| 123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081828384858687888990919293949596979899100101102103104105106107108109110111112113 |
- """
- ReAct vs Plan-and-Execute
- ReAct（Reasoning + Acting）: 边想边做 —— 每一步都「推理 → 行动 → 观察 → 再推理」
- 适合: 简单任务，不需要提前规划
- 缺点：由于缺乏全局规划，它像个"近视眼"，极易在步骤繁多的复杂任务中迷失方向，
- 甚至在出错时陷入工具调用的无限死循环。
- Plan-and-Execute: 先计划再执行 —— 先制定完整计划，再逐步执行
- 适合: 复杂任务，需要全局规划
- 缺点：由于强依赖前期的静态规划，它显得过于笨重且延迟较高，一旦中间步骤执行出错
- 或现实情况发生突变，就必须频繁重新规划，缺乏像 ReAct 那样快速、灵活的即时反应能力。
- 本文件演示 ReAct 模式的 Agent：
- 每轮循环：LLM 推理当前状况 → 决定调用哪个工具 → 工具返回结果 → LLM 观察结果继续推理
- 直到 LLM 认为问题已解决，输出最终答案。
- """
- import sys
- from pathlib import Path
- # 将项目根目录加入 sys.path，确保能 import llm_client 和 agent_demo 等模块
- path = Path(__file__).resolve().parent.parent
- sys.path.insert(0, str(path))
- """企业需求：智能客服售后分析 Agent（ReAct 模式）"""
- # ================================================================
- # 1. 初始化大模型（LLM）
- # get_llm() 返回 ChatOpenAI 单例，自动读取 .env 中的 API Key / base_url / model
- # LLM 是 ReAct 循环中的「推理引擎」，负责理解问题 + 决定调用哪个工具
- # ================================================================
- from llm_client import get_llm
- llm = get_llm()
- # ================================================================
- # 2. 加载工具（Tools）
- # ReAct 中的 "Act" 环节 —— Agent 通过调用这些工具与外部系统交互
- # - query_order: 查询订单系统（订单状态、物流等）
- # - query_product: 查询商品知识库（商品信息、价格等）
- # tools 列表会在创建 Agent 时注入，LLM 可以自主决定调用哪个
- # ================================================================
- from langchain.agents import create_agent
- from agent_demo.React_tool import query_order, query_product
- tools = [query_order, query_product]
- # ================================================================
- # 3. 系统提示词（System Prompt）
- # 定义 Agent 的角色、行为规范和输出要求
- # 这段 prompt 会作为 SystemMessage 拼接在每轮 LLM 调用的最前面
- # ReAct 的 "Reasoning" 质量很大程度上取决于 prompt 写得是否清晰
- # ================================================================
- prompt = """你是企业售后智能客服Agent。
- 你的任务：
- 1. 理解用户问题
- 2. 判断是否需要调用工具
- 3. 获取业务数据
- 4. 根据结果分析
- 5. 给出准确解决方案
- 你不能编造订单信息。
- 如果缺少信息，需要主动询问。
- """
- # ================================================================
- # 4. 创建 ReAct Agent
- # create_agent 内部封装了完整的 ReAct 循环：
- #
- # ┌──────────┐ 有工具调用 ┌──────────┐
- # │ LLM │ ───────────────→ │ 工具执行 │
- # │ (推理) │ ←─────────────── │ (行动) │
- # └──────────┘ 返回观察结果 └──────────┘
- # │
- # │ 无工具调用，直接输出
- # ↓
- # 最终答案
- #
- # 参数说明：
- # - llm: 负责推理的 LLM
- # - tools: 可调用的工具列表（ReAct 中的 Action 来源）
- # - system_prompt: 系统提示词，定义 Agent 的角色和行为规范
- # ================================================================
- agent = create_agent(
- llm,
- tools,
- system_prompt=prompt,
- )
- # ================================================================
- # 5. 运行 Agent
- # agent.invoke() 启动 ReAct 循环，输入 messages 列表
- # 返回的 result['messages'] 包含完整的对话历史：
- # HumanMessage → 用户输入
- # AIMessage → LLM 推理（可能包含 tool_calls）
- # ToolMessage → 工具执行结果
- # ...（重复上述过程直到 LLM 输出最终答案）
- # AIMessage → 最终回答（不含 tool_calls）
- # ================================================================
- if __name__ == '__main__':
- # 用户问题：查询订单 10001 的状态
- result = agent.invoke(
- {"messages": [("user", "我的订单10001为什么还没有收到？")]}
- )
- # 取最后一条消息的 content 作为最终回答
- print(f"\n最终回答：{result['messages'][-1].content}")
|
