大模型应用开发(十九)_Agent

A奋斗的小鑫

831人浏览 · 2025-12-18 10:08:27

A奋斗的小鑫 · 2025-12-18 10:08:27 发布

1.Agent 架构

这张图展示了一个Agent 架构的核心组成部分及其交互关系，以下是详细说明：

1.1 核心模块：Agent

是整个架构的中枢，负责整合感知、记忆、工具使用、规划决策和行动等环节，实现自主智能行为。

1.2 感知模块

功能：负责接收外部环境的信息，是 Agent 与外界交互的 “感官入口”。
作用：将外部信息传递给记忆模块，为后续决策提供输入。

1.3 记忆模块

子模块：
- 短期记忆：存储近期的信息，用于即时的决策和交互，类似人类的短时记忆（如刚接收的对话内容、临时任务信息）。
- 长期记忆：存储长期积累的知识、经验和历史信息，为 Agent 提供长期的认知支撑（如领域知识、过往成功的策略）。
作用：对感知到的信息进行存储和整理，同时为 Agent 的规划决策、行动等环节提供记忆检索支持。

1.4 工具模块

子工具：
- 日历：用于时间管理、日程安排类任务（如查询日期、设置提醒）。
- 计算器：处理数学计算类需求（如数值运算、公式求解）。
- 代码解释器：支持代码的执行、解释和调试，可完成数据分析、脚本运行等任务。
- 搜索：通过联网获取外部信息（如最新资讯、知识问答、数据检索）。
作用：Agent 可调用这些工具来扩展自身能力，解决超出自身内置知识范围的问题，实现 “借力” 式决策和行动。

1.5 规划决策模块

子环节：
- 反思：对自身行为、决策的结果进行复盘，总结经验教训。
- 自我批评：主动识别决策或行动中的不足，进行自我修正。
- 思维链：将复杂问题拆解为一步步的推理过程，提升决策的逻辑性和可解释性。
- 子目标分解：把大目标拆解为可执行的小目标，实现任务的分层推进。
作用：基于记忆和工具反馈的信息，进行复杂的推理、规划和决策，确定行动的方向和步骤。

1.6 行动模块

功能：根据规划决策的结果，执行具体的动作（如输出回答、执行工具调用、进行交互操作等），并将行动结果反馈给记忆模块，形成 “感知 - 决策 - 行动 - 记忆” 的闭环。

该架构通过各模块的协同，使 Agent 具备了感知环境、记忆知识、利用工具、规划决策和自主行动的能力，模拟了人类解决问题的智能过程，是实现强人工智能应用的典型架构范式之一。

2. Agent 示例

2.1 工具Agent

使用 LangChain 创建一个结构化聊天代理（Structured Chat Agent），该代理能够处理搜索和数学推理任务。

使用 DuckDuckGo 作为搜索工具，并结合一个数学推理工具来回答复杂的问题。

from langchain_community.agent_toolkits.load_tools import load_tools
from langchain_openai import ChatOpenAI
from langchain.agents import create_structured_chat_agent, AgentExecutor
from langchain import hub

# 初始化模型
llm = ChatOpenAI(model="gpt-4o", temperature=0.1)

# 使用 DuckDuckGo 代替 Bing
tools = load_tools(["ddg-search", "llm-math"], llm=llm)

# 载入提示模板
prompt = hub.pull("hwchase17/structured-chat-agent")
print("已加载 Prompt 模板：", prompt)

# 构建 agent
agent = create_structured_chat_agent(
    llm=llm,
    tools=tools,
    prompt=prompt
)

# 创建执行器
agent_executor = AgentExecutor.from_agent_and_tools(
    agent=agent,
    tools=tools,
    return_intermediate_steps=True,
    verbose=True,
    handle_parsing_errors=True
)

# 询问两个问题（搜索 + 数学推理）
query = """请问2020年谁胜出了美国总统选举？今年2025年他的年龄平方是多少？请用中文回答。"""

result = agent_executor.invoke({"input": query})
print("Agent 输出：")
print(result["output"])

