当前位置：首页 > news >正文

Agent项目实战——Agent框架

news 2026/3/27 5:48:45

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 ])