山东大学项目实训-大数据租房推荐智能体(一)

整体任务

搭建完整的agent框架，设计项目结构，agent工作流程，编写prompt和重试机制约束LLM输出，实现多轮对话管理，让agent能够理解当下环境和用户意图，编排正确的工具调用顺序。

（一）

第一步是设计和构建项目结构

使用codex根据项目任务描述，参考Claude Code的agent框架构建项目结构，得到如下结构

house-recommend/
├── data/ # 数据目录
│ └── mockListings.json # 模拟房源数据
├── docs/ # 文档目录
│ ├── architecture.md # 架构文档
│ └── prompt_templates_v1.md # 提示模板
├── src/ # 源代码目录
│ ├── agent/ # 智能体相关代码
│ ├── config/ # 配置文件
│ ├── domain/ # 领域模型
│ ├── memory/ # 记忆系统
│ ├── runtime/ # 运行时
│ ├── tools/ # 工具定义
│ └── types/ # 类型定义
├── storage/ # 存储目录
├── .env.example # 环境变量示例
├── package.json # 依赖配置
└── tsconfig.json # TypeScript 配置

接着开始编写核心agent代码

定义智能体类，通过.env配置API和Model

export class ReactRentalAgent { // 定义智能体模型 private readonly model = new ChatOpenAI({ apiKey: env.OPENAI_API_KEY, model: env.OPENAI_MODEL, temperature: 0.2, });

使用langchain提供的message类搭建短期记忆，后面扩展长期记忆

import { AIMessage, BaseMessage, HumanMessage, ToolMessage } from "@langchain/core/messages"; export class ConversationMemory { private readonly messages: BaseMessage[] = []; // 定义智能体记忆种子方法 // 用于初始化智能体记忆，添加用户输入 // @param input 用户输入 seed(input: string) { this.messages.push(new HumanMessage(input)); } // 定义智能体记忆添加方法 // 用于添加智能体回复 // @param message 智能体回复 // @returns 无 appendAssistant(message: AIMessage) { this.messages.push(message); } // 定义智能体记忆添加方法 // 用于添加工具观察 // @param observation 工具观察 // @returns 无 appendToolObservation(observation: ToolMessage) { this.messages.push(observation); } // 定义智能体记忆获取方法 // 用于获取智能体记忆中的所有消息 // @returns 所有消息的数组 getMessages(): BaseMessage[] { return [...this.messages]; } }

编写主循环，采用Reasoning + Acting的方式，agent自行判断是否需要调用工具，如果需要使用工具，则执行对应工具并将结果加入观察中，继续循环，直到完成工作。

通过AGENT_MAX_ITERATIONS限制agent循环次数，避免死循环。

先直接使用langchain封装好的工具类，简化开发。

async run(input: string): Promise<AgentExecutionResult> { // 初始化智能体记忆 const memory = new ConversationMemory(); memory.seed(input); // 定义智能体执行步骤数组 const steps: AgentExecutionResult["steps"] = []; // 绑定智能体模型到工具 const toolEnabledModel = this.model.bindTools(this.tools); // 执行智能体循环 for (let iteration = 0; iteration < env.AGENT_MAX_ITERATIONS; iteration += 1) { // 调用智能体模型 const response = (await toolEnabledModel.invoke(this.buildMessages(memory))) as AIMessage; memory.appendAssistant(response); // 如果智能体回复中没有工具调用，返回最终结果 if (!response.tool_calls || response.tool_calls.length === 0) { return { output: this.getMessageText(response), steps, }; } // 调用工具 for (const toolCall of response.tool_calls) { // 寻找工具 const tool = this.tools.find((candidate) => candidate.name === toolCall.name); if (!tool) { throw new Error(`Tool ${toolCall.name} is not registered.`); } // 调用工具并存入steps const observation = await tool.invoke(toolCall.args); steps.push({ toolName: toolCall.name, observation: typeof observation === "string" ? observation : JSON.stringify(observation), }); // 存入工具观察 memory.appendToolObservation( new ToolMessage({ tool_call_id: toolCall.id ?? toolCall.name, content: typeof observation === "string" ? observation : JSON.stringify(observation), }), ); } } throw new Error(`Agent stopped after ${env.AGENT_MAX_ITERATIONS} iterations without a final answer.`); }

（非核心代码省略，避免blog过长）

目前为止，完成了整个项目的基本结构搭建，分好了各个模块的文件夹，为后续扩展开发打下基础。编写了核心主循环和短期记忆，通过langchain框架提供的封装类简化了初期代码构建，后续可根据情况决定优化langchain或是自己开发更好的模块。