适用于 PowerShell 7.0 及以上版本
AI Agent（智能代理）是当前大语言模型应用的热门方向。与传统的”单次问答”不同，Agent 能够自主规划任务步骤、调用外部工具、根据执行结果进行推理，最终完成复杂目标。对于系统运维工程师来说，这意味着可以将 LLM 的理解能力与 PowerShell 强大的系统管理能力结合起来，构建出真正”懂意图”的自动化框架。
PowerShell 作为 Windows/Linux/macOS 通用的脚本语言，天生具备丰富的系统管理 cmdlet（如文件操作、进程管理、网络请求、注册表读写等），这些都可以作为 Agent 的”工具”暴露给 LLM。通过精心设计的工具调用协议，Agent 可以根据用户的自然语言描述，自动选择合适的命令并执行。
本文将分三个部分逐步构建一个轻量级 AI Agent 框架：首先实现与 LLM API 的对话集成，然后定义工具调用机制，最后实现 ReAct（Reasoning + Acting）循环，使 Agent 具备多步推理和自主执行的能力。
LLM API 集成 Agent 的核心是语言模型。我们首先封装一个通用的 LLM 调用函数，支持 OpenAI 兼容的 API（包括 OpenAI 官方、Azure OpenAI、以及 Ollama 等本地部署的模型）。该函数负责构建对话上下文、发送请求并解析响应。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 function Invoke-LLMChat [CmdletBinding ()] param ( [Parameter (Mandatory )] [array ]$Messages , [Parameter ()] [string ]$Model = 'gpt-4o-mini' , [Parameter ()] [string ]$BaseUrl = 'https://api.openai.com/v1' , [Parameter ()] [string ]$ApiKey = $env:OPENAI_API_KEY , [Parameter ()] [double ]$Temperature = 0.3 , [Parameter ()] [array ]$Tools ) $headers = @ { 'Content-Type' = 'application/json' 'Authorization' = "Bearer $ApiKey " } $body = @ { model = $Model messages = $Messages temperature = $Temperature } if ($Tools ) { $body ['tools' ] = $Tools $body ['tool_choice' ] = 'auto' } $uri = "$BaseUrl /chat/completions" $response = Invoke-RestMethod -Uri $uri -Method Post -Headers $headers -Body ($body | ConvertTo-Json -Depth 10 ) return $response .choices[0 ].message } $systemPrompt = @" 你是一个 PowerShell 运维 Agent。你可以使用提供的工具来执行系统管理任务。 请根据用户的请求，选择合适的工具进行操作。每次只调用一个工具。 如果任务需要多个步骤，请逐步完成。操作完成后请给出简洁的总结。 "@ $script:conversationHistory = @ ( @ { role = 'system' ; content = $systemPrompt } )
上面的代码定义了 Invoke-LLMChat 函数，它接受对话消息数组、模型名称和可选的工具定义。通过 $env:OPENAI_API_KEY 环境变量读取 API 密钥，方便切换不同的 API 提供商。
执行结果示例：
1 2 3 4 PS> Invoke-LLMChat -Messages @(@{role='user';content='你好'}) -Model 'gpt-4o-mini' role : assistant content : 你好！我是 PowerShell 运维 Agent，可以帮助你管理系统。请问有什么需要？
工具调用框架 接下来定义 Agent 可用的工具集。每个工具包含名称、描述和参数定义（遵循 JSON Schema 格式），以及对应的 PowerShell 执行函数。当 LLM 决定调用某个工具时，我们会解析其返回的函数调用请求，执行对应的 PowerShell 命令，并将结果反馈给模型。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 $script:agentTools = @ ( @ { type = 'function' function = @ name = 'get_system_info' description = '获取当前系统的基本信息，包括操作系统版本、CPU、内存、磁盘使用情况' parameters = @ { type = 'object' properties = @ { details = @ { type = 'boolean' description = '是否返回详细信息' } } } } } @ { type = 'function' function = @ name = 'list_processes' description = '列出当前运行的进程，可按名称筛选并排序' parameters = @ { type = 'object' properties = @ { name = @ { type = 'string' description = '按进程名称筛选（支持通配符）' } top = @ { type = 'integer' description = '返回前 N 个结果，默认 10' } sortBy = @ { type = 'string' enum = @('CPU ', 'Memory ', 'Name ') description = '排序依据' } } } } } @ { type = 'function' function = @ name = 'read_file_content' description = '读取指定路径的文件内容' parameters = @ { type = 'object' properties = @ { path = @ { type = 'string' description = '文件路径' } lastN = @ { type = 'integer' description = '只读取最后 N 行' } } required = @ ('path' ) } } } ) function Invoke-AgentTool [CmdletBinding ()] param ( [Parameter (Mandatory )] [string ]$ToolName , [Parameter (Mandatory )] [hashtable ]$Arguments ) switch ($ToolName ) { 'get_system_info' { $os = Get-CimInstance Win32_OperatingSystem $cpu = Get-CimInstance Win32_Processor | Select-Object -First 1 $disks = Get-CimInstance Win32_LogicalDisk -Filter 'DriveType=3' $result = @ { OS = $os .Caption Version = $os .Version CPU = $cpu .Name TotalMemGB = [math ]::Round($os .TotalVisibleMemorySize / 1 MB, 2 ) FreeMemGB = [math ]::Round($os .FreePhysicalMemory / 1 MB, 2 ) Disks = $disks | ForEach-Object { @ { Drive = $_ .DeviceID FreeGB = [math ]::Round($_ .FreeSpace / 1 GB, 2 ) TotalGB = [math ]::Round($_ .Size / 1 GB, 2 ) UsedPct = [math ]::Round(($_ .Size - $_ .FreeSpace) / $_ .Size * 100 , 1 ) } } } return ($result | ConvertTo-Json -Depth 5 ) } 'list_processes' { $procs = Get-Process if ($Arguments .name) { $procs = $procs | Where-Object { $_ .Name -like $Arguments .name } } $sortField = if ($Arguments .sortBy -eq 'Memory' ) { 'WorkingSet64' } elseif ($Arguments .sortBy -eq 'CPU' ) { 'CPU' } else { 'Name' } $top = if ($Arguments .top) { $Arguments .top } else { 10 } $result = $procs | Sort-Object -Property $sortField -Descending | Select-Object -First $top | ForEach-Object { @ { Name = $_ .Name PID = $_ .Id CPU_s = [math ]::Round($_ .CPU, 2 ) MemoryMB = [math ]::Round($_ .WorkingSet64 / 1 MB, 2 ) } } return ($result | ConvertTo-Json -Depth 3 ) } 'read_file_content' { $path = $Arguments .path if (-not (Test-Path $path )) { return "错误：文件 '$path ' 不存在" } $content = Get-Content $path -Encoding UTF8 if ($Arguments .lastN -gt 0 ) { $content = $content | Select-Object -Last $Arguments .lastN } return ($content -join "`n" ) } default { return "错误：未知工具 '$ToolName '" } } }
这段代码定义了三个实用工具：get_system_info 获取系统状态、list_processes 管理进程、read_file_content 读取文件。Invoke-AgentTool 函数作为分发器，根据工具名路由到对应的实现逻辑。
执行结果示例：
1 2 3 4 5 6 7 8 9 10 11 12 13 PS> Invoke-AgentTool -ToolName 'get_system_info' -Arguments @{} { "OS": "Microsoft Windows 11 Pro", "Version": "10.0.26100", "CPU": "AMD Ryzen 9 7950X", "TotalMemGB": 31.73, "FreeMemGB": 14.25, "Disks": [ { "Drive": "C:", "FreeGB": 234.5, "TotalGB": 512.0, "UsedPct": 54.2 }, { "Drive": "D:", "FreeGB": 876.1, "TotalGB": 1024.0, "UsedPct": 14.4 } ] }
ReAct 循环实现 现在将 LLM 和工具调用结合起来，实现 ReAct（Reasoning + Acting）循环。Agent 在每一步都会思考当前状态、选择一个工具执行、观察执行结果，然后决定下一步行动，直到任务完成或达到最大步数限制。