在 LlamaIndex 中，agent 是一段由 LLM 驱动的半自主软件：它接到一个任务，然后执行一系列步骤来逐步完成它。它被配备一组工具——从任意函数到完整的 LlamaIndex 查询引擎都可以——并为每一个步骤挑选最合适的工具。每完成一步，agent 会判断任务是否已经完成：完成就把结果返回给用户，否则回到起点再来一轮。

在 LlamaIndex 里，你可以从零构建自己的智能体工作流（见「构建 Workflows」一节），也可以使用我们预置的智能体工作流，比如 FunctionAgent（一个简单的函数/工具调用 agent）或 AgentWorkflow（能管理多个 agent 的 agent）。本教程讲的是用 FunctionAgent 构建一个函数调用 agent。

想了解构建多智能体系统的各种方式，请转到「多智能体系统」。

入门

以上全部代码可以在 agents 教程仓库 找到。

为了避免依赖冲突、保持环境干净，我们新建一个 Python 虚拟环境。用哪个虚拟环境管理器都行，这里用 poetry：

终端窗口

poetry init
poetry shell

然后安装 LlamaIndex 库，以及另外几个会用得上的依赖：

终端窗口

pip install llama-index-core llama-index-llms-openai python-dotenv

如果这些步骤遇到麻烦，请看我们更详尽的安装指南。

OpenAI Key

我们的 agent 将由 OpenAI 的 gpt-4o-mini 驱动，所以你需要一个 API key。拿到 key 之后，可以把它放进项目根目录的 .env 文件：

终端窗口

OPENAI_API_KEY=sk-proj-xxxx

如果不想用 OpenAI，你也可以使用其他任意 LLM，包括本地模型。不过 agent 需要能力足够强的模型，较小的模型可能可靠性较差。

引入依赖

先导入我们需要的 LlamaIndex 组件，并从 .env 文件加载环境变量：

from dotenv import load_dotenv

load_dotenv()

from llama_index.llms.openai import OpenAI
from llama_index.core.agent.workflow import FunctionAgent

创建基础工具

在这个简单示例里我们创建两个工具：一个知道怎么把数字相乘，一个知道怎么把它们相加。

def multiply(a: float, b: float) -> float:
    """Multiply two numbers and returns the product"""
    return a * b

def add(a: float, b: float) -> float:
    """Add two numbers and returns the sum"""
    return a + b

你可以看到，这些就是普通的 Python 函数。在决定用哪个工具时，agent 会借助工具的名称、参数和 docstring 来判断这个工具做什么、是否适合当前的任务。所以务必让 docstring 写得描述充分、有帮助。它还会用类型注解来判断期望的参数和返回类型。

初始化 LLM

今天负责干活的是 gpt-4o-mini：

llm = OpenAI(model="gpt-4o-mini")

你也可以选其他通过 API 提供的流行模型，比如 Mistral、Anthropic 的 Claude 或 Google 的 Gemini。

初始化 agent

现在创建 agent。它需要一个工具数组、一个 LLM，以及一段告诉它「该成为什么样的 agent」的系统提示词。你实际使用的系统提示词通常应该比这里的示例更详细！

workflow = FunctionAgent(
    tools=[multiply, add],
    llm=llm,
    system_prompt="You are an agent that can perform basic mathematical operations using tools.",
)

GPT-4o-mini 其实足够聪明，处理这样简单的算术并不需要用工具——这也是为什么我们在提示词里明确要求它使用工具。

除了 FunctionAgent，LlamaIndex 还提供了其他 agent，例如 ReActAgent 和 CodeActAgent，它们采用不同的提示词策略来执行工具。

提一个问题

现在我们可以让 agent 算一道题：

response = await workflow.run(user_msg="What is 20+(2*4)?")
print(response)

注意这是异步代码。它在 notebook 环境里可以直接跑；如果你想在普通 Python 里运行，需要把它包进一个异步函数，像这样：

async def main():
    response = await workflow.run(user_msg="What is 20+(2*4)?")
    print(response)

if __name__ == "__main__":
    import asyncio

    asyncio.run(main())

输出应该与下面类似：

The result of (20 + (2 times 4)) is 28.

提示

有些模型可能不支持流式 LLM 输出。流式默认是开启的，如果遇到报错，你随时可以用 FunctionAgent(..., streaming=False) 把它关掉。

最终代码应该长什么样，可以对照仓库里的这份文件。

恭喜！你已经构建了最基础的 agent。接下来学学如何使用预置工具。