#################################### Tutorial 6: Agents 与 Tools #################################### .. include:: ../links.ref .. include:: ../tags.ref .. include:: ../abbrs.ref 什么是 Agent？ ============== Agent 是一种让 LLM 能够自主决策并执行操作的架构。与普通 Chain 不同： - **Chain**: 预定义的固定流程 - **Agent**: LLM 自主决定下一步做什么 Agent 的核心能力： 1. **推理** - 分析任务，制定计划 2. **行动** - 调用 Tools 执行操作 3. **观察** - 获取执行结果 4. **迭代** - 根据结果调整策略 什么是 Tool？ ============= Tool 是 Agent 可以调用的外部功能，例如： - 搜索引擎 - 数据库查询 - API 调用 - 文件操作 - 代码执行 创建自定义 Tool =============== 使用装饰器 ---------- .. code-block:: python from langchain_core.tools import tool @tool def search_trending_topics(category: str) -> str: """搜索指定分类的热门话题 Args: category: 话题分类，如 "科技"、"生活"、"职场" """ # 模拟搜索结果 topics = { "科技": ["AI编程入门", "ChatGPT使用技巧", "Python自动化"], "生活": ["高效学习方法", "时间管理", "健康饮食"], "职场": ["面试技巧", "职场沟通", "副业赚钱"] } return f"热门话题: {', '.join(topics.get(category, ['暂无数据']))}" @tool def get_platform_requirements(platform: str) -> str: """获取自媒体平台的内容要求 Args: platform: 平台名称，如 "微信公众号"、"知乎"、"小红书" """ requirements = { "微信公众号": "字数: 1500-3000字，风格: 深度、有温度，支持图文混排", "知乎": "字数: 不限，风格: 专业、有理有据，适合深度分析", "小红书": "字数: 500-1000字，风格: 活泼、口语化，多用emoji和图片", } return requirements.get(platform, "未找到该平台信息") @tool def calculate_reading_time(word_count: int) -> str: """计算文章预计阅读时间 Args: word_count: 文章字数 """ minutes = word_count / 300 # 假设每分钟阅读300字 return f"预计阅读时间: {minutes:.1f} 分钟" 使用 StructuredTool ------------------- .. code-block:: python from langchain_core.tools import StructuredTool from pydantic import BaseModel, Field class ArticleInput(BaseModel): title: str = Field(description="文章标题") platform: str = Field(description="目标平台") word_count: int = Field(description="目标字数") def generate_article_outline(title: str, platform: str, word_count: int) -> str: """根据参数生成文章大纲""" sections = word_count // 500 # 每500字一个章节 return f""" 文章大纲 - {title} 平台: {platform} 预计章节数: {sections} 1. 引言 - 引出话题 2. 主体部分 ({sections-2} 个章节) 3. 总结与行动号召 """ outline_tool = StructuredTool.from_function( func=generate_article_outline, name="generate_outline", description="根据标题、平台和字数生成文章大纲", args_schema=ArticleInput ) 创建 Agent ========== 使用 create_react_agent ----------------------- .. code-block:: python from langchain_openai import ChatOpenAI from langchain.agents import create_react_agent, AgentExecutor from langchain_core.prompts import ChatPromptTemplate from langchain import hub # 准备工具 tools = [search_trending_topics, get_platform_requirements, calculate_reading_time] # 获取 ReAct prompt prompt = hub.pull("hwchase17/react") # 创建 LLM llm = ChatOpenAI(model="gpt-4o-mini", temperature=0) # 创建 Agent agent = create_react_agent(llm, tools, prompt) # 创建执行器 agent_executor = AgentExecutor( agent=agent, tools=tools, verbose=True, # 显示推理过程 handle_parsing_errors=True ) # 运行 result = agent_executor.invoke({ "input": "帮我找一个科技类的热门话题，然后告诉我在微信公众号发布需要注意什么" }) print(result["output"]) 使用 Tool Calling Agent（推荐） ------------------------------- .. code-block:: python from langchain_openai import ChatOpenAI from langchain.agents import create_tool_calling_agent, AgentExecutor from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder # 创建 prompt prompt = ChatPromptTemplate.from_messages([ ("system", """你是自媒体内容策划助手。 你可以使用工具来帮助用户： 1. 搜索热门话题 2. 查询平台要求 3. 