如何构建一个简易流程的大模型智能体（agent）？

下面是一个使用 Rig 构建的简单 Agent 示例。它定义了一个计算工具，并让 Agent 自主决定是否调用它。 为什么不用langChain？ 这个问题放到最后说 1 核心代码示例 在 Cargo.toml 中，只需要 rig-core 和 tokio。 use rig::{completion::Prompt, providers::openai}; use serde::{Deserialize, Serialize}; // 1. 定义工具的输入参数（强类型，类似 Java 的 DTO） #[derive(Deserialize, Serialize, JsonSchema)] struct AddArgs { x: i32, y: i32, } #[tokio::main] async fn main() -> Result<(), Box<dyn std::error::pub_error::Error>> { // 2. 初始化客户端 (这里以 OpenAI 为例，也支持 Gemini/Claude) let client = openai::Client::from_env(); // 3. 定义一个工具 (Tool) // 在 Rust 里，工具就是一个带有元数据的函数 let add_tool = rig::tool::Tool::new( "add", "Adds two numbers together", |args: AddArgs| async move { Ok(args.x + args.y) }, ); // 4. 构建 Agent (典型的 Builder 模式) let agent = client .agent("gpt-4o") .preamble("你是一个精通数学的助手。") .tool(add_tool) // 注册工具 .build(); // 5. 提示并运行 let response = agent.prompt("请问 123 加上 456 等于多少？").await?; println!("Agent 回复: {}", response); Ok(()) } 简单不简单 JsonSchema 派生宏： 在 Rust 里，通过 #[derive(JsonSchema)]，Rig 会自动生成 LLM 需要的 JSON 描述。这比 Python 里手动写描述字符串要安全得多，修改字段名时编译器会帮你检查。 异步原生 (Tokio)：由于 Agent 往往需要等待网络 IO（模型响应、API 调用），Rig 基于 tokio 构建，能完美集成到你的高性能后端服务中。 零碎抽象：Rig 不像 LangChain 那样强迫你学习 Chain、Memory、OutputParser 等几十个概念。它认为 Agent = Model + Prompt + Tools。这种扁平化设计让调试变得非常简单。 2 简易流程 既然第四步请求了gpt为什么第三步还要创建一个函数，难道gpt会使用这个函数吗？ 当然! 这是非常关键的一个点，也是 Agent（智能体） 与普通 Chatbot（聊天机器人） 的本质区别。 答案是：GPT 可能会发出了一个“调用指令”。 这里把这个过程拆解为三个阶段（这在 Java 中类似于远程过程调用 RPC 或反射）： 1. 宣告能力 在第 4 步 build() 时，Rig 会把第 3 步定义的工具元数据（函数名：add，描述：Adds two numbers together，参数结构：x, y）转换成一个 JSON Schema，并随问题一起发给 GPT。 发送给 GPT 的隐藏信息： “用户问了：123+456 等于多少？另外，我这有一个工具叫 add(x, y)，如果你觉得用得着，可以告诉我。” 2. 逻辑决策 GPT 接收到请求后，它不会直接回答“答案是 579”。它会分析语义，发现自己需要做数学运算，于是它不返回文本，而是返回一个 Function Call 请求。 GPT 返回给 Rig 的信号： { "call": "add", "arguments": { "x": 123, "y": 456 } } 3. 本地执行 这时候，Rig 框架（在你的 Rust 程序里）收到了这个信号。