Hello-Agents 第一章 初识智能体（实习一个简单旅游推荐智能体）

1、什么是智能体？

在人工智能领域，智能体被定义为任何能够通过传感器（Sensors）感知其所处环境（Environment），并自主地通过**执行器（Actuators）采取行动（Action）**以达成特定目标的实体，如下图：
在这里插入图片描述

这个定义包括了四个基本要素：

  • 环境：智能体所处的外部世界，如对于自动驾驶汽车来说，环境就是复杂的道路交通
  • 感知：智能体并非与环境隔离，它通过其传感器持续地感知环境状态，如摄像头、雷达或各种应用程序编程接口放回的数据流，都是其感知能力的延申
  • 行动：智能体需要采取行动来对环境施加影响，它通过执行器来改变环境的状态。执行器可以是物理设备（如机械臂、方向盘）或虚拟工具（如执行一段代码、调用一个服务）。
  • 自主：智能体并非只是被动响应外部刺激或严格执行预设指令的程序，它能够基于其感知和内部状态进行独立决策，以达成其设计目标。

这种从感知到行动的闭环，构成了所有智能体行为的基础。

拿以前的传统智能体来看：

在这里插入图片描述

结构最简单的是反射智能体（Simple Reflex Agent），它们的决策核心由工程师明确设计的“条件-动作”规则构成，如上图的自动恒温器：若传感器感知的室温高于设定值，则启动制冷系统。这种智能体完全依赖于当前的感知输入，不具备记忆或预测能力。它像一种数字化的本能，可靠且高效，但也因此无法应对需要理解上下文的复杂任务。

它的局限性引出了一个关键问题：如果环境的当前状态不足以作为决策的全部依据，智能体该怎么办？

因此引入了：

  • 基于模型的反射智能体（Model-Based Reflex Agent）：这类智能体拥有一个内部的世界模型（World Model），用于追踪和理解环境中那些无法被直接感知的方面。它试图回答：“世界现在是什么样子的？”。例如，一辆在隧道中行驶的自动驾驶汽车，即便摄像头暂时无法感知到前方的车辆，它的内部模型依然会维持对那辆车存在、速度和预估位置的判断。这个内部模型让智能体拥有了初级的“记忆”，使其决策不再仅仅依赖于瞬时感知，而是基于一个更连贯、更完整的世界状态理解。（被动地对环境做出反应）
  • 基于目标的智能体（Goal-Based Agent）：主动地、有预见性地选择能够导向某个特定未来状态的行动。这类智能体需要回答的问题是：“我应该做什么才能达成目标？”。经典的例子是 GPS 导航系统：你的目标是到达公司，智能体会基于地图数据（世界模型），通过搜索算法（如 A*算法）来规划（Planning）出一条最优路径。这类智能体的核心能力体现在了对未来的考量与规划上。
  • 基于效用的智能体（Utility-Based Agent）：它为每一个可能的世界状态都赋予一个效用值，这个值代表了满意度的高低。智能体的核心目标不再是简单地达成某个特定状态，而是最大化期望效用。它需要回答一个更复杂的问题：“哪种行为能为我带来最满意的结果？”。这种架构让智能体学会在相互冲突的目标之间进行权衡，使其决策更接近人类的理性选择。

从简单的恒温器，到拥有内部模型的汽车，再到能够规划路线的导航、懂得权衡利弊的决策者，最终到可以通过经验自我进化的学习者。这条演进之路，展示了传统人工智能在构建机器智能的道路上所经历的发展脉络。它们为我们今天理解更前沿的智能体范式，打下了坚实而必要的基础。

