)
目前演示的是langchainV0.3版本智能体调用import json import os import httpx from dotenv import load_dotenv from langchain_openai import ChatOpenAI from langchain_classic.agents import create_tool_calling_agent from langchain_classic.agents import AgentExecutor from langchain_core.prompts import ChatPromptTemplate from langchain_core.tools import tool 多工具并行调用,一次性发起了同一个外部函数的两次调用请求并将最后结果聚合 一次问题 → 多工具调用 → 聚合回答 load_dotenv() tool def get_weather(loc): 查询即时天气函数 :param loc: 必要参数字符串类型用于表示查询天气的具体城市名称。 注意中国的城市需要用对应城市的英文名称代替例如如果需要查询北京市天气 则 loc 参数需要输入 Beijing/shanghai。 :return: OpenWeather API 查询即时天气的结果。具体 URL 请求地址为 https://api.openweathermap.org/data/2.5/weather。 返回结果对象类型为解析之后的 JSON 格式对象并用字符串形式进行表示 其中包含了全部重要的天气信息。 # Step 1. 构建请求 URL url https://api.openweathermap.org/data/2.5/weather # Step 2. 设置查询参数包括城市名、API Key、单位和语言 params { q: loc, #appid: os.getenv(OPENWEATHER_API_KEY), # 从环境变量中读取 API Key appid: fc19f7b552b4c1ae467e36fe69556668, # 从环境变量中读取 API Key units: metric, # 使用摄氏度 lang: zh_cn # 输出语言为简体中文 } # Step 3. 发送 GET 请求获取天气数据 response httpx.get(url, paramsparams,timeout30) # Step 4. 解析响应内容为 JSON 并序列化为字符串返回 data response.json() print(json.dumps(data)) return json.dumps(data) # 初始化模型实例用于处理自然语言任务 llm ChatOpenAI( modeldeepseek-v4-pro, api_keyos.getenv(DEEPSEEK_API_KEY), base_urlhttps://api.deepseek.com ) # 创建聊天提示模板定义agent的对话结构和角色 prompt ChatPromptTemplate.from_messages( [ (system, 你是天气助手请根据用户的问题给出相应的天气信息), (human, {input}), (placeholder, {agent_scratchpad}), ] ) # 定义可用工具列表包含获取天气信息的工具函数 tools [get_weather] # 创建工具调用agent整合语言模型、工具和提示模板。该agent能够根据用户问题调用相应工具获取天气信息 agent create_tool_calling_agent(llm, tools, prompt) # 创建agent执行器负责协调agent和工具的执行流程 # agent参数指定要执行的agent实例 # tools参数提供agent可调用的工具列表 # verbose参数设置为True启用详细输出模式便于调试 agent_executor AgentExecutor(agentagent, toolstools, verboseTrue) # 执行agent处理用户关于北京和上海天气的查询请求 result agent_executor.invoke({input: 请问今天北京和上海的天气怎么样哪个城市更热}) # 输出执行结果 print(result)返回的结果是D:\python310\python.exe D:\PycharmProjects\PythonProject\12_agent\AgentSmartSelectV0.3.py Entering new AgentExecutor chain... Invoking: get_weather with {loc: Beijing} responded: 好的我来同时查询北京和上海的天气马上为您比较。 {coord: {lon: 116.3972, lat: 39.9075}, weather: [{id: 804, main: Clouds, description: \u9634\uff0c\u591a\u4e91, icon: 04d}], base: stations, main: {temp: 28.24, feels_like: 34.14, temp_min: 28.24, temp_max: 28.24, pressure: 1000, humidity: 88, sea_level: 1000, grnd_level: 995}, visibility: 10000, wind: {speed: 2.93, deg: 350, gust: 3.69}, clouds: {all: 96}, dt: 1783757479, sys: {country: CN, sunrise: 1783716899, sunset: 1783770257}, timezone: 28800, id: 1816670, name: Beijing, cod: 200} {coord: {lon: 116.3972, lat: 39.9075}, weather: [{id: 