【大模型学习笔记】Day4-6 智能体入门级搭建

原创已于 2026-08-14 17:52:31 修改 · 231 阅读

6 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

于 2026-08-14 17:51:08 首次发布

前言：这几天学习理论知识较少，跟着网上的视频做了一些代码试写，从开始的调用大模型逐渐进阶到搭建简单的agent，实现提示词工程、agent工具开发、简单agent开发

轻松一刻：我最讨厌的两件事：一是写注释，二是别人不写注释。程序员最怕听到的三个字不是“有Bug”，而是……“你注释呢？”

知识点学习

工具调用与Agent类知识点

知识点1：什么是Function Calling（工具调用）？它在Agent系统中起什么作用？

Function Calling 是让大模型在对话中识别需要调用外部工具或函数，并生成结构化调用参数的能力。它在 Agent 系统中起到连接模型与外部世界的作用，让模型能获取实时数据、执行操作，从而完成单靠模型本身无法完成的任务。

知识点2：什么是ReAct模式？它与单纯的工具调用有什么不同？

ReAct 模式是让模型交替进行「推理」和「行动」：先思考下一步该做什么，再调用工具获取结果，然后根据结果继续推理。与单纯工具调用相比，ReAct 多了推理环节，能根据中间结果动态调整策略，处理更复杂的多步任务。

知识点3：什么是工具（Tool）描述？如何正确编写工具描述以提高模型调用的准确性？

工具描述是告诉模型「这个工具是做什么的、什么时候该用、参数怎么填」的说明文字。编写时要写清楚工具的功能、适用场景、参数含义和格式要求，语言要简洁明确，避免歧义，这样模型才能准确判断何时调用以及如何传参。

知识点4：多工具场景下，模型如何决定调用哪个工具？优先级如何设定？

模型会根据用户意图和各个工具的描述，选择最匹配的那个工具来调用。优先级可以通过在工具描述中明确使用条件、适用场景和重要程度来设定，描述越清晰、条件越明确，模型就越容易做出正确选择。

知识点5：什么是工具调用循环（Tool Call Loop）？如何防止无限循环？

工具调用循环是指模型反复调用工具、获取结果、再继续调用的过程，直到完成任务。防止无限循环可以设置最大调用次数、增加超时机制，或在结果中检测到无进展时主动终止循环。

LangChain与框架类知识点

知识点6：LangChain的核心组件有哪些？它们分别解决什么问题？

LangChain 的核心组件包括模型（Model）、提示词（Prompt）、记忆（Memory）、工具（Tool）和链（Chain）。模型负责与大模型交互，提示词负责组织输入，记忆负责保存对话历史，工具负责连接外部能力，链负责把多个步骤串联起来完成复杂任务。

知识点7：什么是LCEL（LangChain Expression Language）？它的优势是什么？

LCEL 是 LangChain 提供的一种声明式表达式语言，用简洁的管道语法把组件串联成执行流程。它的优势是代码简洁、易于组合和复用，支持流式输出、并行执行和异步调用，还能自动处理重试和回退，让复杂流程的构建和维护更高效。

知识点8：什么是Chain？Chain和Agent有什么区别？

Chain 是把多个处理步骤按固定顺序串联起来的执行流程，每一步做什么是预先定义好的。Agent 则更灵活，它能根据用户意图动态决定调用哪些工具、按什么顺序执行。简单说，Chain 是固定流程，Agent 是自主决策流程。

知识点9：什么是Vector Store？在RAG系统中它扮演什么角色？

Vector Store 是专门存储和检索向量数据的数据库，把文本等内容转换成向量后存入其中，并支持按相似度快速检索。在 RAG 系统中，它负责保存知识库的向量索引，当用户提问时，系统先从 Vector Store 中检索出最相关的片段，再交给大模型生成回答，从而提升回答的准确性和时效性。

知识点10：什么是Embedding？如何选择Embedding模型？

Embedding 是把文本、图片等内容转换成高维向量表示的过程，让语义相近的内容在向量空间中距离更近。选择 Embedding 模型时，要考虑模型的语义理解能力、支持的语言、向量维度、推理速度和成本，并结合实际业务场景和检索效果进行测试对比。

