Agent 的交互面孔——就像终端里的 Claude Code,用文字对话驱动 AI 完成任务
CLI(Command Line Interface,命令行界面)是用户与 Agent 交互的文字界面。它就像终端里的 Claude Code——你输入问题或指令,Agent 理解后执行并返回结果。
你(用户)向服务员(CLI)点菜,服务员传达给厨房(Agent),厨房做好后服务员把菜端给你。
CLI 就像汽车仪表盘——显示状态信息,接受你的操作指令(加速、刹车、转向),然后控制车辆执行。
智能音箱是语音界面,CLI 是文字界面——都是连接你和 AI 的桥梁,只是交互方式不同。
• 高效:键盘输入比鼠标点击更快
• 可脚本化:可以批量自动化操作
• 资源少:不需要图形界面,服务器也能运行
• 开发者友好:程序员天然习惯终端操作
程序启动时显示一个精心设计的 ASCII 艺术横幅(Banner),这是 CLI 的"门面",让用户感受到专业感。
def print_banner(self): """打印启动横幅""" banner = """ ╔══════════════════════════════════════╗ ║ ║ ║ 🤖 AgentForge CLI v1.0 ║ ║ ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ ║ ║ Your AI Command-Line Assistant ║ ║ ║ ║ 输入 /help 查看所有命令 ║ ║ 输入问题直接与 AI 对话 ║ ║ ║ ╚══════════════════════════════════════╝ """ # 使用 accent 色打印 print(Colors.ACCENT + banner + Colors.RESET)
• 使用 Box Drawing 字符(╔ ╗ ╚ ╝ ║ ═)绘制边框
• 包含版本号、名称、简短说明
• 用彩色打印,增强视觉效果
• 保持宽度适中(约 40 字符),兼容各种终端
CLI 支持以 / 开头的内置命令,用于控制程序行为。所有命令分为三大类:
| 命令 | 说明 | 示例 |
|---|---|---|
| /help | 显示帮助信息,列出所有可用命令 | /help |
| /exit | 退出程序,显示会话统计 | /exit |
| /clear | 清空终端屏幕 | /clear |
| /status | 查看当前状态(模型、会话信息) | /status |
| /history | 查看对话历史记录 | /history |
| /reset | 重置对话上下文,开始新对话 | /reset |
| 命令 | 说明 | 示例 |
|---|---|---|
| /model | 切换 AI 模型 | /model gpt-4 |
| /config | 查看/修改配置项 | /config set temperature 0.7 |
| 命令 | 说明 | 示例 |
|---|---|---|
| /tools | 列出所有可用工具 | /tools |
| /exec | 直接执行指定工具 | /exec read_file path=test.py |
整个 CLI 由一个核心类驱动,它包含 6 个关键方法:
class AgentForgeCLI: """AgentForge 命令行界面""" def __init__(self): # 初始化:加载配置、创建 Agent 实例 self.config = load_config() self.agent = Agent(self.config) self.history = [] self.stats = {"turns": 0, "tools": 0} def print_banner(self): # 打印 ASCII 艺术横幅 print(BANNER_ART) def print_help(self): # 显示所有可用命令的帮助信息 print(HELP_TABLE) def run_agent(self, user_input): # 将用户输入发送给 Agent,流式输出结果 response = self.agent.chat(user_input) return response def process_command(self, cmd): # 解析并执行 / 开头的内置命令 if cmd == "/help": self.print_help() elif cmd == "/exit": self.exit() # ... 其他命令 def run(self): # 主入口:启动横幅 → 主循环 self.print_banner() while True: user_input = input("🤖 AgentForge › ") if user_input.startswith("/"): self.process_command(user_input) else: self.run_agent(user_input)
• 单一职责:CLI 只负责交互,Agent 只负责推理
• 状态管理:history 记录对话,stats 记录统计
• 命令分发:process_command 根据前缀路由到具体方法
• 主循环:run() 方法是程序的心脏,不断"读取-处理-输出"
当你运行 python agent_forge.py 时,程序按以下步骤启动:
