10分钟跑通第一个AI智能体：Python自主智能体框架Upsonic完整实战指南

10分钟跑通第一个AI智能体：Python自主智能体框架Upsonic完整实战指南

【免费下载链接】gpt-computer-assistantBuild autonomous AI agents in Python.项目地址: https://gitcode.com/GitHub_Trending/gp/gpt-computer-assistant

每天收盘后，你还需要手动查行情、翻公告、整理数据，再敲出一份分析报告？对一个小团队来说，这类重复劳动会吃掉整个晚上。这篇文章用 Upsonic（GPT-Computer-Assistant）做一个股票分析智能体：它自己调用行情工具拿数据、带着记忆连续分析、最后多智能体协作产出结构化报告，全程 Python 实现，核心代码不到 30 行。

Upsonic 帮你省掉的四件事

Upsonic 是一个纯 Python 的自主智能体框架，MIT 协议，pip install upsonic即可装好。它把智能体开发中反复出现的四块"脏活"收进了框架里：

• 自己拼 LLM 调用与工具路由→ 框架封装了Agent与Task两个核心抽象，你只描述任务，模型调哪个工具、调几次由框架托管
• 每个数据源都要手写 API 集成→ 内置 工具模块 提供现成生态，金融数据、网页搜索、代码执行等按开关启用
• 智能体每次对话都"失忆"→ Memory 模块 提供可持久化的跨任务记忆，就像给智能体配了个记事本
• 复杂任务一个人干不完→ Team 模块 原生支持多智能体分工，三种协作模式覆盖常见编排需求

传统做法和它的对比大概是这样：

安装 Upsonic 并配置第一个可运行智能体

安装只要一条命令，支持 pip 或 uv：

uv pip install upsonic # 或 pip install upsonic

然后把模型密钥写进项目根目录的.env，框架启动时会自动读取：

OPENAI_API_KEY=your_api_key_here ANTHROPIC_API_KEY=your_api_key_here

接下来是最小可运行路径——四行代码跑通第一个智能体：

from upsonic import Agent, Task agent = Agent(model="openai/gpt-4o", name="Stock Analyst") result = agent.do(Task(description="分析当前美股大盘走势")) print(result)

这段代码在做什么：创建一个绑定 GPT-4o 的智能体，把"分析大盘"描述成一个任务丢给它，do会跑完整轮推理并返回文本结果。如果想在终端里看到工具调用过程，把do换成print_do即可。到这里，你已经有了智能体的"空壳"，下面开始往里面装能力。

核心实战：搭建一个股票分析智能体

整个案例围绕一个业务场景：收盘后自动完成"取数 → 分析 → 出报告"。分四块搭。

给智能体挂上金融数据工具

智能体要分析股票，得先能拿到数据。Upsonic 内置了基于 Yahoo Finance 的 YFinanceTools，按构造函数开关选择要启用的子能力：

from upsonic.tools.common_tools import YFinanceTools tools = YFinanceTools(stock_price=True, company_news=True) agent = Agent(model="openai/gpt-4o", name="股票分析师", tools=tools) agent.print_do(Task(description="分析NVDA近一个月股价表现，结合最新新闻判断短期趋势"))

工具类不需要你写任何请求逻辑，智能体在推理过程中会自己决定何时调stock_price、何时调company_news。两个关键参数值得留意：构造函数里的布尔开关决定暴露哪些工具，工具数量越少，模型的调用决策越不容易出错；tools也可以挂在单个Task上而非智能体上，实现按任务临时加能力。

为智能体配置持久化记忆

连续分析时你肯定不希望它每轮都忘掉上一轮结论。Memory 就像给智能体配了一个记事本，把会话历史存进存储后端：

from upsonic.storage import Memory from upsonic.storage.providers.sqlite import SqliteStorage storage = SqliteStorage(db_file="agent_memory.db") memory = Memory(storage=storage, session_id="analysis_001", full_session_memory=True) agent = Agent(model="openai/gpt-4o", memory=memory)

