背景与目的

当前主流 LLM 应用开发框架越来越多，如 LangChain、Dify、LlamaIndex、Semantic Kernel、Coze 等，效果更是每过几天就会给人一个大惊喜！

这些主流框架，复杂度也越来越高，刚入门的同学很多云里雾里，无从下手，本🤖 miniWeatherAgent 极简项目基于最原生的 Python，不使用任何开发框架，以天气 Agent 的极简项目，为大家展现出 Agent 开发框架的核心逻辑和设计理念，重点突出 Agent 的核心决策与调度逻辑，总代码仅 100 余行，一眼看懂 Agent 工作流程，目的在于让大家理解 LLM 应用开发框架的流程！

🤖 miniWeatherAgent 项目介绍

本项目为极简版，但内容完整：

极致精简：单文件、100 余行核心代码，无冗余、无嵌套、一眼看懂；
聚焦核心：移除所有非必要代码，重点突出 Agent 类的框架 + 大模型 3 大决策能力 + 工具注册与调用；
交互简单：循环命令行，输入即查询，输入 exit 即退出，无需复杂 UI；
保留思想：完全保留微软 Agent 的主体化、工具插件化、大模型驱动决策核心思想，是最轻量化的 Agent 实践。

🤖 miniWeatherAgent 项目流程

本项目 100 余行核心代码，完全保留了 Agent 项目框架的核心设计思想，Agent 的核心调度流程一步未少，完整的大模型驱动决策 + 工具调用，其流程图如下：

主要模块说明：

人机交互模块：1/10 步骤，循环命令行交互，接受用户问题，启动 Agent 流程。
weather\_agent 核心类：2-9 步骤，Agent 核心框架，完全 mini 式的保留主流 LLM 应用开发框架原逻辑，核心流程。
大模型远端服务：本项目采用本地部署 LM Studio，模型为 llama-3-8b（可以换成更大效果更好的模型）。具体的部署指导参见：幻 x2025 笔记本 LM Studio 部署指导书
tool 工具：本项目使用的工具集，weather\_tool，天气工具采用中国气象局（CMA）官网（weather.cma.cn）提供的非公开文档化天气查询接口（"https://weather.cma.cn/api/weather/view"）。具体参考文档后面详细介绍。

项目的核心是 Agent 作为中间层，连接用户、本地大模型、天气工具，全程由本地 llama-3-8b 大模型驱动决策，无需人工干预，整体执行流程为 7 步闭环，流程图如下：

用户在命令行 UI 输入问题 →

UI 将问题传递给 Agent 核心层 →
大模型判断是否需要调用天气工具 →

├─ 无需调用 → 3. 大模型直接生成拒绝回答（非天气问题）→ 6. UI 显示回答

└─ 需要调用 → 3. 大模型从问题中提取纯中文城市名 → 4. Agent 调用天气工具查询对应城市天气 → 5. 大模型整合天气结果生成自然语言回答 → 6. UI 显示格式化回答 → 7. 对话历史保存，支持多轮查询

🤖 miniWeatherAgent 项目结构

本项目是 Python 原生的 AI Agent 天气查询 mini 系统，核心基于 Agent 设计思想（Agent 主体 + 工具注册 + 大模型驱动决策）搭建，无复杂框架依赖，全程基于本地环境运行，整体分为 4 个核心模块，模块间解耦职责单一，适合 AI Agent 入门学习。

🤖miniWeatherAgent 项目为单文件代码，框架结构如下：

miniWeatherAgent项目
├─ 大模型： 本地部署LM Studio/大模型/API配置
├─ 工具层：weather_tool.天气查询工具，Agent的能力插件，提供天气查询核心功能
├─ Agent核心层：WeatherAgent，实现Agent主体逻辑（大模型决策+工具调用+结果生成）
└─ 交互层：循环命令行交互，提供用户与Agent的对话入口

这个单文件极简项目的技术栈遵循轻量核心、无冗余依赖，仅采用 Python 生态中最基础、最核心的库 / 工具实现 AI Agent 的完整流程，无复杂框架、无复杂的第三方服务依赖，所有技术栈围绕「本地大模型调用 + 天气 API 请求 + 命令行交互」三大核心需求搭建，整体技术栈分为核心开发语言、核心第三方依赖库、外部服务 / 工具三类，且每一个技术组件都承担明确的核心职责，无多余组件。

