用 Kimi K3 开发智能体：接入网页搜索和本地函数的最小闭环

开发 Kimi 智能体的最小闭环是：模型收到任务，调用网页搜索取得最新资料，再调用你自己写的确定性函数，应用把每个结果连同 tool_call_id 回填给模型，最后得到带来源的答复。这里用“梳理某行业近两年公开信息”作演示任务，流程依据 2026 年 10 月 1 日读取的Kimi K3 官方智能体完整示例，不是我们已替你实际运行的案例。

先定义输入和合格输出

演示输入可以是“研究 2024—2026 年中国人形机器人产业”。合格输出至少包含研究范围、关键发现、相互矛盾的来源、风险和来源链接。没有来源的市场规模数字只能标成待核实，不能当作事实。把任务分成检索、分析、交付三段，比只说“帮我研究”更容易检查。

准备环境并运行官方完整示例

准备 Python 3.9 或更新版本，安装 openai 和 httpx：python -m pip install --upgrade openai httpx。
从Kimi 开放平台获取 API Key，通过环境变量 MOONSHOT_API_KEY 提供给程序，不要粘进源码。先确认账号可用余额和 K3 权限；K3 官方说明指出成功充值后才能解锁模型。
打开上述官方教程的“Complete Agent Loop”，将完整 Python 示例保存为 agent.py。先不删掉其中的错误分支和最大工具回合限制；只替换 main() 中的行业问题为自己的演示问题。
执行 python agent.py。成功时应输出有摘要、发现、风险和来源的报告；再逐条打开引用核对数字和日期。若只输出原始搜索片段，说明交付阶段没有完成。

为什么官方示例同时用两类工具

build_research_plan 是本地函数，它把主题、地区、起止年份变成固定结构，模型不能替代它的参数校验。下面是官方示例中的核心判断，可在本地单独运行并检查返回值：

def build_research_plan(topic, region, start_year, end_year):
    if start_year > end_year:
        return {"error": "start_year must not exceed end_year"}
    return {"topic": topic, "region": region,
            "period": f"{start_year}-{end_year}"}

print(build_research_plan("人形机器人", "China", 2024, 2026))

moonshot/web-search:latest 是官方搜索 Formula，运行前从 /formulas/{formula_uri}/tools 动态取得工具定义，模型选择搜索后再由程序请求对应 fiber。官方工具说明列有此调用流程；检索服务可能另计费，使用前核对搜索工具价格页。

这段简化伪代码标明循环边界，实际可运行的异常处理、HTTP 请求和完整参数请以官方示例为准：

for _ in range(8):
    response = await client.chat.completions.create(
        model="kimi-k3", messages=messages, tools=tools,
        max_completion_tokens=8192)
    msg = response.choices[0].message
    messages.append(msg)  # 保留完整消息，包括 reasoning_content
    if not msg.tool_calls:
        return msg.content
    for call in msg.tool_calls:
        result = await dispatch(call)  # 本地函数或官方搜索
        messages.append({"role": "tool", "tool_call_id": call.id,
                         "content": result})
raise RuntimeError("工具调用超过预设回合")

关键是保留完整模型消息，并让每个工具结果使用对应的 tool_call_id。只回填文本、不回填调用 ID，会破坏下一回合上下文。官方示例还对输出截断直接报错；不能把 finish_reason=length 当成完成。