企业官网建设流程全解析

最近和几个团队聊 LLM Agent 的架构选型，发现一个很典型的分歧：有人觉得 Python 加一个 Agent 框架就够了，有人坚持把 Agent 当作独立的领域模型来做，还有人已经在 Elixir 的进程模型里折腾“每个 Agent 一个进程”的方案。

我的建议是，在选定框架之前，先做一个更小、也更诚实的小练习：把同一个带工具调用的 LLM Agent，分别用 Python、Clojure、Elixir 写一遍，只做最核心的工具调用主循环。

这个练习看起来有点“炫技”，但实际做下来价值很高。你会发现，跨语言实现 Agent 得到的不是语法比较，而是同一时间看到 Agent 的三个切面：Python 所代表的命令式状态管理、Clojure 所代表的数据驱动递归、Elixir 所代表的消息并发模型。这层心智模型，换到任何 Agent 框架后都不会过时。

这篇文章把三份可运行的代码、环境准备、运行方法和工程建议完整拆开。无论你最后用不用 Clojure 或 Elixir，这套“工具调用、消息回填、循环终止”的核心逻辑都是绕不开的。

1. 为什么要用三种语言写同一个 LLM Agent

先明确一个容易混淆的问题：标题里的“Modeling”，不是让模型给自己建模，而是开发者如何用代码描述一个 LLM Agent 的运作方式。

很多刚接触 Agent 的开发者会把大量时间花在提示词上，觉得只要把 prompt 写得足够好，模型就能自动完成任务。但当你进入真实项目，会立刻发现瓶颈不在“模型会不会理解”，而在“你的代码能不能正确完成一次模型和工具之间的往返”。

例如用户问：“北京今天需要带伞吗？”

一次完整的 Agent 流程可能是：

1. 模型先决定调用get_current_weather。
2. 模型返回一个结构化的工具调用，而不是直接输出“我不知道”。
3. 你的代码执行天气查询，拿到结果。
4. 代码把天气结果作为tool角色消息回填给模型。
5. 模型阅读结果后，给出最终回答：“北京今天晴天，不需要带伞。”

这套流程无论用什么语言实现，本质都相同。但不同语言会让开发者以不同的方式思考状态、数据和并发：

• Python 更适合快速实现“面向对象 + 可变状态”的直观流程；
• Clojure 强制你把 Agent 当作不可变数据和递归函数来组织；
• Elixir 则把 Agent 放到 BEAM 的进程模型里，让你天然关注隔离和并发。

所以，这篇文章真正解决的问题是：当你不依赖任何重量级 Agent 框架时，如何用最朴素的 HTTP 请求实现一个最小 Agent，并判断哪种语言的工程风格更适合你的团队。

如果你正准备从 Python 转向函数式语言，或者需要在现有 Clojure/Elixir 系统中接入 LLM，这篇文章可以直接给出一个最低可行实现。

2. LLM Agent 的基础共识：角色、消息、工具与主循环

在看代码之前，先把 Agent 的基础概念压缩到最小。

2.1 Agent 的核心组成

一个带工具调用能力的 Agent，至少包含四部分：

• 模型：承担意图理解和工具选择，通常通过 Chat Completions 一类的接口调用。
• 工具：模型可以调用的外部函数，例如天气查询、数据库查询、订单查询。
• 消息历史：系统消息、用户消息、助手消息、工具消息按顺序组成的数组。
• 主循环：判断模型返回的是最终文本还是工具调用，并循环执行。

把 Agent 简化成“模型 + 工具 + 循环 + 状态”，是跨语言建模最有效的思路。它避免了一上来就纠缠于复杂的多智能体框架。

2.2 工具调用协议：function calling

模型本身没有“执行函数”的能力。模型能做的是输出一个结构化 JSON，告诉你的代码“应该调用哪个函数、参数是什么”。

这套机制通常称为 function calling 或 tool calling。请求时，你把工具描述放在tools参数里：

[ { "type": "function", "function": { "name": "get_current_weather", "description": "查询某个城市的实时天气", "parameters": { "type": "object", "properties": { "city": { "type": "string", "description": "城市名，例如：北京" } }, "required": ["city"] } } } ]

