AI Agent从原理到实战：手把手教你打造一个能自主干活的智能体 ...

┌─────────────────────────────────────────────────┐
│                    AI Agent                      │
│                                                  │
│   ┌─────────────┐    ┌────────────────────────┐ │
│   │   大脑       │    │        手脚            │ │
│   │  (大模型)    │    │    (工具集)            │ │
│   │             │    │                        │ │
│   │  思考策略    │◄──►│  搜索引擎             │ │
│   │  分解任务    │    │  代码执行器           │ │
│   │  决策判断    │    │  API调用              │ │
│   │  反思复盘    │    │  数据库查询           │ │
│   └─────────────┘    │  文件读写             │ │
│                      └────────────────────────┘ │
└─────────────────────────────────────────────────┘

pip install langchain langchain-openai langchain-community tavily-python

from langchain.tools import tool
from langchain_community.tools.tavily_search import TavilySearchResults
import math

# 内置工具：搜索
search_tool = TavilySearchResults(
    api_key="你的Tavily密钥",
    max_results=3,
    include_answer=True
)

# 自定义工具：计算器
@tool
def calculator(expression: str) -> str:
    """
    用于执行数学计算。输入一个数学表达式，返回计算结果。
    例如：输入 "2 + 3 * 4"，返回 "14"
    """
    try:
        # 安全计算（仅允许数字和基本运算符）
        allowed = set("0123456789+-*/.() ")
        if not all(c in allowed for c in expression):
            return "错误：表达式包含非法字符"
        result = eval(expression)
        return f"计算结果：{result}"
    except Exception as e:
        return f"计算错误：{str(e)}"

# 工具列表
tools = [search_tool, calculator]

from langchain_openai import ChatOpenAI
from langchain.agents import create_react_agent, AgentExecutor
from langchain.prompts import PromptTemplate

# 初始化大模型
llm = ChatOpenAI(
    model="gpt-4o-mini",  # 推荐用GPT-4级模型，推理能力强
    temperature=0,
    api_key="你的OpenAI密钥"
)

# ReAct提示词模板
react_prompt = PromptTemplate.from_template("""
你是一个能调用工具的智能助手。你拥有以下工具：

{tools}

工具名称：{tool_names}

请使用以下格式回答：

Question: 用户的问题
Thought: 你需要思考下一步做什么
Action: 你要调用的工具名称，必须是 [{tool_names}] 中的一个
Action Input: 传给工具的输入参数
Observation: 工具返回的结果
...（Thought/Action/Action Input/Observation 可以重复多次）
Thought: 我现在知道最终答案了
Final Answer: 给用户的最终回答

开始！

Question: {input}
Thought: {agent_scratchpad}
""")

# 创建Agent
agent = create_react_agent(
    llm=llm,
    tools=tools,
    prompt=react_prompt
)

# Agent执行器（负责运行循环）
agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    verbose=True,  # 打印思考过程，方便调试
    max_iterations=5,  # 防止死循环
    handle_parsing_errors=True
)

# 测试问题
result = agent_executor.invoke({
    "input": "2024年诺贝尔物理学奖得主是谁？他/她的年龄是多少？"
})

print("\n=== 最终答案 ===")
print(result["output"])

> Entering new AgentExecutor chain...

Thought: 我需要搜索2024年诺贝尔物理学奖得主的信息
Action: tavily_search_results_json
Action Input: "2024年诺贝尔物理学奖得主"

Observation: [{'title': '2024年诺贝尔物理学奖...', 'content': 'John J. Hopfield 和 Geoffrey E. Hinton...'}]

Thought: 现在我知道得主是John J. Hopfield和Geoffrey E. Hinton，我需要查他们的年龄。
Action: tavily_search_results_json
Action Input: "John J. Hopfield 出生日期"

Observation: John J. Hopfield 出生于1933年7月15日...

Thought: 我现在可以计算年龄了。
Action: calculator
Action Input: "2024 - 1933"

Observation: 计算结果：91

Thought: 我现在知道最终答案了。
Final Answer: 2024年诺贝尔物理学奖得主是John J. Hopfield（91岁）和Geoffrey E. Hinton（76岁）。