feat: demo

demo_agent/muiti_agent.py

@@ -0,0 +1,138 @@
+from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder, SystemMessagePromptTemplate, \
+    HumanMessagePromptTemplate  # 导入所有必需的 Prompt 类
+from langchain_openai import ChatOpenAI
+from langchain_core.tools import tool
+from langchain.agents import AgentExecutor, create_tool_calling_agent
+from langchain_core.output_parsers import StrOutputParser
+from conf import settings
+
+# 创建模型
+llm = ChatOpenAI(
+    base_url=settings.base_url,
+    api_key=settings.api_key,
+    model=settings.model_name,
+    temperature=0.1
+)
+
+
+# 2.定义工具
+# 2.1 计算工具
+@tool
+def multiply(a: int, b: int) -> int:
+    """用于计算两个整数的乘积。
+
+    参数:
+        a (int): 第一个整数。
+        b (int): 第二个整数。
+    """
+    print(f"\n[计算专家] -> 正在执行乘法: {a} * {b}")
+    return a * b
+
+
+@tool
+def add(a: int, b: int) -> int:
+    """用于计算两个整数的和。
+
+    参数:
+        a (int): 第一个整数。
+        b (int): 第二个整数。
+    """
+    print(f"\n[计算专家] -> 正在执行加法: {a} + {b}")
+    return a + b
+
+
+# 2.2 信息查询工具
+@tool
+def search_weather(city: str) -> str:
+    """用于查询指定城市的实时天气。"""
+    print(f"正在查询天气: {city}")
+    if "北京" in city:
+        return "北京今天是晴天，气温25摄氏度。"
+    elif "上海" in city:
+        return "上海今天是阴天，有小雨，气温22摄氏度。"
+    else:
+        return f"抱歉，我没有'{city}'的天气信息。"
+
+
+@tool
+def get_current_date() -> str:
+    """用于获取当前日期。"""
+    print("\n[信息专家] -> 正在获取当前日期...")
+    import datetime
+    return datetime.date.today().strftime("%Y年%m月%d日")
+
+
+# 3 创建两个独立的 Agent
+# 3.1 创建“计算专家” Agent
+math_tools = [multiply, add]
+# 创建完整的 Tool Calling Prompt
+# 这包括一个系统消息，一个用户消息占位符，以及一个 Agent 中间思考过程的占位符。
+math_prompt = ChatPromptTemplate.from_messages([
+    SystemMessagePromptTemplate.from_template("你是一个强大的数学计算专家，可以访问和使用各种数学工具。"),
+    HumanMessagePromptTemplate.from_template("{input}"),
+    MessagesPlaceholder(variable_name="agent_scratchpad")
+])
+# 创建 math_Agent
+math_agent = create_tool_calling_agent(llm, math_tools, math_prompt)
+# 创建 math Agent Executor
+math_executor = AgentExecutor(
+    agent=math_agent,
+    tools=math_tools,
+    verbose=True
+)
+
+# 3.2 创建“信息专家” Agent
+info_tools = [search_weather, get_current_date]
+# 手动创建完整的 Tool Calling Prompt
+info_prompt = ChatPromptTemplate.from_messages([
+    SystemMessagePromptTemplate.from_template("你是一个强大的信息查询专家，可以访问和使用各种查询工具。"),
+    HumanMessagePromptTemplate.from_template("{input}"),
+    MessagesPlaceholder(variable_name="agent_scratchpad")
+])
+# 创建 info Agent
+info_agent = create_tool_calling_agent(llm, info_tools, info_prompt)
+# 创建 info Agent Executor
+info_executor = AgentExecutor(
+    agent=info_agent,
+    tools=info_tools,
+    verbose=True
+)
+
+# 4.协调和总结工作流
+def multi_agent_workflow(query: str, math_task: str, info_task: str):
+    print("--- 启动多智能体协作流程 ---")
+    print(f"\n用户原始请求: {query}")
+
+    # 4.1 让“计算专家”执行任务
+    print("\n[主程序] -> 将任务分配给计算专家...")
+    math_result = math_executor.invoke({"input": math_task}).get("output")
+    print(f"\n[主程序] -> 计算专家返回结果: {math_result}")
+
+    # 4.2 让“信息专家”执行任务
+    print("\n[主程序] -> 将任务分配给信息专家...")
+    info_result = info_executor.invoke({"input": info_task}).get("output")
+    print(f"\n[主程序] -> 信息专家返回结果: {info_result}")
+
+    # 4.3 使用 LLM 进行最终结果总结
+    print("\n[主程序] -> 使用大模型进行最终总结...")
+    summarize_prompt = ChatPromptTemplate.from_messages([
+        ("system", "你是一个善于总结和整合信息的助手。请根据以下信息，为用户原始请求生成一个完整的回答。"),
+        ("human",
+         f"用户请求: {query}\n\n计算结果: {math_result}\n\n信息查询结果: {info_result}\n\n请整合以上信息，生成一个连贯的最终回答。")
+    ])
+    summarize_chain = summarize_prompt | llm | StrOutputParser()
+    final_answer = summarize_chain.invoke({"query": query})
+
+    print("\n--- 协作流程已完成！---")
+    print(f"最终综合回答:\n{final_answer}")
+    return final_answer
+
+
+if __name__ == "__main__":
+    # 定义用户原始请求和分配给每个Agent的子任务
+    original_query = "请先计算 25 乘以 4，然后告诉我北京今天的天气和当前日期。"
+    math_task = "计算 25 乘以 4"
+    info_task = "查询北京今天的天气和当前日期"
+
+    # 启动工作流
+    multi_agent_workflow(original_query, math_task, info_task)