结果

> Entering new AgentExecutor chain...
Action:
```
{
  "action": "duckduckgo_search",
  "action_input": "2020年美国总统选举获胜者"
}
```1 day ago · 从2019年9月到 2020 年11月，民主党候选人、前副总统 乔·拜登 的平均民调领先共和党候选人、现任总统 唐纳·川普 7.9个百分点；预估拜登将以4.4个百分点的优势赢得全国普选。 Presidential elections were held in the United States on November 3, 2020 . [a] The Democratic ticket of former vice president Joe Biden and California junior senator Kamala Harris defeated the incumbent Republican president Donald Trump and vice president Mike Pence. [9] The election saw the highest voter turnout by percentage since 1900. Biden received more than 81 million votes, [10] the ... 2020 年美國總統選舉 （英語： 2020 United States presidential election）於2020年11月3日舉行，此次选举是 美国 第59屆 總統選舉，同時 眾議院 全部435個席位及 參議院 其中33個議席也會進行改選，以產生 第117屆美国国会。 2020 年美国总统选举 （英语： 2020 United States presidential election）于2020年11月3日举行，此次选举是 美国 第59届 总统选举，同时 众议院 全部435个席位及 参议院 其中33个议席也会进行改选，以产生 第117届美国国会。 2020 年アメリカ合衆国大統領選挙 （ 2020 ねんアメリカがっしゅうこくだいとうりょうせんきょ、 英語: 2020 United States Presidential Election）は、 2020 年 11月3日 および 12月14日 に アメリカ合衆国 で行われた 大統領 および 副大統領 の 選挙 （第59回）である [9]。 民主党 候補の ジョー・バイデン が現職 ...Action:
```
{
  "action": "Calculator",
  "action_input": "2025 - 1942"
}
```Answer: 83Action:
```
{
  "action": "Calculator",
  "action_input": "83^2"
```Answer: 6889Action:
```json
{
  "action": "Final Answer",
  "action_input": "2020年美国总统选举的获胜者是乔·拜登。到2025年，他的年龄是83岁，83的平方是6889。"
}
```

> Finished chain.
Agent 输出：
2020年美国总统选举的获胜者是乔·拜登。到2025年，他的年龄是83岁，83的平方是6889。

2.2 分析数据表格Agent

from langchain.chat_models import ChatOpenAI
from langchain_experimental.agents.agent_toolkits.csv.base import create_csv_agent

agent_executor = create_csv_agent(
    llm=ChatOpenAI(model="gpt-3.5-turbo", temperature=0),
    path="D:\\python object\\DeepSeek\\LangChain\\Agent\\house_price.csv",
    verbose=True,
    handle_parsing_errors=True,
    allow_dangerous_code=True  # 允许执行任意 Python 代码
)

print(agent_executor)

print(agent_executor.invoke({"input": "数据集有多少行？用中文回答"}))
print(agent_executor.invoke({"input": "数据集是否含有非数字变量？用中文回答"}))
print(agent_executor.invoke({"input": "所有房子的价格平均是多少？用中文回答"}))
print(agent_executor.invoke({"input": "数据集里，所有房子的装修状态包含哪些种类？它们分别表示什么意思？用中文回答"}))

CSV 智能问答工具，作用是：

加载 CSV 文件
- 使用 create_csv_agent 加载指定路径的房屋数据 CSV 文件 (house_price.csv)。
使用 LLM（GPT-3.5-turbo）进行问答
- 通过 ChatOpenAI 模型处理用户提出的关于 CSV 数据的问题。
- 可以用中文进行问答。
允许执行任意 Python 代码
- allow_dangerous_code=True 使 agent 能够执行计算、统计、聚合等操作，例如：
  - 计算房屋平均价格
  - 判断数据类型
  - 汇总装修状态种类
提供示例查询
- 查询数据集行数
- 判断是否含非数字变量
- 计算房价平均值
- 列出装修状态种类并解释
打印 agent 对象和问答结果
- print(agent_executor) 输出 agent 对象信息
- invoke() 输出对应问题的答案