计算阅读时间 请根据用户需求，合理使用工具完成任务。"""), MessagesPlaceholder(variable_name="chat_history", optional=True), ("human", "{input}"), MessagesPlaceholder(variable_name="agent_scratchpad") ]) # 创建支持 tool calling 的 LLM llm = ChatOpenAI(model="gpt-4o-mini", temperature=0) # 创建 Agent agent = create_tool_calling_agent(llm, tools, prompt) # 创建执行器 agent_executor = AgentExecutor( agent=agent, tools=tools, verbose=True ) # 运行 result = agent_executor.invoke({ "input": "我想在知乎写一篇2000字的科技文章，帮我规划一下" }) 实战：自媒体内容规划 Agent ========================== .. code-block:: python from langchain_openai import ChatOpenAI from langchain_core.tools import tool from langchain.agents import create_tool_calling_agent, AgentExecutor from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder from datetime import datetime import json # ========== 定义工具 ========== @tool def search_hot_topics(category: str, count: int = 5) -> str: """搜索热门话题 Args: category: 话题分类 count: 返回数量 """ # 实际应用中可以调用真实的热搜API topics = { "科技": [ "AI Agent 开发入门", "Claude 3.5 vs GPT-4o 对比", "Cursor IDE 使用技巧", "Python 自动化办公", "向量数据库选型指南" ], "职场": [ "35岁程序员转型方向", "远程办公效率提升", "技术面试准备指南", "副业变现实战", "职场沟通技巧" ] } result = topics.get(category, ["暂无数据"])[:count] return json.dumps({"category": category, "topics": result}, ensure_ascii=False) @tool def analyze_topic_potential(topic: str) -> str: """分析话题的内容潜力 Args: topic: 话题名称 """ # 模拟分析结果 return json.dumps({ "topic": topic, "search_volume": "高", "competition": "中等", "trend": "上升", "recommended_platforms": ["知乎", "微信公众号"], "content_angles": [ "入门教程", "实战案例", "避坑指南", "工具推荐" ] }, ensure_ascii=False) @tool def create_content_calendar(topics: str, days: int = 7) -> str: """创建内容发布日历 Args: topics: 逗号分隔的话题列表 days: 规划天数 """ topic_list = [t.strip() for t in topics.split(",")] calendar = [] for i in range(min(days, len(topic_list))): calendar.append({ "day": i + 1, "topic": topic_list[i % len(topic_list)], "platform": ["微信公众号", "知乎", "小红书"][i % 3], "content_type": ["深度文章", "教程", "短内容"][i % 3] }) return json.dumps({"calendar": calendar}, ensure_ascii=False, indent=2) @tool def get_writing_tips(platform: str, content_type: str) -> str: """获取特定平台和内容类型的写作建议 Args: platform: 目标平台 content_type: 内容类型（文章/视频脚本/短内容） """ tips = { ("微信公众号", "文章"): [ "开头要有钩子，3秒内抓住读者", "使用小标题分段，提升可读性", "每段不超过3行，适合手机阅读", "结尾加入互动问题和关注引导" ], ("知乎", "文章"): [ "开头直接给出核心观点", "使用数据和案例支撑论点", "适当引用权威来源", "回答要有独特视角" ], ("小红书", "短内容"): [ "标题要有emoji，吸引眼球", "图片比文字更重要", "口语化表达，像朋友聊天", "加入实用的干货清单" ] } key = (platform, content_type) result = tips.get(key, ["暂无针对性建议"]) return json.dumps({"tips": result}, ensure_ascii=False) # ========== 创建 Agent ========== class ContentPlanningAgent: def __init__(self): self.tools = [ search_hot_topics, analyze_topic_potential, create_content_calendar, get_writing_tips ] self.prompt = ChatPromptTemplate.from_messages([ ("system", """你是专业的自媒体内容策划师。你的职责是： 1. 帮助用户发现热门话题 2. 分析话题的内容潜力 3. 制定内容发布计划 4. 提供写作建议 工作流程： - 先了解用户的领域和目标平台 - 搜索相关热门话题 - 分析最有潜力的话题 - 制定内容日历 - 给出具体的写作建议 请充分利用工具，给出专业、可执行的建议。"""), MessagesPlaceholder(variable_name="chat_history", optional=True), ("human", "{input}"), MessagesPlaceholder(variable_name="agent_scratchpad") ]) self.llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.3) self.agent = create_tool_calling_agent(self.llm, self.tools, self.prompt) self.executor = AgentExecutor( agent=self.agent, tools=self.tools, verbose=True, max_iterations=10 ) def plan(self, request: str) -> str: result = self.executor.invoke({"input": request}) return result["output"] # ========== 使用示例 ========== agent = ContentPlanningAgent() # 场景1：寻找话题 result = agent.plan("我是一个科技博主，帮我找一些最近的热门话题") print(result) # 场景2：完整规划 result = agent.plan(""" 我想开始做自媒体，主要方向是科技和编程。 目标平台是知乎和微信公众号。 请帮我： 1. 找5个适合的话题 2. 分析最有潜力的话题 3. 制定一周的内容计划 4. 给出写作建议 """) print(result) Agent 执行流程 ============== .. code-block:: text 用户输入 │ ▼ ┌─────────────────────────────────────┐ │ Agent │ │ ┌─────────────────────────────┐ │ │ │ LLM (思考/决策) │ │ │ └──────────────┬──────────────┘ │ │ │ │ │ ┌────────────┴────────────┐ │ │ ▼ ▼ │ │ 调用工具 直接回答 │ │ │ │ │ ▼ │ │ ┌─────────┐ │ │ │ Tools │ │ │ └────┬────┘ │ │ │ │ │ ▼ │ │ 观察结果 ──────► 继续思考 │ │ │ └─────────────────────────────────────┘ │ ▼ 最终输出 下一步 ====== 在下一个教程中，我们将学习 RAG（检索增强生成）技术，让 Agent 能够利用外部知识库。 :doc:`tutorial_07_rag`