🚀 Day 1 · 环境搭建 + LLM 首次调用

✅ 任务清单

• ☐ Step 1: 环境准备（15 分钟）
• ☐ Step 2: 火山方舟开通 + 拿 API Key（10 分钟）
• ☐ Step 3: 配置 .env（5 分钟）
• ☐ Step 4: Demo 1 — 单轮对话（30 分钟）
• ☐ Step 5: Demo 2 — 多轮对话 + Streaming（40 分钟）
• ☐ Step 6: 小挑战 · 打印 token 消耗（选做，20 分钟）
• ☐ 提交代码到 Git（5 分钟）

Step 1 · 环境准备

# 进入项目目录
cd ~/Documents/practice/agents

# 创建 day1 目录
mkdir -p day1
cd day1

# 创建虚拟环境
python3 -m venv venv
source venv/bin/activate

# 你会看到终端前面多了 (venv) 前缀，表示激活成功

# 安装依赖
pip install openai python-dotenv

把依赖记录下来

pip freeze > requirements.txt

Step 2 · 火山方舟开通

1. 访问 火山方舟控制台
2. 左侧菜单找 "在线推理" → "创建推理接入点"
3. 选择模型：Doubao-1.5-pro-32k（推荐）或 Doubao-pro-32k
4. 创建后拿到 接入点 ID，形如 ep-2024xxxx-xxxxx
5. 顶部菜单 "API Key 管理" → 创建 API Key

Step 3 · 配置 .env

在 day1/ 目录下创建 .env 文件：

ARK_API_KEY=你的APIKey
ARK_ENDPOINT_ID=你的接入点ID
ARK_BASE_URL=https://ark.cn-beijing.volces.com/api/v3

再创建一个 .env.example（这个会提交到 Git，让别人知道格式）：

ARK_API_KEY=your_api_key_here
ARK_ENDPOINT_ID=your_endpoint_id_here
ARK_BASE_URL=https://ark.cn-beijing.volces.com/api/v3

Step 4 · Demo 1 · 单轮对话

创建 demo1_single_chat.py：

"""
Demo 1: 单轮对话
最小可运行的 LLM 调用
"""
import os
from openai import OpenAI
from dotenv import load_dotenv

# 加载 .env 里的环境变量
load_dotenv()

# 初始化客户端（火山方舟兼容 OpenAI SDK）
client = OpenAI(
    api_key=os.getenv("ARK_API_KEY"),
    base_url=os.getenv("ARK_BASE_URL"),
)

# 发起对话
response = client.chat.completions.create(
    model=os.getenv("ARK_ENDPOINT_ID"),  # 火山用 endpoint_id 作为 model 参数
    messages=[
        {"role": "system", "content": "你是一个简洁友好的编程助手，回答不超过 100 字。"},
        {"role": "user", "content": "请用一句话解释什么是 Agent。"},
    ],
)

# 打印结果
print("🤖 回答：", response.choices[0].message.content)
print("\n📊 Token 消耗：", response.usage)

运行

python demo1_single_chat.py

预期输出

🤖 回答： Agent 是能自主感知环境、决策并调用工具完成任务的智能程序。
📊 Token 消耗： CompletionUsage(completion_tokens=20, prompt_tokens=35, total_tokens=55)

Step 5 · Demo 2 · 多轮对话 + Streaming

这是 Agent 的雏形——能记住上下文 + 实时输出（体验更好）。

创建 demo2_chat_loop.py：

"""
Demo 2: 多轮对话 + Streaming
理解 messages 数组是如何"累积"上下文的
"""
import os
from openai import OpenAI
from dotenv import load_dotenv

load_dotenv()

client = OpenAI(
    api_key=os.getenv("ARK_API_KEY"),
    base_url=os.getenv("ARK_BASE_URL"),
)

# 对话历史 —— Agent 的"短期记忆"
messages = [
    {"role": "system", "content": "你是一个耐心的编程导师，擅长 Python 和 Go。"},
]

print("💬 开始对话（输入 'exit' 退出，'clear' 清空历史）\n")

while True:
    # 1. 拿用户输入
    user_input = input("你: ").strip()
    if user_input.lower() == "exit":
        print("👋 再见！")
        break
    if user_input.lower() == "clear":
        messages = messages[:1]  # 保留 system prompt
        print("🧹 历史已清空\n")
        continue
    if not user_input:
        continue

    # 2. 加进历史
    messages.append({"role": "user", "content": user_input})

    # 3. 调用 LLM（stream=True 让它一个字一个字吐出来）
    stream = client.chat.completions.create(
        model=os.getenv("ARK_ENDPOINT_ID"),
        messages=messages,
        stream=True,
    )

    # 4. 边收边打印，同时拼接完整回复
    print("🤖 助手: ", end="", flush=True)
    full_reply = ""
    for chunk in stream:
        delta = chunk.choices[0].delta.content
        if delta:
            print(delta, end="", flush=True)
            full_reply += delta
    print("\n")

    # 5. 把 LLM 的回复也加进历史 —— 这样下一轮它才"记得"
    messages.append({"role": "assistant", "content": full_reply})

测试"记忆"

python demo2_chat_loop.py

你: 我叫小明，在学 Go。
🤖 助手: 你好小明！...

你: 我叫什么名字？在学什么？
🤖 助手: 你叫小明，在学 Go 语言。   ← 记忆生效 ✅

你: clear
🧹 历史已清空

你: 我叫什么？
🤖 助手: 抱歉，我不知道...   ← 清空后"失忆"

🎯 Step 6 · 小挑战（选做）

改造 demo2，加一个功能：

每轮对话结束后，打印本轮消耗的 token 数和累计 token 数

🧠 今日核心概念

✅ 验收标准

收工前，你应该能：

1. ✅ 解释为什么第二轮对话 LLM 能"记住"第一轮的内容
2. ✅ 说出 system / user / assistant 三个 role 各是干嘛的
3. ✅ 两个 demo 都能跑通

🆘 常见问题

📦 收工提交

Day 1 完成后，把代码提交到 Git：

cd ~/Documents/practice/agents

# 检查有哪些新文件（.env 应该被 .gitignore 屏蔽）
git status

# 添加 & 提交
git add day1/
git commit -m "Day 1: 环境搭建 + LLM 首次调用（单轮 + 多轮 Streaming）"

# 推送
git push

🎉 明天预告：Day 2

让 LLM 学会 调用工具——这是 Agent 从"聊天机器人"升级为"能做事的助手"的关键一步。你会写一个能：

• 读你本地文件的 Agent
• 查询当前时间的 Agent
• 理解完整的 tool_calls → tool_result 循环