请添加图片描述

2、智能体的运行原理

在这里插入图片描述
这个循环主要包含以下几个相互关联的阶段：

  1. 感知 (Perception)：这是循环的起点。智能体通过其传感器（例如，API 的监听端口、用户输入接口）接收来自环境的输入信息。这些信息，即观察 (Observation)，既可以是用户的初始指令，也可以是上一步行动所导致的环境状态变化反馈。
  2. 思考 (Thought)：接收到观察信息后，智能体进入其核心决策阶段。对于 LLM 智能体而言，这通常是由大语言模型驱动的内部推理过程。如图所示，“思考”阶段可进一步细分为两个关键环节：
    • 规划 (Planning)：智能体基于当前的观察和其内部记忆，更新对任务和环境的理解，并制定或调整一个行动计划。这可能涉及将复杂目标分解为一系列更具体的子任务。
    • 工具选择 (Tool Selection)：根据当前计划，智能体从其可用的工具库中，选择最适合执行下一步骤的工具，并确定调用该工具所需的具体参数。
  3. 行动 (Action)：决策完成后，智能体通过其执行器（Actuators）执行具体的行动。这通常表现为调用一个选定的工具（如代码解释器、搜索引擎 API），从而对环境施加影响，意图改变环境的状态。

行动并非循环的终点。智能体的行动会引起环境 (Environment) 的状态变化 (State Change)，环境随即会产生一个新的观察 (Observation) 作为结果反馈。这个新的观察又会在下一轮循环中被智能体的感知系统捕获，形成一个持续的“感知-思考-行动-观察”的闭环。智能体正是通过不断重复这一循环，逐步推进任务，从初始状态向目标状态演进。

3、动手实现一个智能体

当前 FirstAgentTest.py 实现了一个基于 ReAct 模式的智能旅行助手:

  • 角色： 智能旅行助手
  • 可用工具：
    • get_weather(city: str): 查询指定城市的实时天气
    • get_attraction(city: str, weather: str): 根据城市和天气推荐旅游景点
  • 工作流程：
    1. 用户输入请求
    2. LLM 生成 Thought-Action 对
    3. 解析并执行 Action (调用工具或结束任务)
    4. 记录 Observation 结果
    5. 循环直到收到 Finish 指令
AGENT_SYSTEM_PROMPT = """
你是一个旅行助手，严格按格式一步步解决用户问题。

可用工具：
- get_weather(city="城市名")
- get_attraction(city="城市名", weather="天气")

输出规则（必须严格遵守）：
1. 每次只输出两行：Thought: ... 然后 Action: ...
2. Action 只能是：工具调用 或 Finish[答案]
3. 不要加解释、不要 markdown、不要空行、不要多余文字

示例：
Thought: 用户要北京天气，先调用get_weather
Action: get_weather(city="北京")

现在开始。
"""

import re
import requests
import os
from tavily import TavilyClient
from openai import OpenAI


# --- 工具函数不变 ---
def get_weather(city: str) -> str:
    url = f"https://wttr.in/{city}?format=j1"
    try:
        response = requests.get(url)
        response.raise_for_status()
        data = response.json()
        current_condition = data["current_condition"][0]
        weather_desc = current_condition["weatherDesc"][0]["value"]
        temp_c = current_condition["temp_C"]
        return f"{city}当前天气：{weather_desc}，气温{temp_c}摄氏度"
    except Exception as e:
        return f"错误：{e}"


def get_attraction(city: str, weather: str) -> str:
    api_key = os.environ.get("TAVILY_API_KEY")
    if not api_key:
        return "错误：未配置TAVILY_API_KEY。"
    tavily = TavilyClient(api_key=api_key)
    query = f"{city} {weather}天气 推荐景点"
    try:
        response = tavily.search(query=query, search_depth="basic", include_answer=True)
        return response.get("answer", "无结果")
    except Exception as e:
        return f"错误：{e}"


available_tools = {"get_weather": get_weather, "get_attraction": get_attraction}


# --- LLM 客户端（加了温度、长度限制、停止词）---
class OpenAICompatibleClient:
    def __init__(self, model, api_key, base_url):
        self.client = OpenAI(api_key=api_key, base_url=base_url)
        self.model = model

    def generate(self, prompt, system_prompt):
        messages = [
            {"role": "system", "content": system_prompt},
            {"role": "user", "content": prompt},
        ]
        try:
            response = self.client.chat.completions.create(
                model=self.model,
                messages=messages,
                stream=False,
                temperature=0.1,
                max_tokens=200,
                stop=["\n\n", "Observation:"],
            )
            return response.choices[0].message.content.strip()
        except Exception as e:
            return f"错误：{e}"