实战代码

1、天气查询工具开发

import os
import json
import requests
from langchain_openai import ChatOpenAI
from langchain_core.tools import tool
from langchain_core.messages import HumanMessage, AIMessage, ToolMessage
from dotenv import load_dotenv
import ssl
from requests.adapters import HTTPAdapter
import gradio as gr

load_dotenv()

class TLSAdapter(HTTPAdapter):
    def init_poolmanager(self, *args, **kwargs):
        kwargs['ssl_version'] = ssl.PROTOCOL_TLSv1_2  # 强制 TLS 1.2
        return super().init_poolmanager(*args, **kwargs)

@tool
def get_weather(city: str) -> str:
    """查询指定城市的当前天气信息，包括温度、天气状况、湿度、风速。
    当用户询问某个城市或地区的天气、气温、冷不冷、热不热、下不下雨时，使用此工具。
    Args:
        city: 要查询天气的城市名称，例如"北京"、"上海"、"长沙"、"广州"
    """
    print("需要查询的城市：", city)
    try:
        url = f"https://wttr.in/{city}?format=j1&lang=zh"
        headers = {
            "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36"
            ""
        }
        # 使用自定义适配器
        session = requests.Session()
        session.mount('https://', TLSAdapter())
        resp = session.get(url, timeout=10, headers=headers)

        # resp = requests.get(url, timeout=10, headers=headers)
        print("爬取成功")
        resp.raise_for_status()
        data = resp.json()
        # print(data)
        current = data["current_condition"][0]
        area = data["nearest_area"][0]
        return (
            f"{area['areaName'][0]['value']}天气\n"
            f"天气:{current['weatherDesc'][0]['value']}\n"
            f"温度:{current['temp_C']}°C（体感{current['FeelsLikeC']}°C）\n"
            f"湿度:{current['humidity']}%\n"
            f"风速:{current['windspeedKmph']}km/h"
        )
    except Exception as e:
        print(f"请求失败，错误信息：{e}")
        return (
            f"{city}天气（模拟数据，网络不通时显示）\n"
            "天气：晴，温度：28°C（体感30°C），湿度：65%，风速：12km/h"
        )
tools = [get_weather]
tool_map = {t.name: t for t in tools}

# --- 初始化 LLM 并绑定工具 ---

llm = ChatOpenAI(
    model=os.getenv("DATA_MODEL"),
    base_url=os.getenv("DATA_BASE_URL"),
    api_key=os.getenv("DATA_API_KEY"),
    temperature=0,
)

llm_with_tools = llm.bind_tools(tools)

# --------------ReAct 循环（核心！）-------------------
def run_agent(user_input: str, verbose: bool = True) -> str:
    """
    Args:
        user_input（用户的提问）
        verbose:是否记录每一步，此处默认为True
    """
    messages = [HumanMessage(content=user_input)]
    # 此处记录用户问题以及每一步循环的ai回答

    for step in range(5):
        response: AIMessage = llm_with_tools.invoke(messages)
        messages.append(response)
        if not response.tool_calls:
            return response.content
        # 此处判断，如果大模型没有调用任何工具，说明大模型觉得获得的信息已经够了，可以直接回答用户了，返回结果
        if verbose:
            for tc in response.tool_calls:
                print(f"【步骤{step+1}】调用工具：{tc['name']}，参数：{json.dumps(tc['args'], ensure_ascii=False)}")

        for tc in response.tool_calls:
            tool_result = tool_map[tc["name"]].invoke(tc["args"])
            if verbose:
                print(f"【步骤{step+1}】工具返回：{str(tool_result)[:60]}...")
            messages.append(ToolMessage(content=str(tool_result), tool_call_id=tc["id"]))
    return "处理次数超限，请换个问题。"


demo = gr.Interface(fn=run_agent, inputs="text", outputs="text")
if __name__ == "__main__":
    demo.launch()