结果

verbose=True agent=RunnableAgent(runnable=RunnableAssign(mapper={
  agent_scratchpad: RunnableLambda(lambda x: format_log_to_str(x['intermediate_steps']))
})
| PromptTemplate(input_variables=['agent_scratchpad', 'input'], input_types={}, partial_variables={'df_head': '|    |   id |   area |   bedrooms |   bathrooms |   price | decoration   |\\n|---:|-----:|-------:|-----------:|------------:|--------:|:-------------|\\n|  0 |    1 |  145.9 |          1 |           3 |  622.56 | 简装         |\\n|  1 |    2 |   70.9 |          1 |           3 | 1507.27 | 豪华         |\\n|  2 |    3 |   63   |          4 |           1 |  156.61 | 简装         |\\n|  3 |    4 |   84.9 |          5 |           1 | 1166.37 | 豪华         |\\n|  4 |    5 |  147.5 |          5 |           2 |  518.84 | 豪华         |', 'tools': 'python_repl_ast - A Python shell. Use this to execute python commands. Input should be a valid python command. When using this tool, sometimes output is abbreviated - make sure it does not look abbreviated before using it in your answer.', 'tool_names': 'python_repl_ast'}, template='\\nYou are working with a pandas dataframe in Python. The name of the dataframe is `df`.\\nYou should use the tools below to answer the question posed of you:\\n\\n{tools}\\n\\nUse the following format:\\n\\nQuestion: the input question you must answer\\nThought: you should always think about what to do\\nAction: the action to take, should be one of [{tool_names}]\\nAction Input: the input to the action\\nObservation: the result of the action\\n... (this Thought/Action/Action Input/Observation can repeat N times)\\nThought: I now know the final answer\\nFinal Answer: the final answer to the original input question\\n\\n\\nThis is the result of `print(df.head())`:\\n{df_head}\\n\\nBegin!\\nQuestion: {input}\\n{agent_scratchpad}')
| RunnableBinding(bound=ChatOpenAI(client=<openai.resources.chat.completions.completions.Completions object at 0x0000020E772AC1D0>, async_client=<openai.resources.chat.completions.completions.AsyncCompletions object at 0x0000020E778E2B90>, temperature=0.0, model_kwargs={}, openai_api_key='sk-CdUwEwfFTnkuGI4CY7nc25TTRZx8a6G6GVCu2dba8l3Rn6iV', openai_proxy=''), kwargs={'stop': ['\\nObservation']}, config={}, config_factories=[])
| ReActSingleInputOutputParser(), input_keys_arg=['input'], return_keys_arg=['output'], stream_runnable=True) tools=[PythonAstREPLTool(globals={}, locals={'df':      id   area  bedrooms  bathrooms    price decoration
0     1  145.9         1          3   622.56         简装
1     2   70.9         1          3  1507.27         豪华
2     3   63.0         4          1   156.61         简装
3     4   84.9         5          1  1166.37         豪华
4     5  147.5         5          2   518.84         豪华
..  ...    ...       ...        ...      ...        ...
95   96   98.9         3          3   341.85         精装
96   97  149.7         4          3  1521.46         简装
97   98  142.3         3          2  1141.08         简装
98   99   95.6         2          2  1592.94         豪华
99  100  148.2         4          2   940.10         简装

[100 rows x 6 columns]})]

