亲手造一个AI Agent CLI没你想的难，用python就够了

用户: "帮我看看 backend 里有多少个 pytest 文件"
Agent 第 1 轮思考: 需要枚举文件  → 调用工具 run_shell("dir backend\\test_*.py /s /b | find /c /v \"\"")   # Windows  → 得到结果: 42
Agent 第 2 轮: 已有足够信息，不再调工具  → 回复用户: "backend 目录下共有 42 个 pytest 文件"

messages = [system_prompt, user_question]
whilenot done:    response = LLM(messages, tools=available_tools)    messages.append(assistant_message)
if response.has_tool_calls:for each tool_call:            result = execute(tool_call)            messages.append(tool_result)        # 继续循环，让模型根据结果决定下一步else:        print(response.content)  # 最终答案break

┌─────────────────────────────────────────────────────────┐│                      agent_cli.py                        ││  CLI 入口：argparse / Rich REPL / Markdown 输出          │└──────────────────────────┬──────────────────────────────┘                           │ 创建 Agent，传入 user_input + Console┌──────────────────────────▼──────────────────────────────┐│                      agent/core.py                       ││  Agent 类：messages 历史、ReAct 循环、Rich verbose 输出   │└──────────┬───────────────────────────────┬──────────────┘           │                               │┌──────────▼──────────┐         ┌──────────▼──────────────┐│     agent/llm.py    │         │  agent/tools/registry.py ││ OpenAI 兼容 API 封装 │         │ 工具注册、schema、执行分发 │└─────────────────────┘         └──────────┬──────────────┘                                           │                              ┌────────────┼────────────┐                              │            │            │                         read_file    run_shell    write_file                         file_tools   shell_tools  file_tools

[1] role: system     → SYSTEM_PROMPT（含 OS 提示）[2] role: user       → "读取 README.md 并总结"[3] role: assistant  → tool_calls: [read_file(path="README.md")][4] role: tool       → tool_call_id=xxx, content="(文件内容...)"[5] role: assistant  → content="README 主要介绍了..."

ai-agent-cli/├── requirements.txt          # Python 依赖├── pytest.ini                # pytest 配置（pythonpath）├── .env.example              # API Key 模板（默认 DeepSeek）├── .env                      # 本地配置（勿提交 git）├── agent_cli.py              # 入口：python agent_cli.py├── agent/│   ├── core.py               # Agent 主循环│   ├── llm.py                # LLM 客户端封装│   ├── prompts.py            # System Prompt（含 OS 动态提示）│   └── tools/│       ├── registry.py       # 工具注册表│       ├── file_tools.py     # 读/写文件│       └── shell_tools.py    # 执行命令（含 Windows 编码处理）└── tests/    └── test_agent.py

mkdir ai-agent-cli && cd ai-agent-clipython -m venv .venv
# Windows.venv\Scripts\activate
# macOS / Linuxsource .venv/bin/activate

openai>=1.30.0python-dotenv>=1.0.0rich>=13.0.0pytest>=8.0.0

pip install -r requirements.txt

# DeepSeek（OpenAI 兼容）OPENAI_API_KEY=your-deepseek-keyOPENAI_BASE_URL=https://api.deepseek.com/v1OPENAI_MODEL=deepseek-v4-flash  # 更强推理：deepseek-v4-pro

cp .env.example .env   # Linux/macOScopy .env.example .env   # Windows

OPENAI_API_KEY=sk-xxxOPENAI_BASE_URL=https://api.openai.com/v1OPENAI_MODEL=gpt-4o-mini

from openai import OpenAIimport osfrom dotenv import load_dotenvload_dotenv()
client = OpenAI(    api_key=os.environ["OPENAI_API_KEY"],    base_url=os.getenv("OPENAI_BASE_URL", "https://api.openai.com/v1"),)resp = client.chat.completions.create(    model=os.getenv("OPENAI_MODEL", "gpt-4o-mini"),    messages=[{"role": "user", "content": "说 hello"}],)print(resp.choices[0].message.content)

[pytest]pythonpath = .

classLLMClient:def chat(self, messages: list, tools: list | None = None) -> ChatCompletion:        ...

{"type": "function","function": {"name": "read_file","description": "读取本地文件内容","parameters": {"type": "object","properties": {"path": {"type": "string","description": "文件绝对或相对路径"                }            },"required": ["path"]        }    }}

classAgent:    def __init__(self, max_steps=15, verbose=False, console=None):        self.console = console or Console()        ...
    def run(self, user_input: str) -> str:        self.messages.append({"role": "user", "content": user_input})
for step in range(self.max_steps):            response = self.llm.chat(self.messages, tools=self.registry.schemas)            msg = response.choices[0].message            self.messages.append(msg_to_dict(msg))
ifnot msg.tool_calls:return msg.content or""
for call in msg.tool_calls:                result = self.registry.execute(call)                self.messages.append({"role": "tool","tool_call_id": call.id,"content": result,                })
return"达到最大步数，任务未完成。"

import sys
_OS_HINT = (    "当前环境为 Windows：run_shell 请用 cmd/PowerShell 语法（如 dir *.py、where python），不要用 ls/find/grep。"    if sys.platform == "win32"    else"当前环境为 Unix：run_shell 可使用 bash 常用命令（ls、find、grep 等）。")
SYSTEM_PROMPT = f"""你是一个命令行 AI 助手，可以通过工具帮用户完成开发任务。
规则：1. 需要查看代码或文件内容时，使用 read_file。2. 需要执行命令时，使用 run_shell。3. 修改文件前先用 read_file 确认内容。4. 回答简洁，用中文。5. {_OS_HINT}"""