# --- 配置 ---
API_KEY = "xxxx"
BASE_URL = "https://api-inference.modelscope.cn/v1"
MODEL_ID = "deepseek-ai/DeepSeek-V4-Flash"
os.environ["TAVILY_API_KEY"] = (
    "xxxxx"
)

llm = OpenAICompatibleClient(model=MODEL_ID, api_key=API_KEY, base_url=BASE_URL)

# --- 主循环 ---
user_prompt = "你好，请帮我查询一下今天北京的天气，然后根据天气推荐一个合适的旅游景点。"
prompt_history = [f"用户请求: {user_prompt}"]

print(f"用户输入: {user_prompt}\n" + "=" * 40)

for i in range(5):
    print(f"--- 循环 {i+1} ---\n")
    full_prompt = "\n".join(prompt_history)
    llm_output = llm.generate(full_prompt, system_prompt=AGENT_SYSTEM_PROMPT)

    # 安全截断：只保留第一个合法的 Thought + Action
    match = re.search(r"^Thought:.*?\nAction:.*$", llm_output, re.MULTILINE)
    if match:
        llm_output = match.group(0).strip()
    else:
        llm_output = ""

    print(f"模型输出:\n{llm_output}\n")
    prompt_history.append(llm_output)

    # 解析 Action（容错+清理符号）
    action_match = re.search(r"Action:\s*(.*?)\s*$", llm_output, re.MULTILINE)
    if not action_match:
        observation = (
            "错误：未找到 Action。请严格按两行格式输出：Thought: ...\nAction: ..."
        )
        observation_str = f"Observation: {observation}"
        print(f"{observation_str}\n" + "=" * 40)
        prompt_history.append(observation_str)
        continue

    action_str = action_match.group(1).strip()
    action_str = (
        action_str.replace("（", "(")
        .replace("）", ")")
        .replace("“", '"')
        .replace("”", '"')
    )

    if action_str.startswith("Finish"):
        final_answer = re.match(r"Finish\[(.*)\]", action_str).group(1)
        print(f"任务完成，最终答案: {final_answer}")
        break

    tool_name = re.search(r"(\w+)\(", action_str).group(1)
    args_str = re.search(r"\((.*)\)", action_str).group(1)
    kwargs = dict(re.findall(r'(\w+)="([^"]*)"', args_str))

    if tool_name in available_tools:
        observation = available_tools[tool_name](**kwargs)
    else:
        observation = f"错误：未定义的工具 '{tool_name}'"

    observation_str = f"Observation: {observation}"
    print(f"{observation_str}\n" + "=" * 40)
    prompt_history.append(observation_str)

    # 限制历史长度，防止上下文过长错乱
    if len(prompt_history) > 8:
        prompt_history = prompt_history[-8:]

以下输出完整地展示了一个成功的智能体执行流程。通过对这个三轮循环的分析，我们可以清晰地看到智能体解决问题的核心能力。

在这里插入图片描述

4、智能体应用的协作模式

  • [作为开发者工具的智能体]

  • [作为自主协作者的智能体]

  • [Workflow 和 Agent 的差异]：Workflow 是让 AI 按部就班地执行指令，而 Agent 则是赋予 AI 自由度去自主达成目标。

    ​

    image.png

处理过程充分展现了其自主性：

  1. 规划与工具调用： Agent 首先会把任务拆解为两个步骤：① 查询天气；② 基于天气推荐景点。随即，它会自主选择并调用“天气查询 API”，并将“北京”作为参数传入。
  2. 推理与决策： 假设 API 返回结果为“晴朗，微风”。Agent 的 LLM 大脑会基于这个信息进行推理：“晴天适合户外活动”。接着，它会根据这个判断，在它的知识库或通过搜索引擎这个工具中，筛选出北京的户外景点，如故宫、颐和园、天坛公园等。
  3. 生成结果： 最后，Agent 会综合信息，给出一个完整的、人性化的回答：“今天北京天气晴朗，微风，非常适合户外游玩。为您推荐前往【颐和园】，您可以在昆明湖上泛舟，欣赏美丽的皇家园林景色。”

