### 创建 Python 代理的方法 要创建一个基于 Python 的代理（Agent），可以参考 LangChain 提供的功能模块以及如何配置和运行该代理。以下是关于如何实现这一目标的具体说明： #### 设置环境变量并加载模型 在构建任何代理之前，需要先设置必要的环境变量以便能够调用外部 API 或者预训练的语言模型。这通常涉及指定 OpenAI 的 API 密钥以及其他参数。 ```python import os from langchain.llms import OpenAI OPENAI_API_KEY = "your_openai_api_key" os.environ["OPENAI_API_KEY"] = OPENAI_API_KEY model_id = "gpt-4o" # 使用 GPT-4o 模型作为示例[^3] llm = OpenAI(model_name=model_id, temperature=0.7) ``` #### 定义工具集 (Tools) LangChain 中的 `Tool` 是指一组特定功能的操作集合，这些操作可以通过自然语言查询触发。例如，检索数据库记录或者生成文档摘要等功能都可以被定义成独立的工具。 ```python from langchain.tools import BaseTool from typing import Any class ExampleTool(BaseTool): name = "example_tool" description = "An example tool that returns fixed responses." def _run(self, query: str) -> str: """Use the tool.""" return f"You provided input '{query}'" tool_instance = ExampleTool() tools = [tool_instance] ``` #### 构建 Prompt Template 和 Agent Prompt template 负责将用户的输入转化为适合 LLM 处理的形式；而 agent 则负责解析用户请求并将它们映射到相应的工具上执行具体任务。 ```python from langchain.prompts import ChatPromptTemplate from langchain.agents import load_tools, initialize_agent, ZeroShotAgent prompt_template = ChatPromptTemplate.from_messages([ ("system", "You are a helpful assistant."), ("human", "{input}"), ("ai", "") ]) agent_prompt = ZeroShotAgent.create_prompt(tools) agent = initialize_agent( tools, llm, agent=ZeroShotAgent, handle_parsing_errors=True, verbose=True ) ``` #### 执行 Agent 并获取结果 一旦完成了上述准备工作之后，就可以通过向代理传递实际问题来获得解答了。 ```python result = agent.run("What is transformers?") print(result) ``` 以上代码片段展示了如何一步步地建立自己的 Python 基础版代理程序[^1]。当然，在某些情况下可能还需要额外调整 SQL 查询逻辑等问题以满足更复杂的需求场景[^4]。 如果计划部署此服务至 Google Cloud，则需注意按照官方指导手册完成身份验证流程，从而允许自定义编码的服务主体拥有适当权限去管理资源实例[^2]。