10分钟上手NOOA从零构建第一个Python AI Agent的完整指南【免费下载链接】labs-OO-AgentsNVIDIA Object Oriented Agents: the Pythonic way to build AI Agents.项目地址: https://gitcode.com/gh_mirrors/la/labs-OO-AgentsNOOANVIDIA Object Oriented Agents是一个面向 Python 开发者的模型无关 AI Agent 框架。它最大的特点是一个 Agent 就是一个普通的 Python 类——字段是状态、方法是能力、docstring 是提示词、类型注解是契约。今天这篇文章将带你用 10 分钟从零构建并运行你的第一个 Python AI Agent并了解 NOOA 的核心设计思路与进阶学习路径。为什么选择 NOOA 构建 AI Agent传统的 Agent 框架往往把提示词、工具、回调、工作流拆成多个独立抽象学习成本高且难以维护。NOOA 提供了另一种面向对象的写法Agent 就是 Python 对象状态、能力、提示词都集中在一个类里✨...省略号即智能方法体写...就交给 LLM 在运行时实现写了真实代码体的方法则是确定性的普通 Python类型注解即契约返回值会自动按类型校验不合格可以自动重试开箱即用的追踪每次 LLM 调用、代码执行、方法调用都会被记录为 trace方便调试。这套设计让你可以用熟悉的 Python 测试、追踪、重构和版本管理流程来开发 Agent——就像管理你的其他软件一样。NOOA 快速安装3 条命令搞定环境NOOA 支持 Python 3.12 / 3.13推荐使用 uv 管理项目。打开终端执行uv init my-agent-project cd my-agent-project uv add nooa如果你需要额外的命令行工具、追踪查看器或长期记忆功能也可以按需安装子包uv add nooa-cli # nooa 命令 trace viewer uv add nooa-memory # 长期记忆子系统当然最经典的pip install nooa也完全可以。 如果想跟踪仓库最新源码可克隆仓库后在本地开发git clone https://gitcode.com/gh_mirrors/la/labs-OO-Agents然后运行uv sync --group dev。第一步选择一个 AI 模型NOOA 底层基于 LiteLLM因此几乎支持所有主流模型提供商——云端托管模型或本地模型都可以。在代码中用一行get_llm_client()即可创建模型客户端from nooa.unifiedllm.registry import get_llm_client llm get_llm_client(gpt-5-mini) # OpenAI需设置 OPENAI_API_KEY llm get_llm_client(claude-haiku-4-5) # Anthropic需设置 ANTHROPIC_API_KEY如果你想在本地跑开源模型如通过 Ollama 或 vLLM无需 API Key具体方法可参考 docs/local-models.md。第二步定义你的第一个 AI Agent 类这是全文最核心的一步。在 NOOA 中Agent 就是一个继承了Agent基类的 Python 类。下面是一个完整的客户反馈分析 Agentfrom nooa import Agent class FeedbackAgent(Agent, llmllm): You are an agent specializing in analyzing customer feedback. async def analyze_feedback(self, text: str) - str: Analyze customer feedback for sentiment and key topics in one sentence. ...就这么简单三个要点值得记住类的 docstring 是系统提示词告诉模型这个 Agent 的角色方法名 参数 方法 docstring 共同构成任务描述参数会自动传给模型不需要手写占位符方法体是...表示这个方法由 LLM 在运行时实现——这就是 NOOA 的生成方法generation method。想要看看这个最小示例的完整可运行版本可以直接阅读 examples/quickstart/01_first_generation_method.py。第三步运行 Agent看到 AI 的回答实例化对象、调用方法和普通 Python 调用没有任何区别import asyncio agent FeedbackAgent() result await agent.analyze_feedback(Great product, but shipping was slow) print(result)在仓库中直接运行内置示例需要先设置好模型提供商的环境变量uv run python examples/quickstart/01_first_generation_method.py试着把analyze_feedback改名为analyze_feedback_briefly输出风格就会随之变化——因为方法名本身就是提示词的一部分。进阶一普通方法自动变成工具NOOA 默认使用 CodeAct 策略LLM 会在一个 Jupyter 风格的 Python REPL 中工作它可以检查self、调用对象的普通方法、执行代码并迭代。也就是说你写的每个普通 Python 方法都天然是一个确定性工具无需再单独写工具 schema。例如对象上有一个get_stock()方法生成代码就能直接调用它来查库存。相关概念可参考 docs/concepts/tools-and-visibility.md以及 Notebook 教程 notebook_tutorials/03_codeact_tools_and_live_objects.ipynb。进阶二用类型注解定义结构化输出契约当结果需要被程序消费时用 Pydantic 模型作为返回类型即可。NOOA 会校验模型输出不合格会自动把错误反馈给模型重试。两种核心策略怎么选官方文档总结得很清楚策略适用场景执行方式PredictStrategy一次结构化的分类/提取即可完成任务单次 LLM 调用 校验重试CodeActStrategy默认需要调用工具、操作活对象、执行代码或迭代每轮 LLM 在一个 Python REPL 中执行代码详细对比见 docs/concepts/strategies.md。进阶三打开 Trace Viewer看清 Agent 的每一步每一次 LLM 调用、代码执行、方法调用默认都会生成 trace。安装 CLI 后启动本地追踪查看器就能在浏览器中查看完整的调用树uv run nooa start-dev # trace viewer 运行在 http://localhost:5001如果查看器没运行追踪会静默关闭无需任何配置。更多用法可参考 examples/quickstart/06_tracing.py。⚠️ 安全提示务必在沙箱中运行NOOA 是研究性质的软件且 Agent 可以执行 LLM 生成的代码。框架内置的 AST 校验和模块黑名单属于纵深防御不能替代真正的隔离。官方建议始终在容器、虚拟机等操作系统级沙箱中运行会执行生成代码的 Agent。更多细节见 docs/concepts/safety.md。下一步NOOA 学习路线图跑通第一个 Agent 后推荐按以下路径继续学习10 分钟框架巡游docs/tour.md —— 从一个会思考的方法讲到多 Agent 组合Notebook 教程notebook_tutorials/README.md —— 4 个由浅入深的交互式教程从第一个 Agent 到组合子 Agent示例目录examples/README.md —— 15 个快速上手示例覆盖结构化输出、策略选择、追踪、MCP、记忆、多模态等能力建议按 1–6 的顺序依次运行概念文档docs/README.md —— 按问题索引的概念指南策略、编排、多智能体系统、安全等核心源码src/nooa/ —— Agent 基类、策略实现、运行时与追踪模块都在这里。总结NOOA 的核心设计六条规则#规则含义1省略号...把一个方法委托给 LLM2真实代码体精确行为留在 Python 里3公开方法构成 Agent 可发现的能力面4返回类型把模型输出变成受校验的程序数据5策略为每个方法选择最轻量的执行循环6对象 Python组合成完整系统从今天开始你只需要一个 Python 类、一个...、一次await就能拥有自己的 AI Agent。打开 examples/quickstart/01_first_generation_method.py 跑起来吧【免费下载链接】labs-OO-AgentsNVIDIA Object Oriented Agents: the Pythonic way to build AI Agents.项目地址: https://gitcode.com/gh_mirrors/la/labs-OO-Agents创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考