5、简易旅游助手功能扩展

添加以下功能

  • 添加一个"记忆"功能，让智能体记住用户的偏好（如喜欢历史文化景点、预算范围等）
  • 当推荐的景点门票已售罄时，智能体能够自动推荐备选方案
  • 如果用户连续拒绝了 3 个推荐，智能体能够反思并调整推荐策略
当前限制
  • 无状态设计: 每次对话都是独立的,无法跨会话保持上下文
  • 无记忆机制: 无法记住用户的历史偏好、决策模式等信息
  • 个性化缺失: 景点推荐仅基于天气,不考虑用户个人喜好
核心目标

让智能体能够记住和利用用户偏好,提供更个性化的旅行建议。

用户偏好配置

请添加图片描述

代码实现

1、MemoryManager 类

import json
import os
from datetime import datetime
import ast


class MemoryManager:
    """管理用户偏好记忆的存储和读取"""

    def __init__(self, file_path: str = "user_preferences.json"):
        self.file_path = file_path
        self.preferences = self.load_preferences()

    def load_preferences(self) -> dict:
        """从文件加载用户偏好"""
        if os.path.exists(self.file_path):
            try:
                with open(self.file_path, "r", encoding="utf-8") as f:
                    return json.load(f)
            except Exception as e:
                print(f"读取记忆文件失败: {e}，将使用默认模板。")

        # 默认结构
        return {
            "user_id": "default",
            "preferences": {"attraction_types": [], "budget": {"min": 0, "max": None}},
            "last_updated": datetime.now().isoformat(),
        }

    def save_preferences(self) -> bool:
        """保存用户偏好到文件"""
        try:
            self.preferences["last_updated"] = datetime.now().isoformat()
            with open(self.file_path, "w", encoding="utf-8") as f:
                json.dump(self.preferences, f, indent=4, ensure_ascii=False)
            return True
        except Exception as e:
            print(f"保存记忆失败: {e}")
            return False

    def update_preference(self, key: str, value: str) -> str:
        """更新单个偏好项 (供智能体作为Tool调用)"""
        # 尝试将字符串形式的列表转为真实的Python列表 (例如 "['历史文化']" -> ['历史文化'])
        try:
            if value.startswith("[") and value.endswith("]"):
                parsed_value = ast.literal_eval(value)
            elif value.isdigit():
                parsed_value = int(value)
            else:
                parsed_value = value
        except Exception:
            parsed_value = value

        # 处理特定的键
        if key == "attraction_types":
            if isinstance(parsed_value, list):
                self.preferences["preferences"]["attraction_types"] = parsed_value
            else:
                # 累加爱好
                if (
                    parsed_value
                    not in self.preferences["preferences"]["attraction_types"]
                ):
                    self.preferences["preferences"]["attraction_types"].append(
                        parsed_value
                    )
        elif key == "budget_min":
            self.preferences["preferences"].setdefault("budget", {})["min"] = int(
                parsed_value
            )
        elif key == "budget_max":
            self.preferences["preferences"].setdefault("budget", {})["max"] = int(
                parsed_value
            )
        else:
            self.preferences["preferences"][key] = parsed_value

        self.save_preferences()
        return f"记忆已更新: {key} = {parsed_value}"

    def get_preferences_summary(self) -> str:
        """获取偏好摘要(用于注入Prompt)"""
        prefs = self.preferences.get("preferences", {})
        summary_lines = []

        if prefs.get("attraction_types"):
            summary_lines.append(
                f"- 喜欢的景点类型: {', '.join(prefs['attraction_types'])}"
            )

        budget = prefs.get("budget", {})
        if budget.get("min") is not None or budget.get("max") is not None:
            summary_lines.append(
                f"- 预算范围: {budget.get('min', 0)} 到 {budget.get('max', '不限')} 元"
            )

        for k, v in prefs.items():
            if k not in ["attraction_types", "budget"] and v:
                summary_lines.append(f"- {k}: {v}")

        if not summary_lines:
            return "暂无偏好记录。"
        return "\n".join(summary_lines)

    def extract_preferences_from_dialog(self, dialog_text: str) -> dict:
        """从对话中提取偏好信息（可留给未来结合LLM直接抽取时使用）"""
        pass