demo_agent/planning_agent.py

@@ -0,0 +1,129 @@
+from langchain_openai import ChatOpenAI
+from langchain_core.tools import tool
+from langchain_core.prompts import ChatPromptTemplate
+from langchain_core.output_parsers import StrOutputParser
+from langchain.agents import AgentExecutor, create_react_agent
+from conf import settings
+
+# 创建模型
+llm = ChatOpenAI(
+    base_url=settings.base_url,
+    api_key=settings.api_key,
+    model=settings.model_name,
+    temperature=0.1
+)
+
+
+# 2.定义工具
+@tool
+def multiply(numbers_str: str) -> int:
+    """用于计算两个整数的乘积。
+
+    参数:
+        numbers_str (str): 包含两个整数的字符串，用逗号分隔，例如："100,25"。
+    返回:
+        int: 两个整数的乘积。
+    """
+    print(f"正在执行乘法: {numbers_str}")
+    try:
+        a_str, b_str = numbers_str.split(',')
+        a = int(a_str.strip())
+        b = int(b_str.strip())
+        return a * b
+    except ValueError:
+        return "输入的格式不正确，请确保是两个用逗号分隔的整数，例如：'100,25'"
+
+
+@tool
+def search_weather(city: str) -> str:
+    """用于查询指定城市的实时天气。"""
+    print(f"正在查询天气: {city}")
+    if "北京" in city:
+        return "北京今天是晴天，气温25摄氏度。"
+    elif "上海" in city:
+        return "上海今天是阴天，有小雨，气温22摄氏度。"
+    else:
+        return f"抱歉，我没有'{city}'的天气信息。"
+
+
+# 将工具列表放入一个变量
+tools = [multiply, search_weather]
+
+# 3.定义规划器 (Planner) 和执行者 (Executor) 的 Prompt
+# 3.1 规划器的 Prompt
+# 规划器的职责是分析用户任务，并将其分解成一系列简单的、可执行的子任务。
+planner_prompt = ChatPromptTemplate.from_template(
+    """你是一个任务规划师，你的工作是将用户提出的一个复杂任务分解成一系列清晰、可执行的步骤。
+    你的输出应该是一个简单的任务列表，每行一个任务。
+
+    例子:
+    用户任务: "请先查上海的天气，然后计算20乘以30。"
+    任务列表:
+    - 查找上海的天气
+    - 计算20乘以30的结果
+
+    用户任务: {user_input}
+    任务列表:
+    """
+)
+# 规划器链，它只负责生成文本化的任务列表
+planner_chain = planner_prompt | llm | StrOutputParser()
+
+# 3.2 执行者的 Prompt
+# 执行者的职责是执行单个任务。在这里，我们使用 ReAct 模式作为执行者，因为它能根据任务描述选择并调用正确的工具。
+# 注意：我们使用一个简化版的 ReAct Prompt，因为它只需要处理单个任务。
+executor_react_prompt_template = """你是一个专业的工具执行者，可以访问以下工具：
+
+{tools}
+
+根据你的思考（Thought）决定下一步的行动（Action）。你的行动必须遵循以下格式：
+Thought: 我需要思考如何完成任务。
+Action: [工具名称]
+Action Input: [工具的输入参数，对于multiply工具，请使用'100,25'这样的格式]
+
+可用的工具名称有: {tool_names}
+
+当你获取了所有必要信息并可以给出最终答案时，请以以下格式结束：
+Thought: 我已经有了最终答案。
+Final Answer: [最终答案]
+
+请执行以下任务：
+{input}
+{agent_scratchpad}
+"""
+executor_prompt = ChatPromptTemplate.from_template(executor_react_prompt_template)
+
+# 4.创建 ReAct Agent 作为执行者
+executor_agent = create_react_agent(llm, tools, executor_prompt)
+executor_executor = AgentExecutor(
+    agent=executor_agent,
+    tools=tools,
+    verbose=True,
+    handle_parsing_errors=True  # 启用错误处理，自动重试解析错误
+)
+
+
+# 5.定义并运行规划模式的工作流
+def execute_planning_pattern(query: str):
+    print("--- 启动规划模式 ---")
+
+    # 规划器分解任务
+    print("\n规划器正在分解任务...")
+    plan = planner_chain.invoke({"user_input": query})
+    tasks = [task.strip() for task in plan.split('\n') if task.strip()]
+    print("规划器生成的任务列表:")
+    for i, task in enumerate(tasks):
+        print(f"  {i + 1}. {task}")
+
+    # 执行者逐一执行任务
+    print("\n执行者正在逐一执行任务...")
+    for i, task in enumerate(tasks):
+        print(f"\n--- 执行任务 {i + 1}: {task} ---")
+        executor_executor.invoke({"input": task})
+
+    print("\n--- 所有任务执行完毕！---")
+
+
+if __name__ == "__main__":
+    test_query = "请先计算 50 乘以 60 的结果，然后告诉我上海的天气怎么样？"
+    execute_planning_pattern(test_query)

