<think>我们使用Python来开发一个简单的Agent。这里我们以ReAct（Reasoning and Acting）模式的Agent为例，它结合了推理和行动，通常用于与外部环境（如搜索引擎、数据库）交互来解决问题。 我们将使用LangChain框架来构建一个简单的Agent，因为LangChain提供了构建Agent所需的基本组件（如工具、代理、记忆等）。但是，注意：由于LangChain的版本更新较快，以下代码可能基于较新的版本（这里以0.0.200+为例），并且需要安装必要的包。 步骤： 1. 安装必要的库：langchain, openai等 2. 准备一个OpenAI的API密钥（或其他LLM提供商的密钥） 3. 定义一些工具（Tools）供Agent使用 4. 初始化Agent 注意：由于我们无法实际运行需要API密钥或外部访问的工具，这里将模拟一些工具。 我们将创建一个简单的Agent，它可以使用两个工具： - 搜索工具：模拟一个搜索引擎，返回固定的字符串（实际中可以是调用Google Search API） - 计算工具：执行数学计算（这里使用Python的eval，注意安全，实际中应避免使用eval，这里仅作演示） 但是，请注意，在实际开发中，我们应该避免使用eval，因为它可能执行任意代码。这里为了简单演示，我们使用eval，但在生产环境中应该使用更安全的方式（如使用数学表达式解析库）。 我们将使用OpenAI的模型作为Agent的大脑。 代码步骤： 1. 导入必要的库 2. 设置环境变量（如OPENAI_API_KEY） 3. 定义工具 4. 初始化LLM 5. 初始化Agent 由于我们使用LangChain，我们可以利用其内置的AgentType和initialize_agent函数。 注意：以下代码需要安装langchain和openai，可以使用pip安装： pip install langchain openai 另外，我们使用dotenv来管理环境变量，但也可以直接设置。 我们将创建一个名为SimpleAgent的类，但这里我们直接编写可执行的脚本。 由于我们无法获取真正的环境变量，这里假设用户自行设置。 范例代码： </think> # Python Agent 开发范例：天气查询助手 下面我将创建一个基于Python的智能Agent，它可以理解自然语言查询，调用天气API获取数据，并生成自然语言回复。这个Agent使用LangChain框架构建，结合了大型语言模型(LLM)的推理能力和外部API的调用能力。 ```python # 安装必要库 # pip install langchain openai python-dotenv requests import os from langchain.agents import AgentType, initialize_agent from langchain.chat_models import ChatOpenAI from langchain.tools import Tool from langchain.memory import ConversationBufferMemory from langchain.prompts import MessagesPlaceholder from langchain.schema import SystemMessage from dotenv import load_dotenv import requests # 加载环境变量（在.env文件中存储API密钥） load_dotenv() # 设置OpenAI API密钥 os.environ["OPENAI_API_KEY"] = os.getenv("OPENAI_API_KEY") # 1. 定义天气查询工具 def get_current_weather(location: str) -> str: """获取指定城市的当前天气情况""" try: # 使用OpenWeatherMap API（需要注册获取API密钥） api_key = os.getenv("OPENWEATHER_API_KEY") or "your_openweather_api_key" base_url = "http://api.openweathermap.org/data/2.5/weather" params = { "q": location, "appid": api_key, "units": "metric" } response = requests.get(base_url, params=params) data = response.json() if response.status_code == 200: weather = data["weather"][0]["description"] temp = data["main"]["temp"] humidity = data["main"]["humidity"] return f"{location}的当前天气：{weather}，温度 {temp}°C，湿度 {humidity}%" else: return f"无法获取{location}的天气信息，错误：{data.get('message', '未知错误')}" except Exception as e: return f"查询天气时出错：{str(e)}" # 2. 创建工具集 tools = [ Tool( name="GetCurrentWeather", func=get_current_weather, description="当需要查询某个城市的当前天气时使用此工具。输入应为城市名称（如'北京'或'New York'）" ) ] # 3. 设置系统提示 system_message = SystemMessage( content="你是一个友好的天气助手，帮助用户查询世界各地城市的当前天气。" "使用GetCurrentWeather工具获取天气信息。" "如果用户询问与天气无关的问题，礼貌地告知你的专长是天气查询。" "保持回复简洁友好，使用用户的语言回复。" ) # 4. 初始化LLM（使用gpt-3.5-turbo） llm = ChatOpenAI(temperature=0.7, model="gpt-3.5-turbo") # 5. 添加对话记忆 memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True) # 6. 创建Agent agent_kwargs = { "extra_prompt_messages": [MessagesPlaceholder(variable_name="chat_history")], "system_message": system_message, } agent = initialize_agent( tools, llm, agent=AgentType.OPENAI_FUNCTIONS, verbose=True, # 设置为True可以看到Agent的思考过程 memory=memory, agent_kwargs=agent_kwargs, ) # 7. 测试Agent if __name__ == "__main__": print("天气助手：你好！我是天气查询助手，请问需要查询哪个城市的天气？") while True: user_input = input("你：") if user_input.lower() in ["退出", "exit", "quit", "q"]: print("天气助手：再见！随时欢迎咨询天气信息。") break response = agent.run(user_input) print(f"天气助手：{response}") ``` ## 代码详解 ### 1. 环境设置 - 使用`python-dotenv`管理API密钥 - 需要OpenAI API密钥和OpenWeatherMap API密钥 ### 2. 天气查询工具 - `get_current_weather`函数调用OpenWeatherMap API获取天气数据 - 返回格式化的天气信息字符串 ### 3. Agent核心组件 - **工具(Tools)**: 定义Agent可以使用的功能 - **记忆(Memory)**: `ConversationBufferMemory`保存对话历史 - **提示(Prompt)**: 系统消息定义Agent的角色和能力 - **LLM**: 使用OpenAI的gpt-3.5-turbo模型 ### 4. Agent初始化 - 使用`initialize_agent`创建Agent - 指定Agent类型为`OPENAI_FUNCTIONS`，适合使用工具调用 - `verbose=True`可查看Agent的思考过程 ### 5. 交互循环 - 简单的命令行交互界面 - 持续对话直到用户输入退出命令 ## 运行示例 ``` 天气助手：你好！我是天气查询助手，请问需要查询哪个城市的天气？ 你：北京现在的天气怎么样？ > Entering new AgentExecutor chain... 我需要查询北京的当前天气 Action: GetCurrentWeather Action Input: "北京" Observation: 北京的当前天气：晴，温度 25.5°C，湿度 45% 北京现在天气晴朗，温度25.5摄氏度，湿度45% <思考结束，回复用户> 天气助手：北京目前天气晴朗，温度25.5°C，湿度45%。 你：那上海呢？ > Entering new AgentExecutor chain... 我需要查询上海的当前天气 Action: GetCurrentWeather Action Input: "上海" Observation: 上海的当前天气：多云，温度 28.3°C，湿度 60% 上海现在多云，温度28.3摄氏度，湿度60% <思考结束，回复用户> 天气助手：上海目前多云，温度28.3°C，湿度60%。 你：谢谢，再见 天气助手：不客气！随时欢迎咨询天气信息，再见！ ``` ## Agent开发关键概念 1. **工具(Tools)**: Agent可以调用的外部函数 2. **提示工程(Prompt Engineering)**: 设计系统提示指导Agent行为 3. **记忆管理(Memory Management)**: 保存对话上下文 4. **决策链(Reasoning Chain)**: Agent的思考-行动-观察循环 5. **错误处理**: 处理API失败和意外输入