配好之后，先问"NVDA 上个月表现如何"，再问"那它最近有负面新闻吗"，第二个任务会自动携带前一个的上下文。这一步是整个流程中唯一需要你显式配置的环节，而且换后端只需换一行：storage支持内存、SQLite、Redis、Postgres 等，接口在 storage 模块 下。session_id是记忆的隔离维度，不同标的、不同客户各开一个会话即可互不串扰。

用 Team 拆分"取数—分析—写作"流水线

单个智能体干所有事，提示词会越写越长，职责也模糊。Upsonic 的 Team 让你把流程切成几个专职角色：

from upsonic import Team data_agent = Agent(model="openai/gpt-4o", name="数据专员", tools=tools) report_agent = Agent(model="openai/gpt-4o", name="报告专员") team = Team(name="股票分析团队", agents=[data_agent, report_agent], mode="sequential") team.print_do(Task(description="完成对NVDA的全面分析，产出含数据、逻辑、结论的结构化报告"))

mode是关键参数，三种取值对应不同拓扑：sequential按顺序接力，前一个的输出作为后一个的输入；coordinate由 leader 智能体协调成员分头干活再汇总；route由 router 把任务分发给最合适的成员。多数线性流水线选sequential就够，需要"总调度"语义时再换coordinate。

用 AutonomousAgent 处理工作目录里的文件

报告素材往往散落在文件夹里：财报 PDF、会议记录、日志。这类"要动手操作文件"的任务，用框架专门预配置的AutonomousAgent，它自带文件读写和 shell 工具：

from upsonic import AutonomousAgent agent = AutonomousAgent(model="openai/gpt-4o", workspace="./reports") agent.print_do(Task("读取目录下的季度财报文件，提取三项关键风险并写入 risk_summary.md"))

注意workspace参数：所有文件和 shell 操作都被沙箱限制在这个目录内，路径穿越和危险命令会被拦截。这让"让模型执行命令"这件事变得可控——沙箱边界就是安全边界，blocked_commands还能追加自定义黑名单。

进阶方向：文档解析、自定义工具与现成智能体

OCR 文档解析。扫描版 PDF 直接给智能体读不了，Upsonic 提供分层 OCR 管线：Layer 0 负责 PDF 转图与预处理，Layer 1 跑识别引擎。安装upsonic[ocr]后，初始化OCR并传入EasyOCREngine等引擎即可调用get_text("file.pdf")，引擎支持 EasyOCR、PaddleOCR、Tesseract 等，见 ocr 模块。

自定义工具。业务独有的计算用装饰器就能注册：

from upsonic.tools import tool @tool def volatility(prices: list[float]) -> float: """计算一组收盘价的标准差""" ...

把返回的volatility加进tools列表，模型就能在推理中调用它。函数签名和 docstring 会自动转成工具 schema，不需要手写 JSON 描述。

预构建智能体。如果你不想从零配系统提示词，prebuilt 目录 下有社区维护的现成智能体（如 applied_scientist），每个都打包好了技能、系统提示和首条消息，装上就能跑，也可以照它的结构给体育、医疗等领域复刻自己的。

适用边界与下一步学习路径

Upsonic 适合数据密集型分析、文档处理、多智能体流水线这类"任务型"场景；它不适合低延迟高并发的在线实时服务——每个任务都会触发完整的多轮模型调用，延迟和 token 成本需要你自己评估。框架只负责编排，模型能力上限仍取决于你接入的模型。

下一步建议按这个顺序走：先看 tests/doc_examples/ 下按 agent、chat、memory、team 分好类的官方示例，每类都短小可直接运行；再对照 Documents/ai/explanation/ 里各模块的机制说明理解底层行为；遇到具体 API 参数，仓库 README 的 Quick Start 部分是最快的速查入口。跑通上面的股票案例后，把sequential换成coordinate、把 SQLite 换成 Redis，就是你熟悉的第二套配置了。

【免费下载链接】gpt-computer-assistantBuild autonomous AI agents in Python.项目地址: https://gitcode.com/GitHub_Trending/gp/gpt-computer-assistant