demo_agent/react_agent.py

@@ -0,0 +1,106 @@
+from langchain_openai import ChatOpenAI
+from langchain_core.tools import tool
+from langchain_core.prompts import ChatPromptTemplate
+from langchain.agents import AgentExecutor, create_react_agent
+from conf import settings
+
+# 创建模型
+llm = ChatOpenAI(
+    base_url=settings.base_url,
+    api_key=settings.api_key,
+    model=settings.model_name,
+    temperature=0.1
+)
+
+# 2.定义工具
+# 关键修改：重写 multiply 工具，使其只接受一个字符串参数，并在内部解析。
+@tool
+def multiply(numbers_str: str) -> int:
+    """用于计算两个整数的乘积。
+
+    参数:
+        numbers_str (str): 包含两个整数的字符串，用逗号分隔，例如："100,25"。
+    返回:
+        int: 两个整数的乘积。
+    """
+    print(f"正在执行乘法: {numbers_str}")
+    try:
+        a_str, b_str = numbers_str.split(',')
+        a = int(a_str.strip())
+        b = int(b_str.strip())
+        return a * b
+    except ValueError:
+        return "输入的格式不正确，请确保是两个用逗号分隔的整数，例如：'100,25'"
+
+@tool
+def search_weather(city: str) -> str:
+    """用于查询指定城市的实时天气。"""
+    print(f"正在查询天气: {city}")
+    if "北京" in city:
+        return "北京今天是晴天，气温25摄氏度。"
+    elif "上海" in city:
+        return "上海今天是阴天，有小雨，气温22摄氏度。"
+    else:
+        return f"抱歉，我没有'{city}'的天气信息。"
+
+# 将工具列表放入一个变量
+tools = [multiply, search_weather]
+
+# 3.自定义 ReAct 风格的 Prompt
+react_prompt_template = """你是一个有用的 AI 助手，可以访问以下工具：
+
+{tools}
+
+请根据用户输入一步步推理，并按以下规则操作：
+1. 每次输出只能包含一个动作（Action 和 Action Input）或一个最终答案（Final Answer）。
+2. 如果用户输入包含多个任务，依次处理每个任务，不要一次性输出所有步骤。
+3. 每次行动前，说明你的思考（Thought），并选择合适的工具或直接给出最终答案。
+4. 如果需要使用工具，格式必须为：
+   Thought: [你的思考]
+   Action: [工具名称]
+   Action Input: [工具的输入参数，例如对于multiply工具，使用'100,25'格式]
+5. 如果可以直接回答或所有任务都完成，格式为：
+   Thought: [你的思考]
+   Final Answer: [最终答案]
+
+可用的工具名称有: {tool_names}
+
+用户输入: {input}
+{agent_scratchpad}
+"""
+
+react_prompt = ChatPromptTemplate.from_template(react_prompt_template)
+
+# 4.创建 ReAct 风格的 Agent
+react_agent = create_react_agent(llm, tools, react_prompt)
+
+# 5.创建 Agent Executor
+react_executor = AgentExecutor(
+    agent=react_agent,
+    tools=tools,
+    verbose=True,
+    handle_parsing_errors=True  # 启用错误处理，自动重试解析错误
+)
+
+# 6: 运行并测试 Agent
+if __name__ == "__main__":
+    # 测试用例1: 查询天气
+    print("--- 运行Agent，查询: 上海今天的天气怎么样？ ---")
+    response_weather = react_executor.invoke({"input": "上海今天的天气怎么样？"})
+    print(f"\n--- Agent响应: ---")
+    print(response_weather.get("output", "没有找到输出。"))
+    print("-" * 30 + "\n")
+
