基于ReAct架构的AI Agent设计及腾讯云Serverless生产级部署

原创

KANWOJIANJIE

修改于 2026-08-03 15:19:49

1290

基于ReAct架构的AI Agent设计及腾讯云Serverless生产级部署

1. 为何需要AI Agent？——从“对话”到“自主决策”

当前大模型虽能生成流畅文本，但无法主动调用外部系统、无法根据环境反馈调整策略，仅停留在“聊天”层面。AI Agent（代理） 通过引入推理（Reasoning） 与行动（Acting） 的闭环（即ReAct范式），使模型能够自主规划、调用工具、分析结果并迭代执行，最终完成复杂任务（如自动化运维、智能客服、数据分析）。

本文以云资源运维Agent为实战场景，基于腾讯云混元大模型（Hunyuan-Pro） 的Function Calling能力，结合云函数SCF与API网关，从零构建一个能听懂“检查CVM CPU负载，超阈值自动扩容”这类自然语言指令，并全自动执行整个链路的可运行系统。全程附有完整Node.js代码，可直接部署至腾讯云。

2. 技术选型与整体架构

组件	选型	作用
推理引擎	腾讯混元大模型（hunyuan-pro）	提供ReAct推理与结构化工具调用（Function Calling）
工具层	腾讯云SDK（CVM + 监控）	封装实例查询、CPU数据获取、扩缩容等云API
记忆与状态	内存缓存（生产可换Redis）	维持对话历史与中间结果
部署环境	腾讯云SCF（Node.js 18）+ API网关	Serverless免运维，自动弹性，按量计费

Agent执行循环（ReAct核心）：

while (目标未达成 && 步数<上限) {
  1. 将用户目标 + 历史上下文 + 工具描述 构造成提示；
  2. 调用混元API，获取推理文本和工具调用（含参数）；
  3. 若模型返回最终答案，则退出并返回；
  4. 否则执行对应工具，获得结果，追加到历史，继续循环。
}

3. 环境准备与密钥配置

在腾讯云控制台获取：

SecretId 与 SecretKey（用于调用混元API和云资源SDK）
开通混元服务，记录模型名（如 hunyuan-pro）

本地项目初始化：

mkdir tencent-agent && cd tencent-agent
npm init -y
npm install axios tencentcloud-sdk-nodejs dotenv

创建 .env 文件：

TENCENT_SECRET_ID=你的SecretId
TENCENT_SECRET_KEY=你的SecretKey
HUNYUAN_MODEL=hunyuan-pro
REGION=ap-guangzhou

4. 工具定义与实现（核心代码）

我们定义三个关键工具：查询实例列表、获取CPU平均利用率、模拟扩容。每个工具包含名称、描述、参数Schema、处理函数。

// tools/index.js
const tencentcloud = require('tencentcloud-sdk-nodejs');
const CvmClient = tencentcloud.cvm.v20170312.Client;
const MonitorClient = tencentcloud.monitor.v20180724.Client;

const clientConfig = {
  credential: {
    secretId: process.env.TENCENT_SECRET_ID,
    secretKey: process.env.TENCENT_SECRET_KEY,
  },
  region: process.env.REGION,
  profile: { httpProfile: { endpoint: 'cvm.tencentcloudapi.com' } },
};

const cvmClient = new CvmClient(clientConfig);
const monitorClient = new MonitorClient({
  ...clientConfig,
  profile: { httpProfile: { endpoint: 'monitor.tencentcloudapi.com' } },
});

// 工具1：查询实例列表
async function describeInstances(params) {
  const { InstanceIds } = params;
  const resp = await cvmClient.DescribeInstances({ InstanceIds });
  return resp.InstanceSet.map(i => ({ 
    InstanceId: i.InstanceId, 
    InstanceName: i.InstanceName, 
    InstanceState: i.InstanceState,
    CPU: i.CPU,
    Memory: i.Memory
  }));
}

// 工具2：获取CPU平均利用率
async function getCpuUsage(params) {
  const { InstanceId, Period = 60, StartTime, EndTime } = params;
  const resp = await monitorClient.GetMonitorData({
    Namespace: 'QCE/CVM',
    MetricName: 'CPUUsage',
    Instances: [{ Dimensions: [{ Name: 'InstanceId', Value: InstanceId }] }],
    Period,
    StartTime,
    EndTime,
  });
  const values = resp.DataPoints[0]?.Values || [];
  const avg = values.reduce((a,b)=>a+b,0) / (values.length || 1);
  return { InstanceId, avgCpu: avg };
}

