Agent项目实战——Agent框架

♚ 八岁。

411人浏览 · 2026-03-08 13:22:14

♚ 八岁。 · 2026-03-08 13:22:14 发布

创建agent需要model、memory、prompt、agent执行器等

搭建Agent框架，先将其主要功能封装在一个类中。

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate,MessagesPlaceholder
from langchain.agents import create_openai_tools_agent,AgentExecutor,tool

import os
os.environ["OPENAI_API_KEY"] = "sk-xxxxxxxxxx"
os.environ["OPENAI_API_BASE"] = "url"  #代理地址

@tool
def test():
    """Test tool"""
    return "test"

class Master:
    def __init__(self):
        self.chatmodel = ChatOpenAI(
            model="gpt-3.5-turbo-0125",
            temperature=0,
            streaming=True,
        )
        self.MEMORY_KEY = "chat_history"
        self.SYSTEMPL = ""  
        self.prompt = ChatPromptTemplate.from_messages(
            [
                ("system", "你是一个助手，协助用户完成任务。"),
                MessagesPlaceholder(variable_name="agent_scratchpad"),
                ("user", "{input}"),
            ]
        )  
        self.memory = ""
        tools = [test]
        agent = create_openai_tools_agent(
            self.chatmodel,
            tools=tools,
            prompt=self.prompt,
        )
        self.agent_executor = AgentExecutor(
            agent=agent,
            tools=tools,
            verbose=True,
        )

    def run(self,query):
        result = self.agent_executor.invoke({"input": query})
        return result

随后在chat接口实例化对象，运行项目开始测试。

@app.post("/chat")
def chat(query:str):
    master = Master()
    return master.run(query)

在此需要注意：

1.Agent（智能体）创建的方法

1. `initialize_agent`

作用：通用的 Agent 创建入口，支持多种 AgentType（如 ZERO_SHOT_REACT_DESCRIPTION、CHAT_CONVERSATIONAL_REACT_DESCRIPTION 等）。
特点：
- 封装程度高，内部自动生成 prompt
- 通过 AgentType 枚举选择不同的 agent 行为模式
- 直接返回 AgentExecutor，可直接执行
- 设计上更像"配置式"，灵活性较低
适用模型：任意 LLM（包括非 OpenAI）

示例：

from langchain.agents import initialize_agent, AgentType
from langchain_openai import ChatOpenAI
from langchain.tools import Tool

# 定义一个简单工具
def add_numbers(a: int, b: int) -> int:
    return a + b

tools = [
    Tool(
        name="AddNumbers",
        func=lambda x: add_numbers(*map(int, x.split())),
        description="输入两个整数，返回它们的和"
    )
]

# 创建 LLM
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)

# 创建 Agent
agent = initialize_agent(
    tools=tools,
    llm=llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True
)

# 运行
agent.run("请用 AddNumbers 计算 12 和 30 的和")

2. `create_openai_tools_agent`

作用：专门为 OpenAI Functions API（即 function calling）设计的 Agent 创建方法。
特点：
- 需要手动传入 prompt，自由度极高
- 返回的是 Runnable 对象，可以被链式调用
- 必须配合 AgentExecutor 使用，职责分离更清晰
- 专为 OpenAI 的函数/工具调用优化
适用模型：仅支持 OpenAI function calling 模型

示例：

from langchain.agents import create_openai_tools_agent, tool
from langchain_openai import ChatOpenAI
from langchain.agents import tool

# 定义工具（使用 @tool 装饰器）
@tool
def multiply_numbers(a: int, b: int) -> int:
    """返回两个整数的乘积"""
    return a * b

# 创建 LLM（必须是支持 function calling 的模型）
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)

# 创建 Agent
agent = create_openai_tools_agent(llm, [multiply_numbers])

# 运行
result = agent.invoke({"input": "请用 multiply_numbers 计算 6 和 7 的乘积"})
print(result)

LangChain 官方明确建议：新项目v0.1.0+ 使用 create_openai_tools_agent 这类新函数，逐步淘汰 initialize_agent。！！！！！！

2.`MessagesPlaceholder`

MessagesPlaceholder 是 LangChain 框架中 ChatPromptTemplate 的一种特殊占位符，用于在提示词模板中动态插入一组已有的消息（通常是多轮对话的历史记录）。它是 Agent 的"草稿纸"，记录整个思考→行动→观察的过程。

它的主要作用是：

保留对话上下文：在调用模型时，把之前的聊天记录插入到提示词中。
灵活插入消息列表：不需要提前知道有多少条历史消息。
与多轮对话记忆（Memory）配合：常用于 ConversationBufferMemory、ConversationBufferWindowMemory 等。

通俗理解：

你可以把它想象成一个"草稿纸占位符"：

variable_name="agent_scratchpad" 就像在说："这里预留一个位置，放 Agent 的草稿纸"
运行时，LangChain 会自动把 Agent 的思考过程、中间步骤、工具调用记录等放到这个位置

实际工作流程：

# 典型的 Agent 提示模板结构
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个有用的助手，可以调用工具解决问题。"),
    ("user", "{input}"),  # 用户输入
    ("placeholder", "{agent_scratchpad}"),  #这里就是 MessagesPlaceholder
])