其中核心代码如下：

封装了一个工具用@tool装饰，在函数定义里写清楚工具描述，避免歧义（这一步很重要）

在工具get_weather里用requests爬取天气网站信息，让大模型有了能获取天气的能力

@tool
def get_weather(city: str) -> str:
    """查询指定城市的当前天气信息，包括温度、天气状况、湿度、风速。
    当用户询问某个城市或地区的天气、气温、冷不冷、热不热、下不下雨时，使用此工具。
    Args:
        city: 要查询天气的城市名称，例如"北京"、"上海"、"长沙"、"广州"
    """
    print("需要查询的城市：", city)
    try:
        url = f"https://wttr.in/{city}?format=j1&lang=zh"
        headers = {
            "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36"
            ""
        }
        # 使用自定义适配器
        session = requests.Session()
        session.mount('https://', TLSAdapter())
        resp = session.get(url, timeout=10, headers=headers)

        # resp = requests.get(url, timeout=10, headers=headers)
        print("爬取成功")
        resp.raise_for_status()
        data = resp.json()
        # print(data)
        current = data["current_condition"][0]
        area = data["nearest_area"][0]
        return (
            f"{area['areaName'][0]['value']}天气\n"
            f"天气:{current['weatherDesc'][0]['value']}\n"
            f"温度:{current['temp_C']}°C（体感{current['FeelsLikeC']}°C）\n"
            f"湿度:{current['humidity']}%\n"
            f"风速:{current['windspeedKmph']}km/h"
        )
    except Exception as e:
        print(f"请求失败，错误信息：{e}")
        return (
            f"{city}天气（模拟数据，网络不通时显示）\n"
            "天气：晴，温度：28°C（体感30°C），湿度：65%，风速：12km/h"
        )
tools = [get_weather]
tool_map = {t.name: t for t in tools}

2、天气查询工具进阶（agent开发，让大模型有短期记忆，能记住用户前面所说的话）

在1的基础上调用改为如下方代码

这段代码在1的基础上，定义了一个agent，并通过定义类WeatherChat的办法，实现循环调用和清空记忆，其中self.messages里会存储着每一次的对话，让大模型在每次调用时都知道之前说了什么，在每轮循环里用agent.invoke的方式存储每一轮对话。


# 在001的基础上创建1个带记忆的agent：
# create_agent 是langchain给的官方agent创建工具
agent = create_agent(
    model= llm,
    tools = tools,
    system_prompt = """
        你是天气小助手，专业友好。
            1、问天气必须调用get_wheather工具，不要编造
            2、问答简洁自然，根据温度给穿衣建议（<10度保暖，>30度防暑）
            3、用户没说城市时礼貌询问
            4、非天气问题礼貌说明你主要提供天气服务
    
    """,

)

class WeatherChat:
    """多轮对话会话：自己维护消息历史"""
    def __init__(self):
        self.messages = []  # 消息列表，存所有历史
    def send(self, user_input: str) -> str:
        """发送用户消息，返回助手回答"""
        # 1. 把用户消息加入历史
        self.messages.append(HumanMessage(content=user_input))

        # 2. 调用agent（传入完整历史）
        result = agent.invoke({"messages": self.messages})

        # 3. 用agent返回的完整消息列表更新历史（包含工具调用过程）
        self.messages = result["messages"]

        # 4. 最后一条就是最终回答
        return self.messages[-1].content

    def clear(self):
        """清空对话"""
        self.messages = []

if __name__ == "__main__":
    print("=" * 50)
    print("天气助手 进阶版（多轮对话版）")
    print("命令：quit 退出 | clear 清空对话")
    print("=" * 50)

    chat = WeatherChat()

    while True:
        user_input = input("\n你: ").strip()
        if not user_input:
            continue
        if user_input.lower() in ("quit", "exit", "q"):
            print("再见！")
            break
        if user_input.lower() == "clear":
            chat.clear()
            print("对话已清空，重新开始~")
            continue

        answer = chat.send(user_input)
        print(f"助手: {answer}")

结果截图：

写到这里，谢谢！

标签

#学习 #笔记 #人工智能 #python #langchain