┌─────────────────────────────────────────────────┐
│                    AI Agent                      │
│                                                  │
│   ┌─────────────┐    ┌────────────────────────┐ │
│   │   大脑       │    │        手脚            │ │
│   │  (大模型)    │    │    (工具集)            │ │
│   │             │    │                        │ │
│   │  思考策略    │◄──►│  搜索引擎             │ │
│   │  分解任务    │    │  代码执行器           │ │
│   │  决策判断    │    │  API调用              │ │
│   │  反思复盘    │    │  数据库查询           │ │
│   └─────────────┘    │  文件读写             │ │
│                      └────────────────────────┘ │
└─────────────────────────────────────────────────┘

pip install langchain langchain-openai langchain-community tavily-python

from langchain.tools import toolfrom langchain_community.tools.tavily_search import TavilySearchResultsimport math# 内置工具：搜索search_tool = TavilySearchResults(
    api_key="你的Tavily密钥",
    max_results=3,
    include_answer=True)# 自定义工具：计算器@tooldef calculator(expression: str) -> str:
    """
    用于执行数学计算。输入一个数学表达式，返回计算结果。
    例如：输入 "2 + 3 * 4"，返回 "14"
    """    try:
        # 安全计算（仅允许数字和基本运算符）
        allowed = set("0123456789+-*/.() ")
        if not all(c in allowed for c in expression):
            return "错误：表达式包含非法字符"
        result = eval(expression)
        return f"计算结果：{result}"
    except Exception as e:
        return f"计算错误：{str(e)}"# 工具列表tools = [search_tool, calculator]

from langchain_openai import ChatOpenAIfrom langchain.agents import create_react_agent, AgentExecutorfrom langchain.prompts import PromptTemplate# 初始化大模型llm = ChatOpenAI(
    model="gpt-4o-mini",  # 推荐用GPT-4级模型，推理能力强
    temperature=0,
    api_key="你的OpenAI密钥")# ReAct提示词模板react_prompt = PromptTemplate.from_template("""你是一个能调用工具的智能助手。你拥有以下工具：

{tools}

工具名称：{tool_names}

请使用以下格式回答：

Question: 用户的问题
Thought: 你需要思考下一步做什么
Action: 你要调用的工具名称，必须是 [{tool_names}] 中的一个
Action Input: 传给工具的输入参数
Observation: 工具返回的结果
...（Thought/Action/Action Input/Observation 可以重复多次）
Thought: 我现在知道最终答案了
Final Answer: 给用户的最终回答

开始！

Question: {input}
Thought: {agent_scratchpad}
""")# 创建Agentagent = create_react_agent(
    llm=llm,
    tools=tools,
    prompt=react_prompt)# Agent执行器（负责运行循环）agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    verbose=True,  # 打印思考过程，方便调试
    max_iterations=5,  # 防止死循环
    handle_parsing_errors=True)

# 测试问题result = agent_executor.invoke({
    "input": "2024年诺贝尔物理学奖得主是谁？他/她的年龄是多少？"})print("\n=== 最终答案 ===")print(result["output"])

> Entering new AgentExecutor chain...

Thought: 我需要搜索2024年诺贝尔物理学奖得主的信息
Action: tavily_search_results_json
Action Input: "2024年诺贝尔物理学奖得主"

Observation: [{'title': '2024年诺贝尔物理学奖...', 'content': 'John J. Hopfield 和 Geoffrey E. Hinton...'}]

Thought: 现在我知道得主是John J. Hopfield和Geoffrey E. Hinton，我需要查他们的年龄。
Action: tavily_search_results_json
Action Input: "John J. Hopfield 出生日期"

Observation: John J. Hopfield 出生于1933年7月15日...

Thought: 我现在可以计算年龄了。
Action: calculator
Action Input: "2024 - 1933"

Observation: 计算结果：91

Thought: 我现在知道最终答案了。
Final Answer: 2024年诺贝尔物理学奖得主是John J. Hopfield（91岁）和Geoffrey E. Hinton（76岁）。

import requestsfrom bs4 import BeautifulSoupfrom langchain.tools import tool@tooldef fetch_webpage(url: str) -> str:
    """
    获取指定网页的正文文本内容。
    用于当用户需要阅读某篇文章、新闻或文档时使用。
    输入：完整的网页URL（必须以http开头）
    返回：网页的纯文本正文（截断至3000字符）
    """    try:
        headers = {
            "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36"
        }
        response = requests.get(url, headers=headers, timeout=10)
        response.raise_for_status()
        
        soup = BeautifulSoup(response.text, 'html.parser')
        
        # 移除脚本和样式
        for tag in soup(['script', 'style', 'nav', 'footer', 'header']):
            tag.decompose()
        
        # 提取正文
        text = soup.get_text(separator='\n', strip=True)
        
        # 截断防止过长
        if len(text) > 3000:
            text = text[:3000] + "...(内容已截断)"
        
        return text    except requests.exceptions.Timeout:
        return "错误：请求超时，请检查URL是否有效"
    except Exception as e:
        return f"错误：获取网页失败 - {str(e)}"

# 扩展工具列表more_tools = [search_tool, calculator, fetch_webpage]# 重新创建Agent（其他代码不变）agent = create_react_agent(llm, more_tools, react_prompt)

agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    max_iterations=5,  # 硬限制最多5步
    early_stopping_method="generate",  # 达到限制时强制输出)

from langchain.memory import ConversationBufferMemory

memory = ConversationBufferMemory(
    memory_key="chat_history",
    return_messages=True)agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    memory=memory,  # 加入记忆
    verbose=True)# 连续对话agent_executor.invoke({"input": "周杰伦是谁？"})agent_executor.invoke({"input": "他唱过哪些代表作？"})  # 能记住上一轮话题

from langchain.agents import AgentExecutordef human_approval(step_output):
    """每步执行前询问用户是否继续"""
    print(f"\n[Agent即将执行] {step_output}")
    user_input = input("是否继续？(y/n): ")
    return user_input.lower() == 'y'agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    step_callback=human_approval,  # 伪代码，实际需结合回调
    verbose=True)

# 估算单次任务成本def estimate_cost(iterations, tokens_per_step=500):
    # GPT-4o-mini: ~$0.15/1M input, ~$0.60/1M output
    input_tokens = iterations * tokens_per_step
    output_tokens = iterations * 200
    cost = (input_tokens * 0.15 + output_tokens * 0.60) / 1_000_000
    return f"预估单次成本: ${cost:.4f}"print(estimate_cost(5))  # 输出：预估单次成本: $0.0010

import logging# 启用LangChain的详细日志logging.basicConfig(level=logging.INFO)langchain_logger = logging.getLogger("langchain")langchain_logger.setLevel(logging.INFO)# 或集成到LangSmith进行更专业的追踪# from langsmith import Client# 配置LANGCHAIN_TRACING_V2=true