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 function Start-AgentReAct [CmdletBinding ()] param ( [Parameter (Mandatory )] [string ]$UserQuery , [Parameter ()] [int ]$MaxSteps = 10 , [Parameter ()] [string ]$Model = 'gpt-4o-mini' , [Parameter ()] [string ]$BaseUrl = 'https://api.openai.com/v1' , [Parameter ()] [switch ]$Verbose ) $history = [System.Collections.ArrayList ]::new() [void ]$history .Add(@ { role = 'system' ; content = $systemPrompt }) [void ]$history .Add(@ { role = 'user' ; content = $UserQuery }) Write-Host "`n=== Agent 启动 ===" -ForegroundColor Cyan Write-Host "任务: $UserQuery `n" -ForegroundColor Yellow for ($step = 1 ; $step -le $MaxSteps ; $step ++) { Write-Host "--- 步骤 $step /$MaxSteps ---" -ForegroundColor DarkGray $response = Invoke-LLMChat -Messages $history -Model $Model ` -BaseUrl $BaseUrl -Tools $script:agentTools if (-not $response .tool_calls) { Write-Host "`n=== Agent 完成 ===" -ForegroundColor Green Write-Host "最终回复: $ ($response .content)" -ForegroundColor White return $response .content } [void ]$history .Add($response ) foreach ($toolCall in $response .tool_calls) { $toolName = $toolCall .function.name $toolArgs = $toolCall .function.arguments | ConvertFrom-Json -AsHashtable if ($Verbose ) { Write-Host "调用工具: $toolName " -ForegroundColor Magenta Write-Host "参数: $ ($toolArgs | ConvertTo-Json -Compress)" -ForegroundColor DarkGray } $toolOutput = Invoke-AgentTool -ToolName $toolName -Arguments $toolArgs if ($Verbose ) { $preview = if ($toolOutput .Length -gt 200 ) { $toolOutput .Substring(0 , 200 ) + '...' } else { $toolOutput } Write-Host "结果: $preview " -ForegroundColor DarkGray } [void ]$history .Add(@ { role = 'tool' tool_call_id = $toolCall .id content = $toolOutput }) } } Write-Host "`n=== 达到最大步数限制 ===" -ForegroundColor Red Write-Host "Agent 未能在 $MaxSteps 步内完成任务。" -ForegroundColor Red }
这段代码实现了完整的 ReAct 循环。每次迭代中，Agent 先向 LLM 发送当前对话历史和可用工具列表，LLM 决定是直接回复还是调用工具。如果调用了工具，执行后将结果追加到对话历史中，继续下一轮推理。
执行结果示例：
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 PS> Start-AgentReAct -UserQuery '检查系统磁盘空间是否充足，如果 C 盘使用率超过 80%，列出占用内存最多的 5 个进程' -Verbose === Agent 启动 === 任务: 检查系统磁盘空间是否充足，如果 C 盘使用率超过 80%，列出占用内存最多的 5 个进程 --- 步骤 1/10 --- 调用工具: get_system_info 参数: {"details":true} 结果: {"OS":"Microsoft Windows 11 Pro","Version":"10.0.26100","CPU":"AMD Ryzen 9 7950X",... --- 步骤 2/10 --- 调用工具: list_processes 参数: {"sortBy":"Memory","top":5} 结果: [{"Name":"chrome","PID":12804,"CPU_s":342.56,"MemoryMB":812.34},... --- 步骤 3/10 --- === Agent 完成 === 最终回复: 系统磁盘状态良好。C 盘使用率 54.2%，未超过 80% 阈值。 不过我仍然为你列出了占用内存最多的 5 个进程： 1. chrome (PID 12804) - 812.3 MB 2. Code (PID 9216) - 654.1 MB 3. msedge (PID 4452) - 423.7 MB 4. PowerShell (PID 7780) - 287.4 MB 5. docker (PID 3308) - 198.2 MB
注意事项
API 密钥安全 ：切勿将 API 密钥硬编码在脚本中，应通过环境变量（如 $env:OPENAI_API_KEY）或 Azure Key Vault 等密钥管理服务获取，避免密钥泄露。
工具执行权限 ：Agent 调用的工具具有与运行脚本相同的权限。在生产环境中，务必对工具实现添加权限校验和白名单机制，防止 Agent 执行危险操作（如删除关键文件、修改系统配置）。
循环步数限制 ：ReAct 循环必须设置 MaxSteps 上限，防止 LLM 陷入无限循环。建议根据任务复杂度设置为 5-15 步，并在达到上限时给出明确的告警信息。
本地模型支持 ：如果使用 Ollama 等本地模型，只需将 BaseUrl 改为 http://localhost:11434/v1，ApiKey 设为 ollama 即可。但本地模型的工具调用能力可能不如 GPT-4 系列稳定，建议充分测试。
错误处理与重试 ：网络请求可能因超时或限流失败。建议在 Invoke-LLMChat 中添加指数退避重试逻辑，并对工具执行结果进行异常捕获，将错误信息反馈给 Agent 以便自我修正。
对话历史管理 ：长对话会消耗大量 Token。实际使用时应实现滑动窗口或摘要机制，在保留关键上下文的同时控制历史消息长度，降低 API 调用成本。