百行Lisp实现AI Agent：极简代码揭示智能体本质

当AI Agent遇上古老的Lisp

在AI Agent框架层出不穷、动辄需要庞大依赖库和复杂抽象层的今天，一个引人深思的项目在 Hacker News 上引发了广泛讨论：仅用 100 行 Lisp 代码就能实现一个功能完整的 AI Agent。

这个项目的核心价值不在于取代 LangChain、AutoGPT 这类成熟框架，而在于它揭示了 AI Agent 的本质——一个 Agent 的核心逻辑，其实远比我们想象的简单。当剥离掉工程化封装、错误处理和各种边界情况后，一个能够思考、调用工具、迭代执行的智能体，其骨架代码可以精简到令人惊讶的程度。

为什么选择Lisp？

用 Lisp 实现 Agent 并非偶然。Lisp（List Processing）由约翰·麦卡锡（John McCarthy）于1958年发明，最初正是为人工智能研究而生——这一点在今天常常被遗忘。在整个1970至80年代，Lisp几乎是AI研究的代名词，催生了专用的Lisp工作站（如Symbolics和LMI），并孕育了大量早期AI工具生态。Common Lisp和Scheme是其两大现代方言，前者至今仍活跃于工业级应用中。这段历史渊源，让用Lisp实现AI Agent更像是一次文明的回溯，而非猎奇之举。

Lisp 有几个特性天然契合 Agent 逻辑的表达需求：

• 代码即数据（Homoiconicity，同像性）：Lisp 中代码与数据共享同一种结构（S-表达式，即嵌套列表）。这一特性意味着程序可以像操作普通数据一样生成和修改自身代码。动态生成、修改和执行逻辑变得异常自然——这正是 Agent 处理工具调用与推理链时所需要的能力。工具调用的参数、推理链的中间结果，都可以用同一种结构无缝流转，无需额外的序列化和解析层。
• 强大的宏系统：宏（Macro）系统建立在同像性之上，可用极少代码构建领域专用语言（DSL），将 Agent 控制流表达得简洁优雅。
• 交互式开发（REPL）：支持快速迭代与调试，便于实时观察 Agent 行为。

Agent的本质：一个简单的循环

无论用何种语言实现，现代 LLM Agent 的核心逻辑都可归结为一个循环（loop）：

1. 接收用户目标：明确 Agent 需要完成的任务。
2. 调用大语言模型：将当前上下文（历史对话、可用工具描述、观察结果）发送给 LLM。
3. 解析模型输出：判断模型意图——直接回答，还是调用工具。
4. 执行工具并获取结果：若需调用工具，执行后将结果反馈给模型。
5. 重复迭代：直到模型认为任务完成，输出最终答案。

这一 ReAct（Reasoning + Acting）循环，正是绝大多数 Agent 框架的核心所在。ReAct 框架由 Google Research 于2022年提出（论文全称《ReAct: Synergizing Reasoning and Acting in Language Models》），其核心思想是让 LLM 在生成行动（Act）之前先进行显式推理（Reason），并将执行结果作为观察（Observation）反馈回模型形成闭环。这一范式被 LangChain、AutoGPT 等主流框架广泛采用，成为现代 Agent 架构的基石。100 行 Lisp 之所以能实现完整 Agent，正是因为它抓住了这一本质循环，而没有陷入过度工程化的泥潭。

100行代码包含哪些模块

虽然具体实现细节各异，但这类极简 Agent 通常包含以下几个模块：

• LLM 通信层：封装对 OpenAI 或其他模型 API 的 HTTP 调用，处理 JSON 序列化与反序列化。
• 工具注册与分发：定义可供 Agent 调用的函数（如网络搜索、计算器、文件读写），并将描述注入提示词。
• 主循环控制器：实现 ReAct 循环，管理对话状态。
• 输出解析器：从模型返回文本中提取工具调用意图与参数。

在 Lisp 中，这些模块借助其强表达力可以写得极为紧凑。工具的定义和调用几乎可以直接用列表结构表达，省去了其他语言中大量的样板代码（boilerplate）——在 Python 或 Java 中需要数十行才能表达的结构，在 Lisp 的 S-表达式中往往三五行即可完成。

极简主义带来的三重启示

启示一：理解原理比熟用框架更重要

这个项目最有价值的洞见是：深入理解 Agent 工作原理，比熟练使用某个框架更重要。当开发者习惯了通过高层抽象框架构建 Agent，很容易将其神秘化，误以为需要复杂的技术栈才能实现。

而 100 行代码清晰证明：Agent 的智能几乎完全来自底层大语言模型，框架代码只是在做「胶水」工作——把用户意图、工具能力和模型推理串联起来。对初学者而言，从零手写一个极简 Agent，是理解整个 LLM Agent 开发技术栈最有效的方式。

启示二：可控性与透明度的真实价值

重量级框架功能丰富，但也带来了黑盒问题：当 Agent 行为异常时，开发者往往难以判断问题究竟出在自己的代码、框架的抽象层，还是模型本身。这一现象在软件工程中被称为**「泄漏抽象」（Leaky Abstraction）**——底层细节终究会穿透抽象层暴露出来，而不了解底层原理的开发者将束手无策。在生产环境中，一个 Agent 行为异常可能源于：提示词模板的细微差异、框架内置的重试逻辑、工具调用的序列化问题，或是模型本身的不确定性，多层抽象使得问题定位极为困难。

相比之下，百行级别的自实现 Agent 具有完全的透明度。每一行代码都在掌控之中，调试和定制变得直接明了。对于研究性探索、或对可靠性有严格要求的生产场景，这种可控性往往比现成框架的便利性更有价值。

启示三：正视极简的边界

当然，我们也需客观看待局限。100 行代码的 Agent 是一个优雅的「教学模型」，距离生产可用仍有相当距离。它通常缺乏：

• 健壮的错误处理与重试机制
• 长期记忆与上下文管理
• 多 Agent 协作能力
• 可观测性与日志追踪
• 安全沙箱（尤其在执行工具调用时）

这些正是成熟框架存在的意义。极简实现展示的是核心逻辑，工程化框架解决的是规模化落地的问题——二者并不矛盾，而是互补关系。

小而美的工程哲学

这个项目呼应了软件工程中一个长盛不衰的理念：能用简单方案解决的问题，就不要引入复杂性。这一原则有时被称为「奥卡姆剃刀」在工程领域的投影，也是 Unix 哲学「做好一件事」的现代回响。在 AI Agent 这个被过度炒作、框架泛滥的领域，一个 100 行的 Lisp 实现犹如一记清醒剂。

它提醒我们：真正的技术理解来自亲手触及本质，而非堆砌抽象。对于想深入掌握 AI Agent 开发的工程师而言，与其一头扎进庞大框架的文档，不如先花一个下午，用自己熟悉的语言实现一个百行级别的迷你 Agent。当亲手写下那个核心循环时，Agent 不再是神秘的黑盒，而变成了一个逻辑清晰、可以自由塑造的工具。

这或许才是这类极简项目最大的价值所在。

核心要点