v0.2:LLM角色扮演——模型基础调用参数学习

README.md

@@ -1,7 +1,13 @@
-# AgentSeed
+<div align="center">
+
+![AgentSeed](./pic/image.png)
+
+# AgentSeed —— 从零开始的Agent开发教程
 
 > 播下一颗种子，期待它长成参天大树的那天。
 
+</div>
+
 AgentSeed 是一个从零开始构建 AI Agent 的渐进式教学项目。
 
 项目以 Python 为主，不直接依赖 LangChain 等 Agent Framework，而是从一次最基础的 LLM 调用出发，逐步实现上下文、工具调用、Agent Loop、存储、检索、Skill、MCP、可观测性与评测。
@@ -31,6 +37,7 @@ AgentSeed 希望提供一条清晰的学习路径：不从庞大的框架开始
 - **每步都可运行**：切换到关键提交后，可以观察该阶段新增的能力。
 - **先实践，再抽象**：抽象从已经运行的代码中产生，而不是提前设计复杂框架。
 - **覆盖完整链路**：从命令行模型调用，逐步扩展到 Web、RAG、Skill、MCP 和 Eval。
+- **使用 Anthropic 示例**：当前代码和教程统一以 Anthropic Messages API 为例。
 
 ## 如何学习
 
@@ -43,24 +50,13 @@ AgentSeed 希望提供一条清晰的学习路径：不从庞大的框架开始
 
 你可以跟随主分支持续阅读，也可以切换到某个提交，查看 Agent 是如何一步步构建出来的。
 
-## 学习路线
-
-```text
-LLM 对话
-→ Agent 的执行、存储与检索
-→ 格式转换与可观测性
-→ Skill 技能系统
-→ MCP 协议接入
-→ 评测与最终整合
-```
-
 ### 第一章：LLM 对话
 
 从一次普通的 HTTP 请求开始，理解应用如何与大语言模型通信。
 
 主要内容：
 
-- 调用 OpenAI-compatible 模型接口；
+- 调用 Anthropic Messages API 兼容接口；
 - 理解 System、User、Assistant 消息角色；
 - 保存消息并实现上下文记忆；
 - 抽象模型客户端；
@@ -170,3 +166,14 @@ LLM 对话
 AgentSeed 最终会形成一个完整但最小的 AI Agent 参考实现：它能够与模型对话、维护上下文、调用工具、等待人工审批、保存与恢复状态、检索外部知识、加载 Skill、连接 MCP Server，并通过 Trace 和 Eval 观察与验证自己的执行过程。
 
 更重要的是，项目会完整保留它从一颗种子逐步生长起来的过程。
+
+
+## Star History
+
+[![Star History Chart](https://api.star-history.com/svg?repos=Nick-Hogo/AgentSeed&type=date&legend=top-left)](https://www.star-history.com/#Nick-Hogo/AgentSeed&type=date&legend=top-left)
+
+
+## 相关链接
+
+- [Linux.do](https://linux.do/)：连接开发者与 AI 爱好者的社区。
+- [AgentSeed GitHub](https://github.com/Nick-Hogo/AgentSeed)：项目源码与教程。

main.py

@@ -3,30 +3,35 @@ import httpx
 base_url = "https://api.example.com/v1/messages"
 api_key = "sk-xxxx"
 model = "claude-fable-5"
+system_prompt = "你是一只可爱活泼元气猫娘~ 说话末尾带喵～" # 设置模型的身份和行为
+messages = [] # 保存本次对话的历史消息
 
-while True: # 持续接收用户输入，实现最基础的命令行对话。
+while True: 
     user_input = input("You> ")
 
-    # 按照 Anthropic Messages API 协议向模型服务发送 HTTP 请求。
+    messages.append({"role": "user", "content": user_input}) # 添加用户输入的消息到历史消息列表中
+
     response = httpx.post(
         base_url,
         headers={
-            "x-api-key": api_key, # Anthropic 格式的认证信息
-            "anthropic-version": "2023-06-01", # Anthropic API 版本
+            "x-api-key": api_key, 
+            "anthropic-version": "2023-06-01", 
         },
         json={
-            "model": model, # 选择的模型名称
-            "messages": [
-                {"role": "user", "content": user_input}, # 用户输入的消息
-            ],
+            "model": model, 
+            "max_tokens": 20, # 设置模型最多生成的 Token 数量
+            "system": system_prompt, # 设置模型的身份和行为
+            "messages": messages, # 历史消息列表
         },
         timeout=60,
     )
 
-    # 将 JSON 响应转换为字典，然后取出模型生成的文本。
     data = response.json()
+    assistant_message = "" # 初始化助手回复的消息
     print("Assistant>", end=" ")
-    for block in data["content"]: # 循环解析LLM返回信息
+    for block in data["content"]: 
         if block["type"] == "text":
+            assistant_message += block["text"] # 拼接助手回复的消息
             print(block["text"], end="")
-    print()
+    print()
+    messages.append({"role": "assistant", "content": assistant_message}) # 添加助手回复的消息到历史消息列表中