+    # 测试用例2: 数学计算
+    print("--- 运行Agent，查询: 100乘以25等于多少？ ---")
+    response_math = react_executor.invoke({"input": "100乘以25等于多少？"})
+    print(f"\n--- Agent响应: ---")
+    print(response_math.get("output", "没有找到输出。"))
+    print("-" * 30 + "\n")
+
+    # 测试用例3: 包含多个任务
+    print("--- 运行Agent，查询: 100乘以25等于多少？ 上海的天气如何？ ---")
+    response_multi = react_executor.invoke({"input": "100乘以25等于多少？ 上海的天气如何？"})
+    print(f"\n--- Agent响应: ---")
+    print(response_multi.get("output", "没有找到输出。"))
+    print("-" * 30 + "\n")

demo_agent/reflection_agent.py

@@ -0,0 +1,71 @@
+from langchain_openai import ChatOpenAI
+from langchain_core.prompts import ChatPromptTemplate
+from langchain_core.output_parsers import StrOutputParser
+from conf import settings
+
+# 创建模型
+llm = ChatOpenAI(
+    base_url=settings.base_url,
+    api_key=settings.api_key,
+    model=settings.model_name,
+    temperature=0.1
+)
+
+# 3.初始响应 Prompt: 用于生成第一次的回答
+initial_response_prompt = ChatPromptTemplate.from_template(
+    "请根据以下问题给出你的初步回答: {question}"
+)
+initial_response_chain = initial_response_prompt | llm | StrOutputParser()
+
+# 4.反思 Prompt: 用于接收用户反馈并优化回答
+reflection_prompt = ChatPromptTemplate.from_template(
+    """你是一个专业的、善于反思的AI助手。你之前给出了以下回答：
+---
+{previous_response}
+---
+现在，你收到了用户对你的回答给出的反馈：
+---
+{user_feedback}
+---
+请根据用户的反馈，认真反思你之前的回答，并生成一个更准确、更完善的新回答。
+新回答:"""
+)
+reflection_chain = reflection_prompt | llm | StrOutputParser()
+
+
+# 5.模拟反射过程
+def reflect_and_refine(query: str, feedback: str):
+    """模拟一个完整的反射过程，从初始响应到优化后的响应。"""
+
+    print("--- 启动反射模式 ---")
+    print(f"用户查询: {query}")
+
+    # LLM 生成初步响应
+    print("\n生成初步响应...")
+    initial_response = initial_response_chain.invoke({"question": query})
+    print(f"LLM 初步响应:\n{initial_response}")
+
+    # 模拟用户反馈
+    print(f"\n用户反馈:\n{feedback}")
+
+    # LLM 进行反思，并生成新的回答
+    print("\nLLM 正在反思并生成新响应...")
+    refined_response = reflection_chain.invoke({
+        "previous_response": initial_response,
+        "user_feedback": feedback
+    })
+
+    print("\n--- LLM 经过反思后的新响应 ---")
+    print(refined_response)
+
+    return refined_response
+
+
+# 6.运行并测试
+if __name__ == "__main__":
+    # 模拟用户查询
+    initial_question = "请用一句话介绍一下 LangChain。"
+    # 模拟用户反馈，指出初步回答的不足
+    user_feedback_text = "你的回答太简单了，请更详细地解释一下 LangChain 的核心概念，比如 Agent 和 Chain 的区别。"
+    # 运行反射过程
+    reflect_and_refine(initial_question, user_feedback_text)