804, main: Clouds, description: \u9634\uff0c\u591a\u4e91, icon: 04d}], base: stations, main: {temp: 28.24, feels_like: 34.14, temp_min: 28.24, temp_max: 28.24, pressure: 1000, humidity: 88, sea_level: 1000, grnd_level: 995}, visibility: 10000, wind: {speed: 2.93, deg: 350, gust: 3.69}, clouds: {all: 96}, dt: 1783757479, sys: {country: CN, sunrise: 1783716899, sunset: 1783770257}, timezone: 28800, id: 1816670, name: Beijing, cod: 200} Invoking: get_weather with {loc: shanghai} responded: 好的我来同时查询北京和上海的天气马上为您比较。 {coord: {lon: 121.4581, lat: 31.2222}, weather: [{id: 804, main: Clouds, description: \u9634\uff0c\u591a\u4e91, icon: 04d}], base: stations, main: {temp: 30.02, feels_like: 35.58, temp_min: 30.02, temp_max: 30.02, pressure: 1000, humidity: 72, sea_level: 1000, grnd_level: 999}, visibility: 10000, wind: {speed: 7.56, deg: 72, gust: 16.19}, clouds: {all: 100}, dt: 1783757402, sys: {country: CN, sunrise: 1783717073, sunset: 1783767654}, timezone: 28800, id: 1796236, name: Shanghai, cod: 200} {coord: {lon: 121.4581, lat: 31.2222}, weather: [{id: 804, main: Clouds, description: \u9634\uff0c\u591a\u4e91, icon: 04d}], base: stations, main: {temp: 30.02, feels_like: 35.58, temp_min: 30.02, temp_max: 30.02, pressure: 1000, humidity: 72, sea_level: 1000, grnd_level: 999}, visibility: 10000, wind: {speed: 7.56, deg: 72, gust: 16.19}, clouds: {all: 100}, dt: 1783757402, sys: {country: CN, sunrise: 1783717073, sunset: 1783767654}, timezone: 28800, id: 1796236, name: Shanghai, cod: 200}以下是今天北京和上海的天气对比 --- ### ️ **北京天气** | 项目 | 详情 | |------|------| | ☁️ 天气 | 阴多云 | | ️ 温度 | **28.24°C** | | 体感温度 | 34.14°C | | 湿度 | **88%** | | ️ 风速 | 2.93 m/s北风 | ### ️ **上海天气** | 项目 | 详情 | |------|------| | ☁️ 天气 | 阴多云 | | ️ 温度 | **30.02°C** | | 体感温度 | 35.58°C | | 湿度 | 72% | | ️ 风速 | 7.56 m/s东北风 | --- ### 对比结论**上海更热** - 上海的实际气温 **30.02°C**比北京高出约 **1.8°C** - 体感温度方面上海35.58°C也比北京34.14°C高出约 **1.4°C** - 不过北京的湿度高达 **88%**比上海更潮湿闷热所以虽然温度略低但闷热感并不逊色。 总体来说今天两个城市都是阴天多云气温都偏高建议出门注意防暑降温哦 Finished chain. {input: 请问今天北京和上海的天气怎么样哪个城市更热, output: 以下是今天北京和上海的天气对比\n\n---\n\n### ️ **北京天气**\n| 项目 | 详情 |\n|------|------|\n| ☁️ 天气 | 阴多云 |\n| ️ 温度 | **28.24°C** |\n| 体感温度 | 34.14°C |\n| 湿度 | **88%** |\n| ️ 风速 | 2.93 m/s北风 |\n\n### ️ **上海天气**\n| 项目 | 详情 |\n|------|------|\n| ☁️ 天气 | 阴多云 |\n| ️ 温度 | **30.02°C** |\n| 体感温度 | 35.58°C |\n| 湿度 | 72% |\n| ️ 风速 | 7.56 m/s东北风 |\n\n---\n\n### 对比结论**上海更热**\n\n- 上海的实际气温 **30.02°C**比北京高出约 **1.8°C**\n- 体感温度方面上海35.58°C也比北京34.14°C高出约 **1.4°C**\n- 不过北京的湿度高达 **88%**比上海更潮湿闷热所以虽然温度略低但闷热感并不逊色。\n\n总体来说今天两个城市都是阴天多云气温都偏高建议出门注意防暑降温哦} Process finished with exit code 0这里的(placeholder, {agent_scratchpad})可以理解为在提示词中预留一个位置用来放 Agent 调用工具的过程记录。