// 工具3：模拟扩容（实际可调用ResizeInstanceDisks或RunInstances）
async function scaleUp(params) {
  const { InstanceId, TargetCPU } = params;
  // 这里简化演示，实际可触发CVM变配或新增实例
  return { 
    action: 'scale_up', 
    instanceId: InstanceId, 
    targetCPU: TargetCPU,
    message: `建议将实例${InstanceId}升级至目标CPU ${TargetCPU}核`
  };
}

// 工具注册表（用于混元Function Calling）
const toolRegistry = {
  describeInstances: { 
    description: '查询指定实例ID列表的详细信息',
    parameters: { 
      type: 'object', 
      properties: { 
        InstanceIds: { type: 'array', items: { type: 'string' }, description: '实例ID数组' } 
      },
      required: ['InstanceIds']
    },
    handler: describeInstances
  },
  getCpuUsage: {
    description: '获取某个CVM实例在指定时间段的平均CPU使用率（百分比）',
    parameters: {
      type: 'object',
      properties: {
        InstanceId: { type: 'string' },
        Period: { type: 'integer', default: 60 },
        StartTime: { type: 'string' },
        EndTime: { type: 'string' }
      },
      required: ['InstanceId']
    },
    handler: getCpuUsage
  },
  scaleUp: {
    description: '对指定实例进行扩容操作，需给出目标CPU核数',
    parameters: {
      type: 'object',
      properties: {
        InstanceId: { type: 'string' },
        TargetCPU: { type: 'integer' }
      },
      required: ['InstanceId', 'TargetCPU']
    },
    handler: scaleUp
  }
};

module.exports = { toolRegistry };

5. Agent核心引擎：集成混元Function Calling

关键点：每次推理时，将工具列表的JSON Schema传给混元，并设置 ToolChoice: 'auto'，让模型自主决定是否调用工具以及调用哪个工具。

// agent.js
const { toolRegistry } = require('./tools');
require('dotenv').config();

class CloudAgent {
  constructor() {
    this.history = [];
    this.tools = toolRegistry;
    this.model = process.env.HUNYUAN_MODEL;
    // 初始化混元客户端（使用官方SDK）
    const tencentcloud = require('tencentcloud-sdk-nodejs');
    const HunyuanClient = tencentcloud.hunyuan.v20230901.Client;
    this.client = new HunyuanClient({
      credential: {
        secretId: process.env.TENCENT_SECRET_ID,
        secretKey: process.env.TENCENT_SECRET_KEY,
      },
      region: 'ap-guangzhou',
      profile: { httpProfile: { endpoint: 'hunyuan.tencentcloudapi.com' } },
    });
  }

  // 构造工具定义（符合混元Tools参数格式）
  getToolDefinitions() {
    return Object.entries(this.tools).map(([name, def]) => ({
      Type: 'function',
      Function: {
        Name: name,
        Description: def.description,
        Parameters: JSON.stringify(def.parameters),
      }
    }));
  }

  // 执行工具调用
  async executeToolCall(toolName, args) {
    const tool = this.tools[toolName];
    if (!tool) throw new Error(`Unknown tool: ${toolName}`);
    return await tool.handler(args);
  }

  // 主循环
  async run(userGoal, maxSteps = 5) {
    this.history = [{ role: 'user', content: userGoal }];
    let steps = 0;
    let finalAnswer = '';

    while (steps < maxSteps) {
      steps++;
      // 调用混元
      const response = await this.client.ChatCompletions({
        Model: this.model,
        Messages: this.history,
        Tools: this.getToolDefinitions(),
        ToolChoice: 'auto',
      });

      const choice = response.Choices[0];
      const message = choice.Message;
      this.history.push({ role: 'assistant', content: message.Content || '' });

      // 检查是否有工具调用
      if (message.ToolCalls && message.ToolCalls.length > 0) {
        for (const toolCall of message.ToolCalls) {
          const { Name: toolName, Arguments: argsStr } = toolCall.Function;
          const args = JSON.parse(argsStr);
          console.log(`[Agent] 调用工具: ${toolName}，参数:`, args);
          const result = await this.executeToolCall(toolName, args);
          // 工具结果以tool角色回填
          this.history.push({
            role: 'tool',
            content: JSON.stringify(result),
            tool_call_id: toolCall.Id,
          });
        }
        continue;
      }