所用技术栈：

代码完整结构如下：

简要核心流程0️⃣1️⃣2️⃣3️⃣4️⃣5️⃣6️⃣7️⃣8️⃣9️⃣🔟（参见前面流程图）

import requests
from openai import OpenAI

0️⃣
# LM Studio 
# 天气API

# 天气工具
def get_weather(city):
    """极简天气查询工具：入参纯中文城市名，轻量判键避免崩溃"""
  
# Agent核心框架
client = OpenAI(base_url=LM_BASE_URL, api_key=LM_API_KEY)
class WeatherAgent:
    # Agent主体信息 + 工具注册（插件化核心思想）
    def __init__(self):
        self.tools = {"get_weather": (get_weather, "查询中国城市今日实时天气，用户问天气时必须调用")}
        ....
    # 大模型决策1：判断是否需要调用天气工具，仅返回True/False
    async def judge_tool_call(self, question):3️⃣
        return ....
      
    # 大模型决策2：从问题中提取纯中文城市名，无多余字符
    async def extract_city(self, question):5️⃣
        return ....
  
    # 大模型决策3：整合上下文生成符合Agent角色的自然语言回答
    async def generate_answer(self, question, context)
        prompt = f"你是..."7️⃣
        res = client.chat.completions.create(...8️⃣
        return ....
  
     # Agent核心调度流程（核心！完整体现大模型驱动+工具调用）
    async def chat(self, question):
        # 步骤1：大模型判断是否需要调用天气工具
        need_call = await self.judge_tool_call(question)2️⃣
        if need_call:
            # 步骤2：大模型从问题中提取城市名参数
            city = await self.extract_city(question)4️⃣
            # 步骤3：调用注册的天气工具，获取结构化天气数据
            weather_info = self.tools["get_weather"][0](city)6️⃣
        else:
            # 非天气问题，构造拒绝回答的上下文
        # 步骤4：大模型整合上下文，生成最终自然语言回答
        return await self.generate_answer(question, context)9️⃣

# 循环命令行交互
async def main():
    agent = WeatherAgent()
    print("===== 极简本地天气AI Agent（命令行版） =====")
    print("使用说明：输入天气问题查询（如：今天上海的天气如何？），输入exit退出程序\n")
    while True:
        user_question = input("你：")
        # 输入exit/EXIT退出循环
        if user_question.strip().lower() == "exit":
            print("Agent：再见！")
        # 调用Agent核心方法，获取回答并打印
        agent_answer = await agent.chat(user_question)1️⃣
        print(f"Agent：{agent_answer}")🔟

# 程序入口
if __name__ == "__main__":
    import asyncio
    asyncio.run(main())

🤖 miniWeatherAgent 代码详解

以下分别按照 miniWeatherAgent 项目的主体结构，分别详细代码介绍：

miniWeatherAgent 项目 ├─ 工具层：weather\_tool.天气查询工具，Agent 的能力插件，提供天气查询核心功能 ├─ Agent 核心层：WeatherAgent，实现 Agent 主体逻辑（大模型决策 + 工具调用 + 结果生成） ├─ 交互层：循环命令行交互，提供用户与 Agent 的对话入口 └─ 大模型：本地部署 LM Studio/大模型/API 配置

项目依赖&配置

import requests              # 调用天气API的HTTP协议模块
from openai import OpenAI    # 调用 LM Studio模块

# ====================== 1. 项目依赖&配置 ======================
LM_BASE_URL = "http://127.0.0.1:1234/v1"  # LM Studio本地地址
LM_API_KEY = "sk123456"                   # 占位符，无实际作用
LM_MODEL = "llama-3-8b"                   # 本地大模型名，与LM Studio一致
TEMPERATURE = 0.1                         # 大模型温度，0.1结果更确定
MAX_TOKENS = 1024                         # 大模型最大生成令牌数
BAIDU_WEATHER_URL = "https://weather.cma.cn/api/weather/view"  # 天气API

