一、Agent

1.1、Agent的底层逻辑-React

        React（Reasoning + Acting）是构建智能代理（Agent）的一个底层逻辑框架，用于 通过语言模型（LLM）结合外部工具的交互来解决复杂问题。它的核心思想是通过推 理（Reasoning）和执行（Acting）**的循环，让代理能够自主思考、规划和采取行动。

1.2、React框架的主要组成部分

Reasoning（推理）： 代理首先通过LLM的推理能力，分析输入信息，理解上下文、问题或任务。 推理阶段产生的结果是代理对任务的理解，它可能是某个问题的下一步行动、调 用某个工具的决定或需要收集更多信息。

Acting（执行）： 代理根据推理的结果，采取相应的行动。 行动的方式包括调用外部工具、与环境交互，或者对用户进行反馈。 行动完成后，结果会反馈给LLM，进入下一轮推理，形成循环。

1.3、React如何结合LLM和工具

        LLM：负责执行复杂任务的核心推理部分。LLM能根据自然语言理解问题，推断 出潜在的需求或解决方案。

        工具：LLM单独执行复杂任务可能能力有限，结合特定工具（如Python、浏览 器、API等）可以增强它的执行能力。例如，当任务涉及数据处理时，LLM可以推 断出需要调用某个工具，然后将请求交给工具执行。

        Prompt（提示词）：设计Prompt是让LLM和工具之间顺利交互的关键。通过巧 妙设计Prompt，能够使得LLM更准确地推理任务并选择合适的工具。

1.4、React的工作流程

接收输入：接收到用户的输入，比如问题、任务或指令。

推理与行动决策：

        LLM根据输入进行推理，判断是否需要调用工具，或直接生成响应。 如果需要调用工具，代理会明确决定使用哪个工具，并形成明确的行动步骤。 执行工具：代理调用外部工具进行操作，执行特定任务，如数据查询、计算、图 像生成等。

反馈推理：

        工具返回结果后，LLM会再次进行推理，基于新的信息更新推理结果 或采取下一步行动。

输出结果：

        最终，经过若干轮的推理与执行后，代理生成最终的响应，并返回给 用户。

二、编写Agent

常量定义与工具函数

# ReAct提示词模板（指导模型如何思考和使用工具）
REACT_PROMPT = """请尽可能好地回答以下问题，如果需要，可以适当的使用一些功能。\n
你有以下工具可用：\n
{tool_descs} \n
请使用以下格式：\n
Question: 需要回答的问题。\n
Thought: 总是考虑应该做什么以及使用哪些工具。\n
Action: 应采取的行动，应为 [{tool_names}] 中的一个。\n
Action Input: 行动的输入。\n
Observation: 行动的结果。\n
... (这个Thought/Action/Action Input/Observation 过程可以重复零次或者多次)。\n
Thought: 我现在知道最终答案了。\n
Final Answer: 对原问题的最终答案。\n
开始！ \n
"""
# 模拟API工具函数1：获取当前温度
def get_current_temperature(location: str):
    return {"temperature": 26.1, "location": location}

# 模拟API工具函数2：获取历史温度  
def get_temperature_date(location: str, date: str):
    return {"temperature": 25.9, "location": location, "date": date}

工具系统配置

# 可用工具列表（名称、描述、参数规范）
TOOLS = [
    {
        "name": "get_current_temperature",
        "description": "获取某个位置的当前温度。",
        "parameters": {
            "location": {
                "type": "string",
                "description": "要获取的温度的位置。格式为“城市”。"
            }
        }
    },
    {
        "name": "get_temperature_date",
        "description": "通过某个位置和日期获取温度。",
        "parameters": {
            "location": {
                "type": "string",
                "description": "要获取的温度的位置。格式为“城市”。"
            },
            "date": {
                "type": "string",
                "description": "要获取温度的日期。格式为“年-月-日”。"
            }
        }
    }
]


# 工具描述模板（用于生成系统提示）
TOOL_DESC = "{name}:{description} 参数：{parameters}"

核心功能函数

def get_function_by_name(name: str):
    """工具名称到函数的映射"""
    if name == "get_current_temperature":
        return get_current_temperature
    ...

def build_sys_prompt(tools):
    """构建系统提示词（整合工具信息）"""
    tool_descs = [TOOL_DESC.format(**tool) for tool in tools]
    return REACT_PROMPT.format(
        tool_descs="\n\n".join(tool_descs),
        tool_names=", ".join([t["name"] for t in tools])
    )

def parse(llm_outputs):
    """解析模型输出，提取Action和Input"""
    actions = re.findall(r"Action:\s*(\S+)", llm_outputs)
    inputs = re.findall(r"Action Input:\s*(\{.*?\})", llm_outputs)
    return list(zip(actions, inputs)), ...  # 返回行动列表和剩余文本

主执行流程

if __name__ == "__main__":
    # 4.1 初始化组件
    sys_prompt = build_sys_prompt(TOOLS)
    chat_model = ChatOpenAI(
    api_key='EMPTY',
    base_url='http://127.0.0.1:10222/v1',
    model="Qwen2.5-7B-Instruct"
    )
    
    # 4.2 构建对话消息
    messages = [
        {"role": "system", "content": sys_prompt},
        {"role": "user", "content": "北京今天的天气怎么样？"}
    ]
    
    # 4.3 获取模型初始响应
    outputs = chat_model.invoke(messages).content
    
    # 4.4 解析和执行工具
    actions, remaining_text = parse(outputs)
    observations = [get_function_by_name(act)(**json.loads(inp)) 
                   for act, inp in actions]
    
    # 4.5 获取最终答案
    messages.append({
        "role": "assistant",
        "content": remaining_text + "\nObservation: " + str(observations)
    })
    final_answer = chat_model.invoke(messages).content
    print(final_answer.split("Final Answer:")[-1].strip())

今天北京的温度是26.1℃，而明天北京的温度预计为25.9℃。请注意，实际天气情况可能会有所不同，建议您关注最新的天气预报。