1.placeholder是什么placeholder表示“消息占位符”。普通消息是固定角色的一条消息(system, 你是天气助手) (human, {input})而(placeholder, {agent_scratchpad})不是一条固定消息。运行时LangChain 会把agent_scratchpad中的一组消息插入到这里。它大致等价于MessagesPlaceholder(variable_nameagent_scratchpad)2.agent_scratchpad是什么它是 Agent 的“临时工作记录区”主要保存模型决定调用哪个工具调用工具时传入的参数工具返回的结果Agent 根据结果继续进行的下一步操作这里的“scratchpad”可以直译为“草稿纸”。但它不是模型真正的隐藏思维过程而是Agent 执行工具所必需的结构化消息记录。3. 在这段代码中的执行过程用户输入请问今天北京和上海的天气怎么样哪个城市更热第一次发送给模型的内容大致是System: 你是天气助手请根据用户的问题给出相应的天气信息 Human: 请问今天北京和上海的天气怎么样哪个城市更热此时agent_scratchpad []因为还没有调用工具所以占位符中暂时没有内容。模型判断需要查询两个城市生成工具调用例如调用 get_weather(locBeijing) 调用 get_weather(locShanghai)AgentExecutor执行工具后会得到天气查询结果。接着这些工具调用和工具返回值会被放进agent_scratchpadAssistant: 调用 get_weather(locBeijing) Tool: 北京天气查询结果 Assistant: 调用 get_weather(locShanghai) Tool: 上海天气查询结果然后再次把完整提示发送给模型System: 你是天气助手…… Human: 请问今天北京和上海的天气怎么样哪个城市更热 Assistant: 调用 get_weather(locBeijing) Tool: 北京天气查询结果 Assistant: 调用 get_weather(locShanghai) Tool: 上海天气查询结果模型看到查询结果后才能生成最终回答北京今天 30℃上海今天 34℃因此上海更热。整体循环可以概括为用户问题 ↓ LLM 判断是否需要工具 ↓ 调用 get_weather ↓ 工具结果写入 agent_scratchpad ↓ 重新调用 LLM ↓ 生成最终答案4. 为什么不能删除create_tool_calling_agent()要求提示模板中包含agent_scratchpad如果删除通常会报类似错误Prompt missing required variables: {agent_scratchpad}即便某些实现没有立即报错模型也看不到之前的工具调用结果无法根据天气 API 的返回值完成最终回答。一句话总结placeholder决定“在提示词的什么位置插入消息”agent_scratchpad保存“Agent 调用了什么工具以及工具返回了什么”。
目前演示的是langchainV0.3版本智能体调用import json import os import httpx from dotenv import load_dotenv from langchain_openai import ChatOpenAI from langchain_classic.agents import create_tool_calling_agent from langchain_classic.agents import AgentExecutor from langchain_core.prompts import ChatPromptTemplate from langchain_core.tools import tool 多工具并行调用,一次性发起了同一个外部函数的两次调用请求并将最后结果聚合 一次问题 → 多工具调用 → 聚合回答 load_dotenv() tool def get_weather(loc): 查询即时天气函数 :param loc: 必要参数字符串类型用于表示查询天气的具体城市名称。 注意中国的城市需要用对应城市的英文名称代替例如如果需要查询北京市天气 则 loc 参数需要输入 Beijing/shanghai。 :return: OpenWeather API 查询即时天气的结果。具体 URL 请求地址为 https://api.openweathermap.org/data/2.5/weather。 返回结果对象类型为解析之后的 JSON 格式对象并用字符串形式进行表示 其中包含了全部重要的天气信息。 # Step 1. 构建请求 URL url https://api.openweathermap.org/data/2.5/weather # Step 2. 设置查询参数包括城市名、API Key、单位和语言 params { q: loc, #appid: os.getenv(OPENWEATHER_API_KEY), # 从环境变量中读取 API Key appid: fc19f7b552b4c1ae467e36fe69556668, # 从环境变量中读取 API Key units: metric, # 使用摄氏度 lang: zh_cn # 输出语言为简体中文 } # Step 3. 发送 GET 请求获取天气数据 response httpx.get(url, paramsparams,timeout30) # Step 4. 解析响应内容为 JSON 并序列化为字符串返回 data response.json() print(json.dumps(data)) return json.dumps(data) # 初始化模型实例用于处理自然语言任务 llm ChatOpenAI( modeldeepseek-v4-pro, api_keyos.getenv(DEEPSEEK_API_KEY), base_urlhttps://api.deepseek.com ) # 创建聊天提示模板定义agent的对话结构和角色 prompt ChatPromptTemplate.from_messages( [ (system, 你是天气助手请根据用户的问题给出相应的天气信息), (human, {input}), (placeholder, {agent_scratchpad}), ] ) # 定义可用工具列表包含获取天气信息的工具函数 tools [get_weather] # 创建工具调用agent整合语言模型、工具和提示模板。