本项目只涉及 2 个第三方依赖库，如下：

工具层：weather_tool.天气查询工具

# 2. 天气工具 ======================================================================
def get_weather(city):
    # 极简天气查询工具：入参纯中文城市名，轻量判键避免崩溃
    # 清洗城市名，去除空格/冗余字符，避免用户输入"上海市"/"上 海"导致查询失败
    city = city.strip().replace("市", "").replace("省", "").replace("自治区", "")
    # 构造请求
    params = {"stationid": "", "cityname": city, "province": ""}
    headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) Chrome/120.0.0.0"}
    # 调用API并解析（无复杂异常处理，仅基础取值）
    response = requests.get(BAIDU_WEATHER_URL, params=params, headers=headers, verify=False)
    data = response.json()
    # 轻量判键，避免KeyError崩溃（仅保证程序运行，不做复杂异常处理）
    wd = data.get("data", {})
    real = wd.get("realtime", {})
    fore = wd.get("forecast", [{}])[0]
    # 格式化返回（无数据则显示"未知"）
    return f"""【{city}今日天气】 
                实时温度：{real.get('temp', '未知')}℃ 
                天气状况：{real.get('weather', '未知')} 
                风力风向：{real.get('windDir', '未知')}{real.get('windPower', '未知')}级 
                相对湿度：{real.get('humidity', '未知')}% 
                今日气温：{fore.get('tempMin', '未知')}℃ ~ {fore.get('tempMax', '未知')}℃ 
            """

本段代码逻辑思路：清洗入参 city -> 构造调用 API 请求 -> 调用 API -> 解析 -> 格式化返回

其中最关键的在 data = response.json() 返回的 Json 结构体，在返回格式化时需要做好匹配，json 格式如下：

{"success": true, // 接口调用状态（true=成功，false=失败） "data": { "city": { // 城市基础信息 "cityName": "上海", "provinceName": "上海" }, "realtime": { // 实时天气数据（核心，项目中解析的 real 字段） "temp": "22", // 实时温度（℃） "weather": "多云", // 实时天气状况 "windDir": "东风", // 风向 "windPower": "3", // 风力（级） "humidity": "65" // 相对湿度（%） }, "forecast": [ // 预报数据（数组，第一个元素为今日预报） { "tempMin": "18", // 今日最低温（℃） "tempMax": "25", // 今日最高温（℃） "weatherDay": "多云", // 日间天气 "weatherNight": "阴" // 夜间天气 } ] }, "msg": "success" // 状态描述（失败时返回错误信息） }

Agent 核心层：WeatherAgent
Agent 主体信息 + 工具注册

class WeatherAgent:
    def __init__(self):
        # Agent主体信息 + 工具注册（插件化核心思想）
        self.name = "WeatherAgent" # Agent名称
        self.role = "专业的天气查询助手，仅回答中国城市天气，非天气问题直接拒绝"  # Agent角色
      
        # 工具注册（核心：Agent的能力插件，字典格式：{工具名: (工具函数, 工具描述)}）
        # 后续新增工具时，仅需在此注册，无需修改核心逻辑，解耦工具与Agent
        self.tools = {
            "get_weather": (
                get_weather, 
                "查询中国城市今日实时天气，用户问天气时必须调用"
            )
        }

本段代码逻辑思路：定义 Agent 主体信息（name / role）-> 工具注册（tools）

关键点：工具注册

Agent 的能力插件，字典格式：

{工具名: (工具函数, 工具描述)}）# 后续新增工具时，仅需在此注册，无需修改核心逻辑，解耦工具与 Agent

self.tools = {
     "get_weather": (
           get_weather,  # 天气查询工具函数，详见 工具层：weather_tool.天气查询工具
           "用于查询中国任意城市的今日实时天气和气温预报，用户问天气时必须调用"  # 工具描述（给大模型的提示）
     )
}

大模型决策 1：判断是否需要调用天气工具

class WeatherAgent:
    ...
    async def judge_tool_call(self, question):
        # 大模型决策1：判断是否需要调用天气工具，仅返回True/False
        prompt = f"判断用户问题是否需要查询天气，仅返回True或False，无任何其他内容。用户问题：{question}"
        res = client.chat.completions.create(
            model=LM_MODEL,
            messages=[{"role": "user", "content": prompt}],
            temperature=TEMPERATURE,
            max_tokens=10
        )
        return "TRUE" in res.choices[0].message.content.strip().upper()

本段代码逻辑思路：构建 prompt -> 调用 LM Studio 请求 -> 返回结果

本段代码的核心，把用户输入作为上下文，构造 prompt，询问大模型，由本地大模型自主判断，是否需要调用天气工具，仅返回 True/False

构建 prompt：

构造大模型提示词（Prompt）：简洁明确，让大模型仅返回 True/False，避免冗余

prompt = f"判断用户问题是否需要查询天气，仅返回 True 或 False，无任何其他内容。用户问题：{question}"