def run(self): # Step 1: 打印横幅 self.print_banner() # Step 2: 检查 API Key if not self.config.get("api_key"): print(Colors.RED + "❌ 未找到 API Key!") print("请设置环境变量 OPENAI_API_KEY") print("或在 .env 文件中配置") return # Step 3: 主循环 print(Colors.GREEN + "✅ 就绪!输入问题开始对话\n") while True: try: user_input = input("🤖 AgentForge › ").strip() if not user_input: continue if user_input.startswith("/"): self.process_command(user_input) else: self.run_agent(user_input) except KeyboardInterrupt: print("\n👋 再见!") break
让我们看几个真实场景,感受 CLI 的强大能力:
当 Agent 需要使用工具时,CLI 会实时显示调用过程:
🔧 tool_name({...params}) → 工具被调用
→ result → 工具返回结果
这让用户能清楚看到 Agent 的"思考-行动"过程,增强透明度和信任感。
CLI 的配置遵循优先级链:环境变量 > .env 文件 > 默认值
import os from dotenv import load_dotenv def load_config(): """加载配置,按优先级:env > .env > defaults""" load_dotenv() # 加载 .env 文件 config = { # API Key: 优先从环境变量读取 "api_key": os.getenv("OPENAI_API_KEY", ""), # 模型: 环境变量 > 默认值 "model": os.getenv("MODEL", "gpt-4"), # 温度参数: 环境变量 > 默认值 "temperature": float( os.getenv("TEMPERATURE", "0.7") ), } return config
# .env 文件 OPENAI_API_KEY=sk-xxxxxxxxxxxxxxxxxxxx MODEL=gpt-4 TEMPERATURE=0.7
检验一下你对 CLI 的理解程度!
终端中的颜色通过 ANSI 转义序列 实现。格式为 \033[XXm,其中 XX 是颜色代码。
class Colors: """ANSI 颜色代码""" RESET = "\033[0m" # 重置所有样式 RED = "\033[91m" # 红色 - 错误 GREEN = "\033[92m" # 绿色 - 成功 YELLOW = "\033[93m" # 黄色 - 警告 BLUE = "\033[94m" # 蓝色 - 信息 MAGENTA = "\033[95m" # 紫色 CYAN = "\033[96m" # 青色 BOLD = "\033[1m" # 加粗 # 使用示例 print(Colors.GREEN + "✅ 成功!" + Colors.RESET) print(Colors.RED + "❌ 出错了!" + Colors.RESET)
⚠️ 注意:不是所有终端都支持 ANSI 颜色。Windows 旧版 cmd.exe 可能需要额外设置。现代终端(Terminal.app、iTerm2、VS Code)默认支持。
用户输入是不可信的,CLI 需要做严格的验证:
def process_command(self, cmd): """安全地处理用户命令""" cmd = cmd.strip().lower() # 1. 空命令检查 if not cmd: return # 2. 命令白名单(只允许已知命令) valid_commands = { "/help", "/exit", "/clear", "/status", "/history", "/reset", "/model", "/config", "/tools", "/exec" } base_cmd = cmd.split()[0] if base_cmd not in valid_commands: print(f"❌ 未知命令: {base_cmd}") print("输入 /help 查看可用命令") return # 3. 参数长度限制 if len(cmd) > 1000: print("❌ 输入过长") return # 4. 执行命令 ...
关键原则:白名单验证(只接受已知命令)、长度限制(防止溢出)、参数消毒(过滤危险字符)。
当 Agent 决定使用工具时,CLI 需要以友好的方式展示这个过程:
def display_tool_call(tool_name, params, result): """可视化工具调用""" # 1. 显示调用(橙色) print(Colors.YELLOW + f"🔧 {tool_name}({json.dumps(params)})" + Colors.RESET) # 2. 显示结果(绿色/红色) if result["success"]: print(Colors.GREEN + f" → ✅ {result['summary']}" + Colors.RESET) else: print(Colors.RED + f" → ❌ {result['error']}" + Colors.RESET) # 3. 更新统计 self.stats["tools"] += 1
这种可视化让用户能实时看到 Agent 的行动,而不是只看到最终答案。这建立了信任——你知道 AI 做了什么、用了什么工具、结果如何。
• 清晰的提示词:告诉 Agent 你想要什么,越具体越好
• 分步执行:复杂任务拆成小步骤,逐步完成
• 善用命令:用 /status 检查状态,用 /history 回顾对话
• 关注工具调用:观察 Agent 用了什么工具,确认方向正确
• 及时重置:话题切换时用 /reset 清理上下文