该agent能够根据用户问题调用相应工具获取天气信息 agent create_tool_calling_agent(llm, tools, prompt) # 创建agent执行器负责协调agent和工具的执行流程 # agent参数指定要执行的agent实例 # tools参数提供agent可调用的工具列表 # verbose参数设置为True启用详细输出模式便于调试 agent_executor AgentExecutor(agentagent, toolstools, verboseTrue) # 执行agent处理用户关于北京和上海天气的查询请求 result agent_executor.invoke({input: 请问今天北京和上海的天气怎么样哪个城市更热}) # 输出执行结果 print(result)返回的结果是D:\python310\python.exe D:\PycharmProjects\PythonProject\12_agent\AgentSmartSelectV0.3.py Entering new AgentExecutor chain... Invoking: get_weather with {loc: Beijing} responded: 好的我来同时查询北京和上海的天气马上为您比较。 {coord: {lon: 116.3972, lat: 39.9075}, weather: [{id: 804, main: Clouds, description: \u9634\uff0c\u591a\u4e91, icon: 04d}], base: stations, main: {temp: 28.24, feels_like: 34.14, temp_min: 28.24, temp_max: 28.24, pressure: 1000, humidity: 88, sea_level: 1000, grnd_level: 995}, visibility: 10000, wind: {speed: 2.93, deg: 350, gust: 3.69}, clouds: {all: 96}, dt: 1783757479, sys: {country: CN, sunrise: 1783716899, sunset: 1783770257}, timezone: 28800, id: 1816670, name: Beijing, cod: 200} {coord: {lon: 116.3972, lat: 39.9075}, weather: [{id: 804, main: Clouds, description: \u9634\uff0c\u591a\u4e91, icon: 04d}], base: stations, main: {temp: 28.24, feels_like: 34.14, temp_min: 28.24, temp_max: 28.24, pressure: 1000, humidity: 88, sea_level: 1000, grnd_level: 995}, visibility: 10000, wind: {speed: 2.93, deg: 350, gust: 3.69}, clouds: {all: 96}, dt: 1783757479, sys: {country: CN, sunrise: 1783716899, sunset: 1783770257}, timezone: 28800, id: 1816670, name: Beijing, cod: 200} Invoking: get_weather with {loc: shanghai} responded: 好的我来同时查询北京和上海的天气马上为您比较。 {coord: {lon: 121.4581, lat: 31.2222}, weather: [{id: 804, main: Clouds, description: \u9634\uff0c\u591a\u4e91, icon: 04d}], base: stations, main: {temp: 30.02, feels_like: 35.58, temp_min: 30.02, temp_max: 30.02, pressure: 1000, humidity: 72, sea_level: 1000, grnd_level: 999}, visibility: 10000, wind: {speed: 7.56, deg: 72, gust: 16.19}, clouds: {all: 100}, dt: 1783757402, sys: {country: CN, sunrise: 1783717073, sunset: 1783767654}, timezone: 28800, id: 1796236, name: Shanghai, cod: 200} {coord: {lon: 121.4581, lat: 31.2222}, weather: [{id: 804, main: Clouds, description: \u9634\uff0c\u591a\u4e91, icon: 04d}], base: stations, main: {temp: 30.02, feels_like: 35.58, temp_min: 30.02, temp_max: 30.02, pressure: 1000, humidity: 72, sea_level: 1000, grnd_level: 999}, visibility: 10000, wind: {speed: 7.56, deg: 