2、user_preferences.json：将用户偏好保存到本地文件(JSON格式)

{
    "user_id": "default",
    "preferences": {
        "attraction_types": [
            "历史文化",
            "博物馆",
            "湖光山色"
        ],
        "budget": {
            "min": 50,
            "max": 300
        },
        "transport_mode": "公共交通",
        "activity_level": "轻松",
        "preferred_time": "周末",
        "group_size": 2,
        "special_requirements": []
    },
    "history": {
        "searched_cities": [
            "北京",
            "上海",
            "杭州"
        ],
        "accepted_recommendations": [
            "故宫博物院",
            "西湖"
        ],
        "rejected_recommendations": [
            "长城"
        ]
    },
    "last_updated": "2026-05-03T11:00:20.263881"
}

3、optimized_agent.py

import re
import requests
import os
from tavily import TavilyClient
from openai import OpenAI
from memory_manager import MemoryManager  # 导入你写的记忆管理器

# 注意这里将 {preferences_summary} 改为了占位符，以便动态格式化
ENHANCED_SYSTEM_PROMPT = """
你是一个智能旅行助手。你的任务是分析用户的请求,并使用可用工具一步步地解决问题。

# 用户偏好记忆:
{preferences_summary}

# 可用工具:
- `get_weather(city: str)`: 查询指定城市的实时天气。
- `get_attraction(city: str, weather: str)`: 根据城市和天气搜索推荐的旅游景点。它会自动参考用户的偏好记忆。
- `update_preference(key: str, value: str)`: 更新用户偏好设置。支持的key包括: 'attraction_types'(如'历史文化'), 'budget_max'(如'500')等。
- `check_ticket_availability(attraction: str, date: str)`: 查询指定景点在特定日期的门票是否售罄。

# 推荐策略与反思机制:
- 当向用户推荐景点后，如果用户表示不喜欢或拒绝，你需要分析原因并重新推荐。
- 【绝对指令】如果你看到【系统强提醒】提示用户已连续拒绝 3 次，你必须立刻执行反思：停止盲目调用搜索工具，在 Action: Finish 中向用户道歉，并主动询问 2-3 个具体问题（例如：是不是嫌太远？想看自然风光还是现代商业？是否带了老人小孩？）来深挖用户的隐藏偏好。

# 重要提示:
- 如果用户提出了新的偏好，请优先使用 update_preference 工具记录。
- 推荐前必须使用 check_ticket_availability 查票，遇到售罄必须重新寻找备选。
- 当收集到足够信息且准备好回复用户时，使用 Action: Finish[最终答案] 格式结束。

# 输出格式要求:
你的每次回复必须严格遵循以下格式,包含一对Thought和Action:

Thought: [你的思考过程和下一步计划]
Action: [你要执行的具体行动]

请开始吧!
"""

# --- 实例化记忆管理器 ---
memory_manager = MemoryManager()


# --- 工具函数 ---
def get_weather(city: str) -> str:
    url = f"https://wttr.in/{city}?format=j1"
    try:
        response = requests.get(url)
        response.raise_for_status()
        data = response.json()
        current_condition = data["current_condition"][0]
        weather_desc = current_condition["weatherDesc"][0]["value"]
        temp_c = current_condition["temp_C"]
        return f"{city}当前天气：{weather_desc}，气温{temp_c}摄氏度"
    except Exception as e:
        return f"错误：{e}"


def get_attraction(city: str, weather: str) -> str:
    """根据城市和天气搜索推荐景点（函数内部主动读取记忆）"""
    prefs_summary = memory_manager.get_preferences_summary()