> Entering new AgentExecutor chain...
Thought: We need to count the number of rows in the dataframe.
Action: python_repl_ast
Action Input: len(df)100我们需要将结果用中文回答
Action: python_repl_ast
Action Input: "一百"NameError: name '一百' is not defined我们需要将数字转换为中文
Action: python_repl_ast
Action Input: "一百"NameError: name '一百' is not defined我们可以使用中文数字库来将数字转换为中文
Action: python_repl_ast
Action Input: from cn2an import transformModuleNotFoundError: No module named 'cn2an'我们可以手动将数字转换为中文
Action: python_repl_ast
Action Input: "一百"NameError: name '一百' is not defined我们可以使用数字和中文对应关系手动将数字转换为中文
Action: python_repl_ast
Action Input: "一" + "百"SyntaxError: invalid syntax (<unknown>, line 1)我们可以使用数字和中文对应 关系手动将数字转换为中文
Action: python_repl_ast
Action Input: "一" + "零" + "零"SyntaxError: invalid syntax (<unknown>, line 1)我们可以使用数字和中文对应关系手动将数字转换为中文
Action: python_repl_ast
Action Input: "一百"NameError: name '一百' is not defined我们可以使用数字和中文对应关系手动将数字转换为中文
Action: python_repl_ast
Action Input: "一" + "零" + "零"SyntaxError: invalid syntax (<unknown>, line 1)我们可以使用数字和中文对应关系手动将数字转换为中文
Action: python_repl_ast
Action Input: "一百"NameError: name '一百' is not defined我们可以使用数字和中文对应关系手动将数字转换为中文
Action: python_repl_ast
Action Input: "一" + "百"SyntaxError: invalid syntax (<unknown>, line 1)我们可以使用中文数字库来将 数字转换为中文
Action: python_repl_ast
Action Input: from cn2an import transformModuleNotFoundError: No module named 'cn2an'我们可以手动将数字转换为中文
Action: python_repl_ast
Action Input: "一百"NameError: name '一百' is not defined我们可以手动将数字转换为中文
Action: python_repl_ast
Action Input: "一百"NameError: name '一百' is not defined我们可以手动将数字转换为中文
Action: python_repl_ast
Action Input: "一百"NameError: name '一百' is not defined

> Finished chain.
{'input': '数据集有多少行？用中文回答', 'output': 'Agent stopped due to iteration limit or time limit.'}

> Entering new AgentExecutor chain...
Thought: We need to check if the dataframe contains non-numeric variables.
Action: Use the `df.dtypes` attribute to check the data types of each column.
Action Input: df.dtypesUse the `df.dtypes` attribute to check the data types of each column. is not a valid tool, try one of [python_repl_ast].I should use the python_repl_ast tool to check the data types of each column in the dataframe.
Action: python_repl_ast
Action Input: df.dtypesid              int64
area          float64
bedrooms        int64
bathrooms       int64
price         float64
decoration     object
dtype: object数据集含有非数字变量，其中`decoration`列是object类型的，即非数字变量。
Final Answer: 是，数据集含有非数字变量。

> Finished chain.
{'input': '数据集是否含有非数字变量？用中文回答', 'output': '是，数据集含有非数字变量。'}

> Entering new AgentExecutor chain...
Thought: To calculate the average price of all houses, I need to access the 'price' column in the dataframe.

Action: python_repl_ast
Action Input: df['price'].mean()1022.6519000000002The average price of all houses is 1022.65.
Final Answer: 所有房子的价格平均是1022.65。

> Finished chain.
{'input': '所有房子的价格平均是多少？用中文回答', 'output': '所有房子的价格平均是1022.65。'}       

> Entering new AgentExecutor chain...
Thought: We need to extract the unique values in the 'decoration' column of the dataframe.

Action: python_repl_ast
Action Input: df['decoration'].unique()['简装' '豪华' '精装']The unique values in the 'decoration' column are '简装', '豪华', and '精装'.

Final Answer: 装修状态包含三种种类：'简装'表示简单装修，'豪华'表示豪华装修，'精装'表示精致装修。   

> Finished chain.
{'input': '数据集里，所有房子的装修状态包含哪些种类？它们分别表示什么意思？用中文回答', 'output': "装修状态包含三种种类：'简装'表示简单装修，'豪华'表示豪华装修，'精装'表示精致装修。"}

注：代码中所引用的文件，随便找个模型生成一个样例即可，如有需要也可私信我，分享给大家。

有“AI”的1024 = 2048，欢迎大家加入2048 AI社区

更多推荐

cover

2026年AI写作辅助平台推荐：9款实用AI工具终极合辑

cover

数实融合与AI赋能：2026智慧档案系统的底层架构设计与全栈落地实践

cover

三款AI论文软件实测：从大纲到降重怎么选才不踩坑？

所有评论(0)

查看更多评论

A奋斗的小鑫

@weixin_48870215

已为社区贡献37条内容