OpenAI API打造全链路智能体：规划、工具调用与自我批评完整教程

背景概述

随着大模型的功能日趋强大，单轮对话已难以满足复杂业务需求。MarkTechPost 最近推出的《如何使用 OpenAI API 构建具备规划、工具调用、记忆与自我批评的高级智能体》教程，系统化地演示了将 Planner、Executor、Critic 三个角色解耦，并通过函数调用实现可靠的工具交互。该方案在实现上兼顾可复用性与调试透明度，适用于会议纪要、报告生成等企业级场景。

核心模块拆解

Planner（规划器）：使用系统提示让模型输出严格的 JSON，包含目标 (objective)、步骤 (steps) 与工具检查点 (tool_checkpoints)。
Executor（执行器）：在循环中调用 chat 接口，依据工具 schema 自动触发函数调用。内置四类工具：安全计算器、内部知识库搜索、JSON 提取以及文件写入。每一次工具调用的输入输出均记录在 AgentState.trace 中，便于后续审计。
Critic（批评者）：在执行完成后再次让模型审阅草稿，输出问题列表、修复建议以及改进后的最终答案，实现了 Self‑Critique 循环。
记忆（Memory）：通过 AgentState.memory 保存近期笔记，帮助规划器在多轮对话中保持上下文一致性。

实现细节

# 关键代码片段
TOOL_SCHEMAS = [
    {"type": "function", "function": {"name": "calc", "description": "安全计算数值表达式。", "parameters": {"type": "object", "properties": {"expression": {"type": "string"}}, "required": ["expression"]}}},
    {"type": "function", "function": {"name": "kb_search", "description": "搜索内部小型知识库。", "parameters": {"type": "object", "properties": {"query": {"type": "string"}, "k": {"type": "integer", "default": 3}}, "required": ["query"]}}},
    ...
]

client = OpenAI()
MODEL = "gpt-5.2"

安全计算：仅允许数字、算术符号，防止代码注入。
知识库搜索：基于关键词匹配返回前 k 条条目，模拟企业内部文档检索。
JSON 提取：正则捕获首个 JSON 块并尝试解析，确保下游任务得到结构化数据。
文件写入：支持将最终输出保存至指定路径，演示了模型与本地文件系统的闭环交互。

运行示例

教程提供了一个完整的演示目标：从会议记录中自动生成（A）简要摘要、（B）JSON 格式的行动项列表、（C）后续邮件草稿，并将结果写入 /content/meeting_followup.md。执行 run_agent(demo_goal) 后，系统会依次完成规划、执行、批评三阶段，最终打印出经过自我批评优化的完整文本。

行业意义

该实践展示了 Agentic AI 在企业内部流程自动化中的落地路径：

可解释的工作流：每一步都有明确的工具调用记录，便于审计与错误定位。
模块化扩展：新增工具只需在 TOOLS 与 TOOL_SCHEMAS 中注册，无需改动核心循环。
质量保障：Critic 阶段通过模型自检提升输出可靠性，降低人工后期校对成本。

对希望在内部系统中嵌入大模型能力的技术团队而言，此方案提供了从 概念验证 到 生产化 的完整蓝图。

小结

MarkTechPost 的这篇教程不只是代码堆砌，而是把 规划‑执行‑批评 三环闭合为一个可追踪、可调试的智能体框架。随着 OpenAI 及其他厂商持续开放函数调用能力，类似的 Agentic AI 将成为企业数字化转型的关键组件。