from langchain.agents import AgentType, initialize_agent, Tool
from langchain_openai import ChatOpenAI
from langchain_experimental.agents.agent_toolkits import create_python_agent
from langchain_experimental.tools import PythonAstREPLTool
import yfinance as yf  # 用于获取金融数据的库
import matplotlib.pyplot as plt
import io
import base64
# --- 自定义工具定义 ---
def get_stock_price(symbol: str) -> str:
"""获取股票过去一周的历史数据。"""
ticker = yf.Ticker(symbol)
hist = ticker.history(period="5d")
return hist.to_string()
def generate_plot(data_str: str) -> str:
"""
根据数据字符串生成图表，并返回base64编码的图片。
这是一个简化版，实际应用中需要解析data_str。
"""
# 这里为了演示，我们直接生成一个简单的图表
plt.figure(figsize=(10, 5))
plt.plot([1, 2, 3, 4, 5], [100, 110, 105, 120, 115])
plt.title("Tesla Stock Price (Example)")
plt.xlabel("Day")
plt.ylabel("Price (USD)")
# 将图表保存到内存缓冲区
buffer = io.BytesIO()
plt.savefig(buffer, format='png')
buffer.seek(0)
image_png = buffer.getvalue()
buffer.close()
# 编码为base64，方便在HTML或某些前端中显示
graphic = base64.b64encode(image_png).decode('utf-8')
plt.close()
return graphic
# 1. 初始化LLM
llm = ChatOpenAI(model="gpt-4", temperature=0)
# 2. 创建自定义工具列表
tools = [
Tool(
name="Get Stock Data",
func=get_stock_price,
description="Useful for fetching historical stock price data. Input should be a stock ticker symbol, e.g., TSLA."
),
Tool(
name="Generate Plot",
func=generate_plot,
description="Useful for generating a line plot from data. Input should be a string representation of the data."
),
PythonAstREPLTool()  # Python代码执行工具，用于计算涨跌幅等复杂操作
]
# 3. 创建代理
agent = initialize_agent(
tools,
llm,
agent=AgentType.STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION, # 适合处理多输入的工具
verbose=True
)
# 4. 运行代理
result = agent.run("Get Tesla's stock price for the past week, calculate the daily percentage change, and show me a line chart of the price movement.")
print(result)
# 注意：生成的base64图像数据可以嵌入到网页或报告中。

Agent 的思考与执行过程：

Thought: 这个任务需要三个步骤：获取数据、计算变化、生成图表。我先从获取特斯拉的股价数据开始。
Action: 调用 Get Stock Data 工具，输入 TSLA。
Observation: 获得了一个包含日期和价格的 DataFrame 字符串。
通过Thought: 现在我需计算每日涨跌幅。这涉及到数学运算，我能够用 Python 工具来处理这些数据。
Action: 调用 PythonAstREPLTool，编写一小段 Pandas 代码来计算百分比变化。
Observation: Python 代码成功执行，返回了计算结果。
Thought: 最后，我需要将处理好的数据可视化。我能够调用 Generate Plot 工具。
Action: 调用 Generate Plot 工具，传入处理后的数据。
Observation: 器具返回了一个 base64 编码的图表图像。
Final Answer: 我已经完成了您的请求。特斯拉过去一周的股价数据显示…（附上数据和图表）。

要点：Agent 展示了出色的任务分解和规划能力，像一个真正的数据分析师一样，按顺序调用不同的专业软件来消除复杂问题。

4、疑点解答

2025诺贝尔获得者这个上面tavily工作做了为啥还要agent代理？
让大家用一个类比来理解：

只使用 Tavily：就像你亲自打开浏览器，在谷歌里搜索“2025诺贝尔获得者”，然后从一堆结果中自己阅读、筛选、整理信息，最后形成答案。
使用 Tavily + Agent：就像你有一个私人助理。你只需要下命令：“帮我查一下2025年诺贝尔奖得主。” 这个助理会自动帮你完成搜索、阅读、理解、筛选、总结等一系列动作，继而把最终的、精炼的答案呈现在你面前。

在这里插入图片描述