调用 LM Studio 请求：

调用本地大模型（OpenAI 兼容接口，chat.completions.create 为固定方法）

# 调用本地大模型（OpenAI兼容接口，chat.completions.create为固定方法）           
response = client.chat.completions.create(
     model=LM_MODEL,  # 本地模型名，与LM Studio一致 
     messages=[{"role": "user", "content": prompt}],  # 消息格式：用户角色+提示词
     temperature=TEMPER,  # 温度值，0.1保证结果确定
     max_tokens=10,  # 仅需返回True/False，设置最小令牌数，提高速度
)

返回结果

判断结果：包含"TRUE"则返回 True，否则返回 False，清洗大模型返回结果（去除空格/大小写，避免大模型输出"true"/" True "等格式）

return "TRUE" in res.choices[0].message.content.strip().upper()

等同于：

# 清洗大模型返回结果（去除空格/大小写，避免大模型输出"true"/" True "等格式）
res = response.choices[0].message.content.strip().upper()
# 判断结果：包含"TRUE"则返回True，否则返回False
return "TRUE" in res

大模型决策 2：从问题中提取纯中文城市名

class WeatherAgent:
      ...
    async def extract_city(self, question):
        """大模型决策2：从问题中提取纯中文城市名，无多余字符"""
        prompt = f"提取用户问题中需要查询天气的城市名，仅返回纯中文，无任何其他字符。用户问题：{question}"
        res = client.chat.completions.create(
            model=LM_MODEL,
            messages=[{"role": "user", "content": prompt}],
            temperature=TEMPERATURE,
            max_tokens=20
        )
        return res.choices[0].message.content.strip()

本段代码逻辑思路：构建 prompt -> 调用 LM Studio 请求 -> 返回结果

本段代码的核心，把用户输入作为上下文，构造 prompt，询问大模型，由本地大模型自主判断，提取用户问题中的城市名称。

构建 prompt

构造大模型提示词：明确要求，让大模型仅返回城市名，避免输出多余内容

prompt = f"""请提取用户问题中要查天气的城市名，仅返回纯中文，无其他字，无则返回未知。用户问题：{question}"""

调用 LM Studio 请求：

调用本地大模型（OpenAI 兼容接口，chat.completions.create 为固定方法）

# 调用本地大模型（固定格式，与判断工具调用一致）           
 response = client.chat.completions.create( 
     model=LM_MODEL, 
     messages=[{"role": "user", "content": prompt}],
     temperature=TEMPER,
     max_tokens=20,  # 城市名最多2-3个字，设置最小令牌数
 )

返回结果

清洗结果：去除空格，返回纯中文城市名

return response.choices[0].message.content.strip()

大模型决策 3：整合上下文生成符合 Agent 角色的自然语言回答

class WeatherAgent:
      ...
    async def generate_answer(self, question, context):
        """大模型决策3：整合上下文生成符合Agent角色的自然语言回答"""
        prompt = f"你是{self.name}，你的角色是{self.role}，请根据给定的上下文简洁回答用户问题。用户问题：{question}，上下文：{context}"
        res = client.chat.completions.create(
            model=LM_MODEL,
            messages=[{"role": "user", "content": prompt}],
            temperature=TEMPERATURE,
            max_tokens=MAX_TOKENS
        )
        return res.choices[0].message.content.strip()

本段代码逻辑思路：构建 prompt -> 调用 LM Studio 请求 -> 返回结果

本段代码的核心，把用户输入作为上下文，构造 prompt，询问大模型，由本地大模型自主判断，优化和简洁用户问题的答案。

构建 prompt

构造大模型提示词：明确要求，由本地大模型整合上下文（天气结果/拒绝理由），生成友好的自然语言回答。

prompt = f"你是{self.name}，你的角色是{self.role}，请根据给定的上下文简洁回答用户问题。用户问题：{question}，上下文：{context}"

调用 LM Studio 请求：

res = client.chat.completions.create(
            model=LM_MODEL,
            messages=[{"role": "user", "content": prompt}],
            temperature=TEMPERATURE,
            max_tokens=MAX_TOKENS
        )

返回结果

清洗结果：去除空格，返回自然语言回答

return res.choices[0].message.content.strip()

Agent 核心调度流程

class WeatherAgent:
      ...
    async def chat(self, question):
        """Agent核心调度流程（核心！完整体现大模型驱动+工具调用）"""
        # 步骤1：大模型判断是否需要调用天气工具
        need_call = await self.judge_tool_call(question)
        if need_call:
            # 步骤2：大模型从问题中提取城市名参数
            city = await self.extract_city(question)
            # 步骤3：调用注册的天气工具，获取结构化天气数据
            weather_info = self.tools["get_weather"][0](city)
            context = weather_info
        else:
            # 非天气问题，构造拒绝回答的上下文
            context = "该问题不是天气查询问题，我仅能回答中国城市的今日天气查询，请输入天气相关问题"
        # 步骤4：大模型整合上下文，生成最终自然语言回答
        return await self.generate_answer(question, context)

