Day32上 - Agent

Agent的本质：

• 大模型可以借助外部工具来实现一些特定的功能
• 流程：
  • 准备外部工具（函数）列表 tools
  • 准备大模型 model
  • 创建一个 agent
  • 调用 agent

• model 大模型
  • 做决策大脑
• tools 一系列工具
  • 做能力拓展（专长）
• create_react_agent
  • 创建一个 agent

Agent 的手动创建：

• 借助 LangGraph 搭建工作流
• Graph
  • 节点 Node：
    • 执行一个动作，包括调用函数、调用模型等
  • 边 Edge：
    • 节点之间的连线，代表状态转移
    • 固定边
    • 条件边
• 状态 State：
  • 最常用的是 Message State
  • 状态中存储着消息

基本 ReAct Agent 的实现

1. 从平台（如阿里云百炼）获取 api-key

2. 创建 .env 文件，配置 api-key

DASHSCOPE_API_KEY = your api-key

3. 创建 models.py 文件，配置模型

from dotenv import load_dotenv
load_dotenv()

from langchain_community.chat_models import ChatTongyi

def get_chat():
    return ChatTongyi(model="qwen-turbo", temperature=0.1)

4. 创建 ReAct_Agent.ipynb 文件

（1）加载模型

from models import get_chat
model = get_chat()

（2）定义外部工具

from datetime import datetime
def get_current_datetime():
    """
        查询当前的日期和时间
    """
    current_time = datetime.now().strftime("%Y-%m-%d %H:%M:%S")
    return current_time

（3）构建一个 agent

from langgraph.prebuilt import create_react_agent
agent = create_react_agent(model=model, tools=[get_current_datetime])

(4) 调用 agent

results = agent.invoke(input={"messages":[("user","现在几点了？")]})

for msg in results["messages"]:
    msg.pretty_print()

（5）运行结果

手动实现 react_agent

参考文档：https://langchain-ai.github.io/langgraph/#example 

1. 引入依赖

# 类型 限制
from typing import Annotated, Literal, TypedDict
# 人类消息
from langchain_core.messages import HumanMessage
# 加载大模型
from models import get_chat
# 当做装饰器使用，把一个普通的函数变成一个agent可以调用的工具
from langchain_core.tools import tool
# 消息持久化
from langgraph.checkpoint.memory import MemorySaver
# 引入预定义的一些类或工具
from langgraph.graph import END, START, StateGraph, MessagesState
# 引入一个预编译的工具节点
from langgraph.prebuilt import ToolNode
# 引入一个 datetime
from datetime import datetime

2. 定义外部工具

# 给 agent 定义工具
# @tool 写不写都可以
@tool
def get_current_datetime() -> str:
    """
        查询当前的日期和时间
    """ 
    now = datetime.now()
    formatted_date = now.strftime("%Y-%m-%d %H:%M:%S")
    return formatted_date

@tool
def get_apple_price(model: str) -> int:
    """
        查询苹果手机的价格！
        入参：model 是苹果手机的型号，目前，只有如下3个型号 '4s'、'5s'、'6s'，其它型号暂不支持
    """ 
    if model == "4s":
        return 4000
    elif model == "5s":
        return 5000
    elif model == "6s":
        return 6000
    else:
        raise ValueError("model 是苹果手机的型号，目前，只有如下3个型号 '4s'、'5s'、'6s'，其它型号暂不支持")

 创建工具节点

# 创建查询日期和时间的工具节点
call_datetime = ToolNode(tools=[get_current_datetime],name="datetime")
# 创建查询苹果手机的工具节点
call_apple_price = ToolNode(tools=[get_apple_price], name="apple_price")

连接大模型，绑定工具 

# 连接大模型
model = get_chat()
# 绑定工具
model_with_tools = model.bind_tools(tools=[get_apple_price, get_current_datetime])

 定义条件边

# 定义一个条件边，做转向判断，返回 Literal常量
def should_continue(state: MessagesState) -> Literal["datetime","apple_price", END]:
    # 获取当前的消息
    messages = state['messages']
    # 取出最后一条消息
    last_message = messages[-1]
    # 如果大模型发出工具调用请求，我们就转向工具节点
    # print(last_message)
    if not last_message.tool_calls:
        return END
    elif last_message.tool_calls[0]["name"]=="get_current_datetime":
        return "datetime"
    else:
        return "apple_price"
    return END

 定义调用模型的函数

def call_model(state: MessagesState):
    # 取出消息列表(所有的历史对话)
    messages = state['messages']
    # 调用大模型
    response = model_with_tools.invoke(messages)
    # 只需要通过列表形式返回当前这一步的消息即可
    # 系统会自动把当前这一步的消息追加到系统状态中
    return {"messages":[response]}

添加节点和边

# 定义一个新的图
workflow = StateGraph(MessagesState)
# 添加一个大模型节点，每个node都要执行一个动作
workflow.add_node(node="model", action=call_model)
# 添加一个查询日期和时间的节点
workflow.add_node(node="datetime", action=call_datetime)
# 添加一个查询苹果手机价格的节点
workflow.add_node(node="apple_price", action=call_apple_price)
# 添加一条边
workflow.add_edge(start_key=START, end_key="model")
# 添加一个条件边，大模型判断完后有可能直接结束了
workflow.add_conditional_edges(source="model",path=should_continue)
# 工具调完，都转向大模型，工具和大模型之间是内部过程
workflow.add_edge(start_key="datetime", end_key="model")
workflow.add_edge(start_key="apple_price", end_key="model")

# 消息的持久化
checkpointer = MemorySaver()
# 编译整个图
agent = workflow.compile(checkpointer=checkpointer)

可视化图

调用 Agent