      // 无工具调用，视为最终答案
      if (message.Content) {
        finalAnswer = message.Content;
        break;
      }
      break;
    }

    return finalAnswer || '任务执行完毕，但未返回明确结论。';
  }
}

module.exports = CloudAgent;

6. 本地测试验证

创建 index.js 快速验证：

const CloudAgent = require('./agent');

(async () => {
  const agent = new CloudAgent();
  const goal = `
    查询实例 ins-abc123 和 ins-def456 的CPU使用率（过去10分钟），
    如果任一实例的平均CPU超过80%，则对该实例执行扩容至4核。
  `;
  const result = await agent.run(goal);
  console.log('最终结果:', result);
})();

运行前确保 .env 正确。若实例ID不存在，工具会抛出错误，但Agent可根据错误信息重新规划（此为ReAct进阶能力，本文已实现基础循环）。

7. 生产级部署：腾讯云SCF + API网关

将Agent封装为Express应用，并通过 serverless-http 适配SCF。

// app.js
const express = require('express');
const serverless = require('serverless-http');
const CloudAgent = require('./agent');

const app = express();
app.use(express.json());

app.post('/agent', async (req, res) => {
  const { goal } = req.body;
  if (!goal) return res.status(400).json({ error: 'goal required' });
  try {
    const agent = new CloudAgent();
    const answer = await agent.run(goal);
    res.json({ success: true, answer });
  } catch (err) {
    res.status(500).json({ error: err.message });
  }
});

exports.main = serverless(app);

创建 serverless.yml 配置文件：

app: ai-agent-demo
component: scf
name: cloud-agent
inputs:
  name: cloud-agent
  src: ./
  runtime: Nodejs18.15
  region: ap-guangzhou
  handler: app.main
  timeout: 300
  events:
    - http:
        path: /agent
        method: POST
        apiGateway:
          serviceName: agent-gw
  environment:
    variables:
      TENCENT_SECRET_ID: ${env:TENCENT_SECRET_ID}
      TENCENT_SECRET_KEY: ${env:TENCENT_SECRET_KEY}
      HUNYUAN_MODEL: hunyuan-pro

部署命令：

npm install -g serverless
serverless deploy --debug

部署成功后，获得API网关URL，如 https://service-xxx.gz.apigw.tencentcs.com/agent。通过POST请求即可远程触发Agent：

curl -X POST https://service-xxx.gz.apigw.tencentcs.com/agent \
  -H "Content-Type: application/json" \
  -d '{"goal":"检查当前地域所有运行中实例的CPU，如果平均超过70%则记录实例ID"}'

8. 生产级优化要点

超时与异步：SCF默认3秒，需调整timeout至300秒，并考虑采用异步调用模式以应对长任务。
状态持久化：使用腾讯云Redis存储对话历史，支持多轮交互和断点续传。
工具扩展：可接入TKE（K8s）、CLS（日志服务）、COS（对象存储）等，打造全栈运维Agent。
权限与安全：通过API网关的密钥校验或CAM角色授权，限定Agent可操作的资源范围。
可观测性：接入腾讯云Prometheus，记录工具调用耗时、成功率及Token消耗，便于成本优化。

9. 总结：从原型到生产，Agent让云上运维更智能

本文完整展示了基于ReAct架构，利用腾讯云混元大模型Function Calling和Serverless基础设施，构建一个能自主调用云API完成复杂运维任务的AI Agent。整个过程从工具封装、推理循环到云端部署，全部代码可复制运行。该Agent不仅会“思考”，更能“行动”——它不再是简单的问答机器人，而是能够独立完成监控、分析、变更等自动化工作的数字员工。

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

媒体AI

基于ReAct架构的AI Agent设计及腾讯云Serverless生产级部署

基于ReAct架构的AI Agent设计及腾讯云Serverless生产级部署

基于ReAct架构的AI Agent设计及腾讯云Serverless生产级部署

1. 为何需要AI Agent？——从“对话”到“自主决策”

2. 技术选型与整体架构

3. 环境准备与密钥配置

4. 工具定义与实现（核心代码）

5. Agent核心引擎：集成混元Function Calling

6. 本地测试验证

7. 生产级部署：腾讯云SCF + API网关

8. 生产级优化要点

9. 总结：从原型到生产，Agent让云上运维更智能

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