AI Agent：让大模型从"大脑"变成"执行者"

import openai
import json
import requests

# 1. 定义工具函数（让大模型能调用的能力）
def get_weather(city: str) -> str:
    """获取城市天气（示例：模拟调用天气API）"""
    # 实际项目可接入真实天气API
    weather_data = {
        "北京": "晴朗，25°C",
        "上海": "多云，28°C",
        "广州": "雷阵雨，30°C"
    }
    return weather_data.get(city, "暂无该城市天气数据")

# 2. 工具定义（告诉大模型它能调用什么）
tools = [{
    "type": "function",
    "function": {
        "name": "get_weather",
        "description": "获取指定城市的天气",
        "parameters": {
            "type": "object",
            "properties": {
                "city": {"type": "string", "description": "城市名称"}
            },
            "required": ["city"]
        }
    }
}]

# 3. Agent 核心循环：推理 → 调用 → 执行 → 回答
def agent(user_query):
    messages = [{"role": "user", "content": user_query}]
    
    # 第一步：大模型决定是否需要调用工具
    response = openai.ChatCompletion.create(
        model="gpt-4",
        messages=messages,
        tools=tools,
        tool_choice="auto"
    )
    
    message = response.choices[0].message
    
    # 如果需要调用工具
    if message.tool_calls:
        for tool_call in message.tool_calls:
            # 解析参数
            args = json.loads(tool_call.function.arguments)
            city = args.get("city")
            
            # 执行工具函数
            weather = get_weather(city)
            
            # 将工具结果返回给大模型
            messages.append(message)
            messages.append({
                "role": "tool",
                "tool_call_id": tool_call.id,
                "content": weather
            })
        
        # 第二步：大模型根据工具结果生成最终回答
        final_response = openai.ChatCompletion.create(
            model="gpt-4",
            messages=messages
        )
        return final_response.choices[0].message.content
    
    return message.content

# 4. 测试
print(agent("北京今天天气怎么样？"))
# 输出：北京今天晴朗，25°C，适合外出活动。

# ReAct 模式示例（伪代码展示推理过程）
def react_agent(task):
    thoughts = []
    actions = []
    
    while not task_complete:
        # 思考当前状态
        thought = llm.think(f"当前任务：{task}，已有信息：{thoughts}")
        thoughts.append(thought)
        
        # 决定行动
        action = llm.decide_action(thought)
        actions.append(action)
        
        # 执行行动（调用工具/搜索/计算等）
        observation = execute(action)
        thoughts.append(observation)
        
        # 判断是否完成
        if llm.check_complete(thoughts):
            return llm.summarize(thoughts)

# 用户说："分析上个月销售额下降的原因"
# Agent 自动执行：
# → 查询数据库获取数据
# → 使用 pandas 进行统计分析
# → 生成可视化图表
# → 给出可能原因和建议

# 用户说："我的订单还没发货"
# Agent 自动执行：
# → 查询订单状态（调用订单API）
# → 如果超时则发起催单（调用工单系统）
# → 返回处理结果给用户

# 用户说："写一个爬虫爬取豆瓣电影TOP250"
# Agent 自动执行：
# → 分析需求设计代码结构
# → 编写 Python 爬虫脚本
# → 测试运行并修复错误
# → 返回完整可运行的代码

from langchain.agents import Tool, AgentExecutor, create_react_agent
from langchain_openai import ChatOpenAI
from langchain.tools import DuckDuckGoSearchRun

# 定义工具列表
tools = [
    Tool(name="Search", func=DuckDuckGoSearchRun().run, description="搜索信息"),
    # 可以添加更多工具...
]

# 创建 Agent
llm = ChatOpenAI(model="gpt-4")
agent = create_react_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# 执行任务
result = agent_executor.invoke({"input": "查找最新的AI Agent开源项目"})