构建一个能干活的 AI Agent，真的没你想的那么难！
手把手构建一个 AI Agent，教它自动预订会议室，让它真正帮我们'干活'
在上一篇文章中，我们拆解了 AI Agent 背后的 Function Call 机制，让大模型不止能聊天，还能动手执行任务。
今天，就让我们进入实战环节：手把手构建一个 AI Agent，教它自动预订会议室，让它真正帮我们”干活”！
这不是一个理论 Demo，而是一个能落地用的原型系统——未来你可以把它接到钉钉、企业微信，真正解放你的日常办公时间。
💡 AI Agent 能做什么？一个典型场景
想象一下你是某家公司的员工，临时要找个会议室开会。
传统方式 👇
- 打开日历查空闲时间；
- 手动对比各会议室的预订状态；
- 在系统里一顿操作点点点。
现在有了 AI Agent，只要一句话：”帮我订明天上午10点的会议室”，就能完成全流程。
- ✅ 查空闲时间
- ✅ 列出可选会议室
- ✅ 引导你确认时间和房间
- ✅ 调用接口完成预订
- ✅ 回复你”预订成功”
整套流程不需要你再去动鼠标，全靠 AI 自动完成。
这，才是 AI Agent 真正的价值所在——动口不动手，办公更轻松。
🧠 AI Agent 如何”思考”并动手？
大模型自己不会预订会议室，它得靠调用”外部工具”来实现功能。
这些工具其实就是我们提前定义好的函数（function），Agent 会按需调用它们完成任务。
本项目共设计了三个核心工具函数：
1. 获取会议室列表
1
2
def get_all_rooms():
return ["Room 1", "Room 2", "Room 3", "888 多媒体会议室"]
2. 查询时间段内空闲会议室
1
2
def get_available_rooms(start_time, end_time):
return ["Room 1", "Room 2"]
3. 提交预订请求
1
2
def book_room(name, start_time, end_time):
return "预订成功" # 简化返回
这些函数一旦注册给大模型，配合系统提示词，就变成了 Agent 的”动手能力”。它可以在理解用户意图后，自动调用正确的函数，并根据结果继续对话或确认信息。
🤖 Agent 是如何组装起来的？
整个 AI Agent 的运行逻辑可以用几行代码完成初始化：
1
2
3
4
5
6
7
8
9
10
11
12
13
tools = [get_all_rooms, get_available_rooms, book_room]
llm = ChatOpenAI(model="qwen-max")
memory = InMemorySaver()
prompt = SystemMessage(
f"你是一个智能助手。当前时间是：{datetime.now().strftime('%Y-%m-%d %H:%M')}。"
f"请逐步确认会议时间和会议室信息，协助用户预订会议室。"
f"请尽可能简洁地表达。\n"
f"最重要的是，在使用 book_room 工具之前，一定要最后一次向用户确认所有信息是否正确。"
f"只有在用户确认无误后，才能执行 book_room，不要跳过这个步骤。"
)
agent = create_react_agent(llm, tools, checkpointer=memory, prompt=prompt)
简单解释一下这段代码的含义：
tools：注册我们定义的会议室查询与预订工具；llm：加载所用大模型（这里用的是「qwen-max」）；memory：保存对话过程的记忆状态；prompt：为 Agent 设置角色和行为准则（重点强调必须确认关键信息后才能预订）；create_react_agent：创建具备交互能力的 Agent，支持多轮对话 + 工具调用。
🧭 对话驱动逻辑：Agent 是怎么一步步完成预订的？
我们设计了一个多轮会话流程，大致如下：
用户发出请求 → Agent 获取时间信息 → 查询可用会议室 → 用户选择 → Agent 确认信息 → 提交预订
这里最关键的一点：AI 会在真正提交预订前，自动做最后确认。
这是为了保证安全性和可控性，就像你请了个靠谱助理，凡事都帮你复核一遍，避免误操作。
🎬 实战演示：AI 预订会议室全过程
🗣 用户发话：
帮我订个会议室
🤖 AI 回复：
请告诉我会议的开始和结束时间（例如 10:00 到 11:00）
🗣 用户说：
明天上午10点到11点
🤖 AI 自动调用工具，查询空闲会议室：
返回结果：[“Room 1”, “Room 2”]
🤖 AI 继续问：
以下会议室可用：Room 1、Room 2。您想预订哪一间？
🗣 用户回答：
第一个
🤖 AI 做最后确认：
确认信息如下：Room 1，明天上午10点到11点。信息正确吗？
🗣 用户答：
确认
🤖 AI 调用预订接口，返回结果：
预订成功！
是不是感觉像跟一个懂事、效率高的助理在对话？这就是 Function Call + 多轮交互结合后的魅力。
🧪 更多使用案例：不同说法它都能理解
我们还测试了不同风格的输入指令，Agent 表现都很稳定 👇
✅ 情况 1：直接给出完整信息
用户：”帮我订明天上午10点到11点 1 号会议室”
AI 会直接提取出时间和会议室信息，然后确认后提交预订。
✅ 情况 2：信息不全时主动追问
用户：”帮我订 1 号会议室”
AI 会自动问你需要什么时间段。
✅ 情况 3：冲突检测与推荐
如果用户选了已被占的会议室，AI 会主动说明原因，并让你重新选择或修改时间。
这不是传统的”关键词匹配机器人”，而是真正理解上下文并能灵活应对的 AI Agent。
🚀 更进一步：对接真实系统
值得一提的是，AI Agent 的能力远不止调用你手动写好的函数。
我们完全可以让它接入真实数据库或系统接口，像人一样实时获取系统状态，比如：
- 查询数据库中有哪些会议室；
- 动态判断哪些时间段有空；
- 自动比对预约冲突；
- 实时写入预约记录或同步到企业日历。
只需提供一个查询入口（比如数据库 API），并告诉模型使用方式，它就可以自己”去查、去比、再决策”。
🔧 AI Agent 本质是”任务执行器”
如果说大模型是”大脑”，Function Call 是”手脚”，那 Agent 就是”协调员”，负责把它们串起来做一件具体的事。
你越清楚这个任务的流程结构，就越能做出好用的 AI。
今天的会议室预订只是最简单的案例，未来你可以做：
- 自动填写表单；
- 智能客服工单流转；
- 邮件助手；
只要你能把流程拆成”对话 + 工具”，AI 就能帮你自动执行。
📚 项目源码
如果你想看看完整代码实现或亲自运行一遍，这里是项目的 GitHub 地址👇：
🔗 https://github.com/zhengjie9510/learn-langchain/tree/main/Examples