四、动手造一个：从零构建你的第一个Agent理论说完了。我们来写代码。场景：做一个“智能研究助手”。给它一个问题，它能自己去搜索、整理、给出答案。第一步：安装pip install langchain openai tavily-pythonTavily是一个专门给AI用的搜索引擎API。第二步：定义工具from langchain.tools import toolfrom tavily import TavilyClienttavily = TavilyClient(api_key="your-key")@tooldef web_search(query: str) -> str: """搜索网络信息，输入是搜索词，输出是搜索结果摘要""" results = tavily.search(query=query, max_results=3) return "\n".join([r["content"] for r in results["results"]])第三步：创建Agentfrom langchain.agents import create_agentfrom langchain_openai import ChatOpenAIllm = ChatOpenAI(model="gpt-4")agent = create_agent( model=llm, tools=[web_search], system_prompt="你是一个研究助手。用户提问时，先搜索再回答。")第四步：运行result = agent.invoke({ "messages": [{"role": "user", "content": "LangChain 1.0有什么新特性？"}]})print(result["messages"][-1].content)这个Agent会：收到问题LLM推理：需要搜索调用web_search工具拿到搜索结果LLM再次推理：信息够了，可以回答输出最终答案整个过程自动完成。你只写了一件事：告诉Agent它有什么工具。关键洞察这个例子看起来简单，但它的本质是把“怎么做”的决策权交给了模型。
发布于 北京
2
评论
赞
未登录
友善发言
评论
加载中