demo_agent/tool_calling_agent.py

@@ -0,0 +1,69 @@
+from langchain_core.prompts import ChatPromptTemplate
+from langchain_openai import ChatOpenAI
+from langchain_core.tools import tool
+from langchain.agents import AgentExecutor, create_tool_calling_agent, create_react_agent
+from conf import settings
+
+# 创建模型
+llm = ChatOpenAI(
+    base_url=settings.base_url,
+    api_key=settings.api_key,
+    model=settings.model_name,
+    temperature=0.1
+)
+
+# 2.定义工具
+@tool
+def multiply(a: int, b: int) -> int:
+    """用于计算两个整数的乘积。"""
+    print(f"正在执行乘法: {a} * {b}")
+
+    return a * b
+
+@tool
+def search_weather(city: str) -> str:
+    """用于查询指定城市的实时天气。"""
+    print(f"正在查询天气: {city}")
+    if "北京" in city:
+        return "北京今天是晴天，气温25摄氏度。"
+    elif "上海" in city:
+        return "上海今天是阴天，有小雨，气温22摄氏度。"
+    else:
+        return f"抱歉，我没有'{city}'的天气信息。"
+
+# 将工具列表放入一个变量
+tools = [multiply, search_weather]
+
+
+# 3.定义一个提示模板，用于控制Agent的思考过程和工具调用
+tool_use_prompt = ChatPromptTemplate.from_messages([
+    ("system", "你是一个强大的AI助手，可以访问和使用各种工具来回答问题。请根据用户的问题，决定是否需要调用工具。当需要调用工具时，请使用正确的JSON格式。"),
+    ("user", "{input}"),
+    ("placeholder", "{agent_scratchpad}") # 这个占位符用于保存 Agent 的思考过程和工具调用历史
+])
+
+# 4.创建一个 LLM 能够识别和使用的 Agent
+# 使用 create_tool_calling_agent 函数，它能让 LLM 自动判断何时以及如何调用工具
+tool_calling_agent = create_tool_calling_agent(llm, tools, tool_use_prompt)
+
+# 5.创建 Agent Executor
+# AgentExecutor 负责 Agent 和工具之间的协调
+tool_use_executor = AgentExecutor(
+    agent=tool_calling_agent,
+    tools=tools,
+    verbose=True  # 开启 verbose 模式，可以打印详细的执行过程
+)
+
+# 6.通用的执行函数，用于运行agent并打印结果
+def run_agent_and_print(agent_executor, query):
+    """一个通用函数，用于运行Agent并打印结果。"""
+    print(f"--- 运行Agent，查询: {query} ---")
+    response = agent_executor.invoke({"input": query})
+    print(f"\n--- Agent响应: ---")
+    print(response.get("output", "没有找到输出。"))
+    print("-" * 30 + "\n")
+
+
+if __name__ == "__main__":
+    run_agent_and_print(tool_use_executor, "上海今天的天气怎么样？")
+    run_agent_and_print(tool_use_executor, "30乘以5等于多少？ 上海天气怎么样")