72, gust: 16.19}, clouds: {all: 100}, dt: 1783757402, sys: {country: CN, sunrise: 1783717073, sunset: 1783767654}, timezone: 28800, id: 1796236, name: Shanghai, cod: 200}以下是今天北京和上海的天气对比 --- ### ️ **北京天气** | 项目 | 详情 | |------|------| | ☁️ 天气 | 阴多云 | | ️ 温度 | **28.24°C** | | 体感温度 | 34.14°C | | 湿度 | **88%** | | ️ 风速 | 2.93 m/s北风 | ### ️ **上海天气** | 项目 | 详情 | |------|------| | ☁️ 天气 | 阴多云 | | ️ 温度 | **30.02°C** | | 体感温度 | 35.58°C | | 湿度 | 72% | | ️ 风速 | 7.56 m/s东北风 | --- ### 对比结论**上海更热** - 上海的实际气温 **30.02°C**比北京高出约 **1.8°C** - 体感温度方面上海35.58°C也比北京34.14°C高出约 **1.4°C** - 不过北京的湿度高达 **88%**比上海更潮湿闷热所以虽然温度略低但闷热感并不逊色。 总体来说今天两个城市都是阴天多云气温都偏高建议出门注意防暑降温哦 Finished chain. {input: 请问今天北京和上海的天气怎么样哪个城市更热, output: 以下是今天北京和上海的天气对比\n\n---\n\n### ️ **北京天气**\n| 项目 | 详情 |\n|------|------|\n| ☁️ 天气 | 阴多云 |\n| ️ 温度 | **28.24°C** |\n| 体感温度 | 34.14°C |\n| 湿度 | **88%** |\n| ️ 风速 | 2.93 m/s北风 |\n\n### ️ **上海天气**\n| 项目 | 详情 |\n|------|------|\n| ☁️ 天气 | 阴多云 |\n| ️ 温度 | **30.02°C** |\n| 体感温度 | 35.58°C |\n| 湿度 | 72% |\n| ️ 风速 | 7.56 m/s东北风 |\n\n---\n\n### 对比结论**上海更热**\n\n- 上海的实际气温 **30.02°C**比北京高出约 **1.8°C**\n- 体感温度方面上海35.58°C也比北京34.14°C高出约 **1.4°C**\n- 不过北京的湿度高达 **88%**比上海更潮湿闷热所以虽然温度略低但闷热感并不逊色。\n\n总体来说今天两个城市都是阴天多云气温都偏高建议出门注意防暑降温哦} Process finished with exit code 0这里的(placeholder, {agent_scratchpad})可以理解为在提示词中预留一个位置用来放 Agent 调用工具的过程记录。1.placeholder是什么placeholder表示“消息占位符”。普通消息是固定角色的一条消息(system, 你是天气助手) (human, {input})而(placeholder, {agent_scratchpad})不是一条固定消息。运行时LangChain 会把agent_scratchpad中的一组消息插入到这里。它大致等价于MessagesPlaceholder(variable_nameagent_scratchpad)2.agent_scratchpad是什么它是 Agent 的“临时工作记录区”主要保存模型决定调用哪个工具调用工具时传入的参数工具返回的结果Agent 根据结果继续进行的下一步操作这里的“scratchpad”可以直译为“草稿纸”。但它不是模型真正的隐藏思维过程而是Agent 执行工具所必需的结构化消息记录。3. 在这段代码中的执行过程用户输入请问今天北京和上海的天气怎么样哪个城市更热第一次发送给模型的内容大致是System: 你是天气助手请根据用户的问题给出相应的天气信息 Human: 请问今天北京和上海的天气怎么样哪个城市更热此时agent_scratchpad []因为还没有调用工具所以占位符中暂时没有内容。模型判断需要查询两个城市生成工具调用例如调用 get_weather(locBeijing) 调用 get_weather(locShanghai)AgentExecutor执行工具后会得到天气查询结果。接着这些工具调用和工具返回值会被放进agent_scratchpadAssistant: 调用 get_weather(locBeijing) Tool: 北京天气查询结果 Assistant: 调用 get_weather(locShanghai) Tool: 上海天气查询结果然后再次把完整提示发送给模型System: 你是天气助手…… Human: 请问今天北京和上海的天气怎么样哪个城市更热 Assistant: 调用 get_weather(locBeijing) Tool: 北京天气查询结果 Assistant: 调用 get_weather(locShanghai) Tool: 上海天气查询结果模型看到查询结果后才能生成最终回答北京今天 30℃上海今天 34℃因此上海更热。整体循环可以概括为用户问题 ↓ LLM 判断是否需要工具 ↓ 调用 get_weather ↓ 工具结果写入 agent_scratchpad ↓ 重新调用 LLM ↓ 生成最终答案4. 为什么不能删除create_tool_calling_agent()要求提示模板中包含agent_scratchpad如果删除通常会报类似错误Prompt missing required variables: {agent_scratchpad}即便某些实现没有立即报错模型也看不到之前的工具调用结果无法根据天气 API 的返回值完成最终回答。一句话总结placeholder决定“在提示词的什么位置插入消息”agent_scratchpad保存“Agent 调用了什么工具以及工具返回了什么”。
)