本段代码逻辑思路：基于大模型思考用户问题是否是问天气？ -> 若是，让大模型提取城市 -> 调用天气工具 -> 基于工具返回的结果 -> 调用大模型润色出用户语言

本段代码的核心，是项目的核心大脑，整合 3 大决策能力（是否调用工具、提取参数、生成回答）+ 工具调用，实现 Agent 的核心逻辑，连接用户、本地大模型、天气工具，全程由本地 llama-3-8b 大模型驱动决策，无需人工干预，整体执行流程自闭环。

交互层：循环命令行交互

# ====================== 1/10. 循环命令行交互（极简交互） ======================
async def main():
    agent = WeatherAgent()
    print("===== 🤖 miniWeatherAgent 极简本地天气AI Agent（命令行版） =====")
    print("使用说明：输入天气问题查询（如：今天上海的天气如何？），输入exit退出程序\n")
    while True:
        user_question = input("问题：")
        # 输入exit/EXIT退出循环
        if user_question.strip().lower() == "exit":
            print("Agent：再见！")
            break
        # 调用Agent核心方法，获取回答并打印
        agent_answer = await agent.chat(user_question)
        print(f"🤖 miniWeatherAgent回答：{agent_answer}")

本段代码逻辑思路：UI 展示文字界面 -> while 循环处理用户问题 -> 调用 Agent 查询结果 -> 返回的结果

本段代码的核心，调用 Agent 核心方法，获取回答并打印：

agent_answer = await agent.chat(user_question)print(f"🤖 miniWeatherAgent 回答：{agent_answer}")

大模型：本地部署 LM Studio

本项目的大模型，是一个本地独立的服务，基于 LM Studio 本地服务：

# ====================== 1. 项目依赖&配置 ======================
LM_BASE_URL = "http://127.0.0.1:1234/v1"  # LM Studio本地地址
LM_API_KEY = "sk123456"                   # 占位符，无实际作用
LM_MODEL = "llama-3-8b"                   # 本地大模型名，与LM Studio一致
TEMPERATURE = 0.1                         # 大模型温度，0.1结果更确定
MAX_TOKENS = 1024                         # 大模型最大生成令牌数

LM Studio 本地服务管理如下：

项目启动时，通过如下对象连接到 LM Studio 本地服务 llama-3-8b 大模型：

client = OpenAI(base_url=LM_BASE_URL, api_key=LM_API_KEY)

大模型在本项目中的作用：

大模型驱动决策：是否调用工具、提取什么参数，完全由本地 llama-3-8b 判断，体现 AI Agent 的自主决策能力；
结果智能整合：大模型将天气工具返回的结构化数据，转化为用户易读的自然语言，体现 AI Agent 的结果处理能力；

tool（cma/api/weather/view 接口）介绍

声明：本接口只用于教学演示，请勿用于商业目的，任何纠纷和本文档无关。

该接口是中国气象局（CMA）官网（weather.cma.cn）提供的非公开文档化天气查询接口，属于气象局官网前端页面（如 “天气视图” 模块）的 “隐藏接口”—— 未在气象局官方开发者平台（如中国气象数据网）正式发布，而是通过网页抓包、格式测试等方式从官网交互逻辑中提取

基础调用格式（GET 请求）

http 调用方式：

GET https://weather.cma.cn/api/weather/view?stationid=${stationId}&cityname=${cityname}&province=${province}

请求方式：仅支持 GET，不支持 POST 等其他方式；
协议：支持 HTTPS（推荐，避免数据传输风险），也可使用 HTTP（部分旧场景）。

关键参数说明（3 个核心参数，非全部必填）

特殊规则：

参数优先级：stationid > cityname（若同时传，优先按 stationid 查询）；
空参数兼容：若仅传 cityname，接口会自动匹配对应城市的监测站；若 3 个参数均为空，接口返回 IP 属地城市 的天气数据（如搜索摘要 1 所述）。

