            command = message.strip().lower()

            if command in {"exit", "quit"}:
                break

            if not command:
                continue

            try:
                result = Runner.run_sync(
                    agent,
                    message,
                    session=session,
                )
            except Exception as exc:
                print(
                    f"Agent error "
                    f"({type(exc).__name__}): {exc}"
                )
                continue

            print("Agent:", result.final_output)

    finally:
        session.close()

if __name__ == "__main__":
    main()

这为我们提供了一个小型但完整的会话代理，具备网络搜索功能、自定义的 Python 工具、持久化记忆、基本的错误处理以及连续的聊天界面。

Agents SDK 默认启用了追踪功能，这在工作流程变得更加复杂时特别有用。追踪功能可让您检查模型调用、工具使用、交接和其他代理运行期间的步骤。

您可以在 OpenAI 仪表板中查看这些追踪信息，以了解代理是如何得出答案的、选择了哪些工具以及问题发生在哪里。这使得追踪在调试工具调用行为和改进代理指令方面特别有用。

最后的想法

构建第一个 AI 代理更多是赋予模型执行有用操作的能力，而不是创建一个复杂的自主系统。

在本指南中，我们从一个简单的代理开始，添加了网络搜索功能，连接了一个自定义的 Python 工具，引入了持久化的对话记忆，并最终在包含追踪和错误处理的完整应用程序中整合了所有内容。

这个基础已经足够构建出令人惊讶的强大工作流程。从这里开始，随着应用程序的增长，您可以逐步添加 API、MCP 服务器、防护措施、交接、更多专用工具和额外的代理。

模式保持不变：为代理提供合适的工具，让它决定何时使用这些工具，而 Agents SDK 则处理执行循环。

从小规模开始，先让一个工作流程变得有用，只有在真正需要更多复杂性时才进行扩展。

Abid Ali Awan（@1abidaliawan）是一位认证的数据科学家，热爱构建机器学习模型。目前，他专注于内容创作，并撰写关于机器学习和数据科学技术的博客文章。Abid拥有技术管理硕士学位和电信工程学士学位。他的愿景是为有心理疾病困扰的学生构建一个基于图神经网络的AI产品。

有关此主题的更多内容

使用Claude Agent SDK入门

构建和部署首个自主代理的7个步骤

将OpenAI Codex转化为强大AI编码代理的5个技巧

使用Docker Agent构建AI代理

构建强大AI代理的5大代理技能市场

使用代理开发工具包构建生产级AI代理

<hr class="grey-line"><br> <div><h3>我们推荐的5门免费课程</h3><br> </div>

WordPress的Mailchimp插件v4.14.1 - https://wordpress.org/plugins/mailchimp-for-wp/

/ WordPress的Mailchimp插件

您可以从这里开始编辑。

如果评论已关闭。

<= 上一篇

下一篇 =>

#content end

Building Your First AI Agent in Python with the OpenAI Agents SDK

TL;DR · AI 摘要

核心要点

使用OpenAI Agents SDK在Python中构建你的第一个AI代理 - KDnuggets

使用OpenAI Agents SDK在Python中构建你的第一个AI代理

什么是AI代理？

设置项目

构建你的第一个代理

添加你自己的 Python 工具

添加对话记忆

完整代理的工作原理

最后的想法

有关此主题的更多内容

最新文章

热门文章