模型返回的内容里，可能包含tool_calls，例如：

{ "id": "call_123", "type": "function", "function": { "name": "get_current_weather", "arguments": "{\"city\": \"北京\"}" } }

注意，arguments是一个字符串，不是对象。落地时第一步是解析这个字符串，否则很容易出现 JSON 解析失败。

2.3 为什么消息顺序不能乱

工具调用要求消息顺序非常严谨。一次成功的历史应该长这样：

容易出现的问题是两个：一是客户端收到tool_calls后，没有把 assistant 消息放回历史，二是执行完工具后，没有把tool消息放回历史。这两种错都会导致模型无法“看到”自己刚才调用过什么工具。

2.4 主循环的等价结构

如果用伪代码描述 Agent 主循环，几乎所有语言都是同一张图：

用户输入 → 请求模型 → 有 tool_calls？ → 是：执行工具，把结果作为 tool 消息追加 → 否：返回最终文本 → 继续循环，直到达到最大轮数

后面的三份实现，本质上是同一张结构图在三种语言里的翻译。

3. 环境准备：一套 OpenAI 兼容协议跑三个运行时

为了减少环境差异，三份示例统一使用兼容POST /v1/chat/completions的接口。目前很多模型服务商和本地推理工具都支持这个协议，你只需要把地址、模型名、密钥替换成自己的。

示例中使用以下环境变量：

export LLM_BASE_URL="http://localhost:11434/v1" export LLM_MODEL="your-model-name" export LLM_API_KEY="your-api-key"

如果你的服务不需要密钥，也可以填任意值，但建议保留变量，避免代码里硬编码密钥。

三个语言的基础环境要求如下：

如果你只是想把流程先跑通，我建议先用本地模型或公司内部已部署的模型服务，不要在公共网络环境中随意泄露 API Key。密钥只能通过环境变量提供，不要提交到 Git 仓库。

本文重点关注通用思路，所以模型名保持为占位符，实际使用时请替换成你的模型服务商可用的值。

4. 用 Python 建模：最小依赖的命令式 Agent

Python 是 Agent 生态最丰富的语言，但这并不意味着必须依赖 LangChain 之类的框架。先用自己的代码实现一遍主循环，反而能避免“被框架遮住核心逻辑”。

下面是一个只依赖requests的最小实现。

# 文件：python_agent.py import json import os import requests MODEL = os.getenv("LLM_MODEL", "your-model-name") API_KEY = os.getenv("LLM_API_KEY", "") BASE_URL = os.getenv("LLM_BASE_URL", "http://localhost:11434/v1") MAX_STEPS = 5 TOOLS = [ { "type": "function", "function": { "name": "get_current_weather", "description": "查询某个城市的实时天气", "parameters": { "type": "object", "properties": { "city": { "type": "string", "description": "城市名，例如：北京" } }, "required": ["city"], }, }, }, { "type": "function", "function": { "name": "get_product_price", "description": "查询某个商品的当前价格", "parameters": { "type": "object", "properties": { "product_id": { "type": "string", "description": "商品编号" } }, "required": ["product_id"], }, }, }, ] def get_current_weather(city: str) -> str: # 实际项目中，这里应该调用真实的天气服务 return json.dumps( {"city": city, "weather": "晴", "temperature": 22}, ensure_ascii=False, ) def get_product_price(product_id: str) -> str: # 实际项目中，这里应该查询商品系统 return json.dumps( {"product_id": product_id, "price": 499, "currency": "CNY"}, ensure_ascii=False, ) def execute_tool(tool_name: str, arguments_text: str) -> str: """把模型输出的 arguments 字符串解析成真正的函数参数。""" try: args = json.loads(arguments_text) if tool_name == "get_current_weather": return get_current_weather(**args) if tool_name == "get_product_price": return get_product_price(**args) return json.dumps({"error": f"unknown tool