返回数据格式（JSON）

接口返回结构化 JSON 数据，核心包含 “实时天气”“今日预报”“城市信息” 3 类数据，简化示例如下（与你的项目 get_weather 函数解析逻辑对应）：

json 块：

{"success": true,  // 接口调用状态（true=成功，false=失败）
 "data": {
    "city": {      // 城市基础信息
        "cityName": "上海",
        "provinceName": "上海"
    },
    "realtime": {     // 实时天气数据（核心，项目中解析的 real 字段）
        "temp": "22", // 实时温度（℃）
        "weather": "多云",  // 实时天气状况
        "windDir": "东风",  // 风向
        "windPower": "3",   // 风力（级）
        "humidity": "65"    // 相对湿度（%）
    },
    "forecast": [  // 预报数据（数组，第一个元素为今日预报）
       { "tempMin": "18",      // 今日最低温（℃）
         "tempMax": "25",      // 今日最高温（℃）
         "weatherDay": "多云",  // 日间天气
         "weatherNight": "阴"   // 夜间天气
        }
     ]
  },
  "msg": "success"  // 状态描述（失败时返回错误信息）
}

调用限制（非官方说明，基于实践总结）

频率限制：气象局对该接口有隐性访问频率控制（如搜索摘要 1 所述 “不推荐频繁访问，以免对服务器造成压力”），短时间内多次调用可能触发 “系统内部异常”“访问受限” 等报错；
地域限制：仅支持查询中国境内城市（含港澳台），不支持国外城市；
数据更新频率：实时天气约 10-15 分钟更新一次，预报数据约 1 小时更新一次（与气象局官网同步）。

🤖 miniWeatherAgent 运行效果

项目运行步骤

步骤 1：启动 LM Studio 本地大模型 API

打开 LM Studio→「Server」→ 选择 llama-3-8b→ 点击「Start Server」，确保控制台显示 Server running on http://127.0.0.1:1234。

步骤 2：

将代码保存为 simple_weather_agent.py；
命令行进入文件所在目录，执行：
运行

python simple_weather_agent.py

或直接在 VS2026 IDE 环境中点执行

步骤 3：运行成功后，弹出对话界面：

步骤 3：输入问题”今天上海的天气如何？“，回车，得到如下结果：

=====miniWeatherAgent 极简本地天气 AI Agent（命令行版） =====

使用说明：输入天气问题查询（如：今天上海的天气如何？），输入 exit 退出程序

问题：今天上海的天气如何？

🤖 miniWeatherAgent 回答：今天上海的天气是晴朗，温度在 15\~20 摄氏度之间。

问题：\_

6. PythonTest 项目的源码和项目功能描述

项目源代码：https://github.com/hechunji/simple\_weather\_agent

END

100行代码讲懂Agent开发框架的原理和流程

🤖 miniWeatherAgent 项目介绍

🤖 miniWeatherAgent 项目流程

🤖 miniWeatherAgent 项目结构

🤖 miniWeatherAgent 代码详解

项目依赖&配置

`工具层：weather_tool.天气查询工具`

Agent 核心层：WeatherAgent

Agent 主体信息 + 工具注册

大模型决策 1：判断是否需要调用天气工具

大模型决策 2：从问题中提取纯中文城市名

大模型决策 3：整合上下文生成符合 Agent 角色的自然语言回答

Agent 核心调度流程

交互层：循环命令行交互

大模型：本地部署 LM Studio

tool（cma/api/weather/view 接口）介绍

基础调用格式（GET 请求）

关键参数说明（3 个核心参数，非全部必填）

返回数据格式（JSON）

调用限制（非官方说明，基于实践总结）

🤖 miniWeatherAgent 运行效果

6. PythonTest 项目的源码和项目功能描述

🤖 miniWeatherAgent 项目介绍

🤖 miniWeatherAgent 项目流程

🤖 miniWeatherAgent 项目结构

🤖 miniWeatherAgent 代码详解

项目依赖&配置

工具层：weather_tool.天气查询工具

Agent 核心层：WeatherAgent

Agent 主体信息 + 工具注册

大模型决策 1：判断是否需要调用天气工具

大模型决策 2：从问题中提取纯中文城市名

大模型决策 3：整合上下文生成符合 Agent 角色的自然语言回答

Agent 核心调度流程

交互层：循环命令行交互

大模型： 本地部署 LM Studio

tool（cma/api/weather/view 接口）介绍

基础调用格式（GET 请求）

关键参数说明（3 个核心参数，非全部必填）

返回数据格式（JSON）

调用限制（非官方说明，基于实践总结）

🤖 miniWeatherAgent 运行效果

6. PythonTest 项目的源码和项目功能描述

iLearnAI欢迎您！

登录

注册

找回密码

`工具层：weather_tool.天气查询工具`

大模型：本地部署 LM Studio