    # 将记忆直接拼接到搜索词中
    query = f"{city} {weather}天气 旅游景点推荐 {prefs_summary}"

    api_key = os.environ.get("TAVILY_API_KEY")
    if not api_key:
        return "错误：未配置TAVILY_API_KEY。"
    tavily = TavilyClient(api_key=api_key)
    try:
        response = tavily.search(query=query, search_depth="basic", include_answer=True)
        return response.get("answer", "无结果")
    except Exception as e:
        return f"错误：{e}"


def check_ticket_availability(attraction: str, date: str = "今天") -> str:
    """
    检查景点门票是否售罄的模拟工具
    """
    # 模拟热门景点售罄的黑名单
    sold_out_spots = ["故宫", "故宫博物院", "国家博物馆", "八达岭长城"]

    for spot in sold_out_spots:
        if spot in attraction:
            return f"【门票售罄】非常抱歉，系统显示 {attraction} 在 {date} 的门票已经全部售罄！请务必为您寻找其他备选景点。"

    return (
        f"【余票充足】好消息，{attraction} 在 {date} 目前还有余票，可以正常推荐给用户。"
    )


# 注册所有工具，包括记忆更新和查票
available_tools = {
    "get_weather": get_weather,
    "get_attraction": get_attraction,
    "update_preference": memory_manager.update_preference,
    "check_ticket_availability": check_ticket_availability,
}


# --- LLM 客户端 ---
class OpenAICompatibleClient:
    def __init__(self, model, api_key, base_url):
        self.client = OpenAI(api_key=api_key, base_url=base_url)
        self.model = model

    def generate(self, prompt, system_prompt):
        messages = [
            {"role": "system", "content": system_prompt},
            {"role": "user", "content": prompt},
        ]
        try:
            response = self.client.chat.completions.create(
                model=self.model,
                messages=messages,
                stream=False,
                temperature=0.1,
                max_tokens=1024,  # 已修复：扩大字数限制
                stop=["Observation:"],  # 已修复：移除换行符拦截
            )

            # --- 异常拦截逻辑 ---
            if getattr(response, "choices", None) is None or len(response.choices) == 0:
                return f"API 返回了异常数据 (请检查模型ID、API Key或余额)。原始返回信息：\n{response}"

            return response.choices[0].message.content.strip()
        except Exception as e:
            return f"错误：{e}"


# --- 意图判断工具 ---
def check_rejection_intent(user_text: str, current_llm: OpenAICompatibleClient) -> bool:
    """调用大模型判断用户是否在拒绝/不满意当前推荐"""
    intent_system_prompt = """
    你是一个高精度的意图判断分类器。你的任务是判断用户的输入是否属于对上一次推荐的“纯粹拒绝”或“不满意”。
    
    【核心判断规则】：
    1. 拒绝 (REJECT)：用户明确表示不喜欢、不去、换一个、没意思、不对等，且**没有**提供任何有实质意义的新偏好或补充条件。
    2. 其他 (OTHER)：
       - 用户同意推荐。
       - 用户没有拒绝推荐的内容，而是提出了全新的需求或目的地。
       - **用户正在回答关于偏好的提问**（例如：补充说明“人太多”、“想去适合拍照打卡的地方”、“我是一个人去”等具体条件）。
    
    注意：只要用户的话语中包含了具体的偏好标签（如人数、风格、原因），这说明用户在积极推进对话，必须判定为 OTHER！
    
    你只能输出两个结果之一，不能有任何多余的废话：
    REJECT 或 OTHER
    """
    try:
        response = current_llm.generate(
            prompt=user_text, system_prompt=intent_system_prompt
        )
        if "REJECT" in response.upper():
            return True
        return False
    except Exception as e:
        print(f"意图分析出错: {e}")
        return False


# --- 配置 ---
# 请确保环境变量和密钥都是正确的
API_KEY = "xxxx"
BASE_URL = "https://dashscope.aliyuncs.com/compatible-mode/v1"
MODEL_ID = "qwen-plus"
os.environ["TAVILY_API_KEY"] = (
    "xxxxx"
)

llm = OpenAICompatibleClient(model=MODEL_ID, api_key=API_KEY, base_url=BASE_URL)

# --- 主循环 (多轮对话与反思机制) ---
print("=" * 40)
print("智能旅行助手已启动！(输入 '退出' 结束对话)")
print("=" * 40)

prompt_history = []
rejection_count = 0  # 连续拒绝计数器

while True:
    user_input = input("\n[你]: ")
    if user_input.lower() in ["退出", "quit", "exit"]:
        print("旅行助手已退出。再见！")
        break

    # 1. 智能意图检测：让大模型判断是不是拒绝
    is_rejecting = check_rejection_intent(user_input, llm)

    if is_rejecting:
        rejection_count += 1
        print(
            f"【系统日志】大模型判定用户意图为：拒绝，当前连续拒绝次数: {rejection_count}"
        )
    else:
        rejection_count = 0  # 判定为提出新需求或同意，重置计数器
        print("【系统日志】大模型判定用户意图为：非拒绝，计数器重置。")

    # 2. 触发反思机制
    if rejection_count >= 3:
        system_warning = "【系统强提醒】用户已连续拒绝了你的3次推荐！请立即停止盲目搜索，执行反思机制：向用户道歉，并询问他们更具体的偏好方向（如人群、距离、特定活动等）。"
        prompt_history.append(system_warning)
        rejection_count = 0  # 触发后重置，等待下一次的一轮交互

    prompt_history.append(f"用户请求: {user_input}")

    # 3. 智能体的内在思考循环 (最多执行6步以防死循环)
    for i in range(6):
        current_system_prompt = ENHANCED_SYSTEM_PROMPT.format(
            preferences_summary=memory_manager.get_preferences_summary()
        )

        full_prompt = "\n".join(prompt_history)
        llm_output = llm.generate(full_prompt, system_prompt=current_system_prompt)

        # 提取 Thought 和 Action (兼容多行)
        match = re.search(
            r"^Thought:.*?\nAction:.*$", llm_output, re.MULTILINE | re.DOTALL
        )
        if match:
            llm_output = match.group(0).strip()

        prompt_history.append(llm_output)

        # ✅ 修复点 1：使用 re.DOTALL 抓取 Action 后的所有换行和内容
        action_match = re.search(r"Action:\s*(.*)", llm_output, re.DOTALL)
        if not action_match:
            prompt_history.append("Observation: 错误：未找到 Action，请重试。")
            continue

        action_str = action_match.group(1).strip()
        action_str = (
            action_str.replace("（", "(")
            .replace("）", ")")
            .replace("“", '"')
            .replace("”", '"')
        )

        # 如果智能体决定回复用户，结束内部思考循环
        if action_str.startswith("Finish"):
            # ✅ 修复点 2：放宽匹配条件，提取 Finish[] 中的所有内容（包括多行排版）
            final_answer = re.search(r"Finish\[(.*)", action_str, re.DOTALL)
            final_ans_text = final_answer.group(1) if final_answer else action_str

            # 清理末尾可能残留的 ']'
            if final_ans_text.endswith("]"):
                final_ans_text = final_ans_text[:-1]

            print(f"\n[助手]: {final_ans_text.strip()}")
            break

        # 执行工具调用
        try:
            tool_name = re.search(r"(\w+)\(", action_str).group(1)
            args_str = re.search(r"\((.*)\)", action_str).group(1)
            kwargs = dict(re.findall(r'(\w+)="([^"]*)"', args_str))

            if tool_name in available_tools:
                observation = available_tools[tool_name](**kwargs)
            else:
                observation = f"错误：未定义的工具 '{tool_name}'"
        except Exception as e:
            observation = f"错误：工具解析失败 {e}"

        prompt_history.append(f"Observation: {observation}")

    # 控制历史记录长度，防止上下文超载
    if len(prompt_history) > 15:
        prompt_history = prompt_history[-15:]

最后的输出结果如下：

请添加图片描述

参考资料
1、hello-agent
2、第一章习题

# 旅游 # 人工智能 # 学习
Logo
2048 AI社区

有“AI”的1024 = 2048，欢迎大家加入2048 AI社区

更多推荐

cover

GeoAI UP：一键部署包发布，让地理空间AI触手可及！

avatar 2048 AI社区
cover

深入浅出 LangGraph —— 第11章：子图：构建模块化Agent

avatar 2048 AI社区
cover

AI办公革命：Gemini3.1Pro效率提升70%

avatar 2048 AI社区