Hcc的Blog
0%

什么是 agent？以及如何搭建自己的 agent

发表于 分类于 ，

agent 是什么

  现在我们可以这样定义 Agent，Agent = 大模型（大脑） + 记忆系统（记忆） + 工具（手脚） + 反馈闭环（学习）。如果一个系统能做到以下四件事，就可以被称为 Agent：

  • 自主性，能根据目标自己规划下一步
  • 记忆，记住上下文、用户偏好、历史决策
  • 工具使用，能调用外部API、脚本、数据库
  • 自我修正，能根据结果调整策略、优化行为

  所以简单来说就是 大模型 + 其他能力 = Agent

尝试动手搭建一个最简单的 Agent

  之前我们搭建 RAG 时下载了一个 gemma3 模型，正好可以作为 Agent 的大脑。在 LangChain 中，Ollama 通过 langchain-ollama 提供聊天模型集成。

  我想实现上网查询最新天气信息的功能，我们创建一个 tool 工具。其语法如下:

1
2
3
4
5
6
from langchain.tools import tool

@tool
def get_time(city: str) -> str:
    """查询某个城市的当前时间。"""
    return f"{city} 现在是 10:00"

  @tool 把函数变成工具。city: str：告诉模型这个工具需要一个字符串参数。”””查询某个城市的当前时间。”””：告诉模型这个工具是干什么的。

  在 LangChain v1 里，create_agent 的 tools 参数可以接收 @tool 装饰后的函数。

  一个最完整的小示例

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
import requests
from langchain.tools import tool

@tool
def get_weather(city: str) -> str:
    """查询指定城市的当前天气。输入应为城市名。"""
    geo_resp = requests.get(
        "https://geocoding-api.open-meteo.com/v1/search",
        params={"name": city, "count": 1, "language": "zh", "format": "json"},
        timeout=20,
    )
    geo_resp.raise_for_status()
    geo_data = geo_resp.json()

    if not geo_data.get("results"):
        return f"没有找到城市“{city}”"

    loc = geo_data["results"][0]
    latitude = loc["latitude"]
    longitude = loc["longitude"]

    weather_resp = requests.get(
        "https://api.open-meteo.com/v1/forecast",
        params={
            "latitude": latitude,
            "longitude": longitude,
            "current": ["temperature_2m", "wind_speed_10m"],
            "timezone": "auto",
        },
        timeout=20,
    )
    weather_resp.raise_for_status()
    weather_data = weather_resp.json()
    current = weather_data["current"]

    return f"{city} 当前温度 {current['temperature_2m']}°C，风速 {current['wind_speed_10m']} km/h"

  好了，让我们继续完成我们的目标。很遗憾，我当前使用的 gemma3 模型版本在 Ollama 中无法正常支持 tool calling，因此这里切换到了 Qwen2.5 模型。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
llm = ChatOllama(
    model="modelscope2ollama-registry.azurewebsites.net/qwen/Qwen2.5-7B-Instruct-gguf:latest",
    temperature=0,
)

agent = create_agent(
    model=llm,
    tools=[get_weather],
    system_prompt=(
        "你是一个中文智能助手。"
        "当用户询问天气、温度、湿度、风速、是否带伞等实时信息时，优先调用 get_weather 工具。"
        "回答温柔一点。"
    ),
)

result = agent.invoke(
    {
        "messages": [
            {"role": "user", "content": "帮我查一下南京市现在的天气，并简单建议我要不要带伞。"}
        ]
    }
)

print(result["messages"][-1].content)

  运行这两段代码，就可以得到任意城市的天气了。

  但是现在每次都要在 notebook 中修改信息，再点击运行才能提问，AI 告诉我可以使用 Gradio 工具来搭建一个简单网页聊天页面。我们使用 pip 安装 gradio，接下来，我们将代码替换成这个

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
import gradio as gr

SESSION_ID = "session_1"

def bot(message, history):
    result = agent.invoke(
        {
            "messages": [
                {"role": "user", "content": message}
            ]
        },
        config={"configurable": {"thread_id": SESSION_ID}}
    )
    reply = result["messages"][-1].content
    return reply

demo = gr.ChatInterface(fn=bot, title="天气助手")
demo.launch(server_name="127.0.0.1", inbrowser=True)

  运行，我们就成功打开了一个网站，这样就可以和 agent 更流畅的对话了。

  

图 1 网页端
  

  遗憾的是，现在还没有记忆功能。接下来我想实现记忆功能。使用 LangChain 中的 checkpointer 实现此功能。完整代码如下：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
import requests
import gradio as gr

from langchain.tools import tool
from langchain.agents import create_agent
from langchain_ollama import ChatOllama
from langgraph.checkpoint.memory import InMemorySaver


@tool
def get_weather(city: str) -> str:
    """查询指定城市的当前天气。输入应为城市名。"""
    geo_resp = requests.get(
        "https://geocoding-api.open-meteo.com/v1/search",
        params={"name": city, "count": 1, "language": "zh", "format": "json"},
        timeout=20,
    )
    geo_resp.raise_for_status()
    geo_data = geo_resp.json()

    if not geo_data.get("results"):
        return f"没有找到城市“{city}”"

    loc = geo_data["results"][0]
    latitude = loc["latitude"]
    longitude = loc["longitude"]

    weather_resp = requests.get(
        "https://api.open-meteo.com/v1/forecast",
        params={
            "latitude": latitude,
            "longitude": longitude,
            "current": ["temperature_2m", "wind_speed_10m"],
            "timezone": "auto",
        },
        timeout=20,
    )
    weather_resp.raise_for_status()
    weather_data = weather_resp.json()
    current = weather_data["current"]

    return f"{city} 当前温度 {current['temperature_2m']}°C，风速 {current['wind_speed_10m']} km/h"

llm = ChatOllama(
    model="modelscope2ollama-registry.azurewebsites.net/qwen/Qwen2.5-7B-Instruct-gguf:latest",
    temperature=0,
)

checkpointer = InMemorySaver()

agent = create_agent(
    model=llm,
    tools=[get_weather],
    checkpointer = checkpointer,
    system_prompt=(
        "你是一个中文天气助手。"
        "你具有短期对话记忆，会参考同一会话中用户前面说过的话。"
        "如果用户已经在前文说明了所在城市，后续查询天气时应优先利用这个上下文。"
        "当用户询问天气、温度、风速、是否带伞等实时信息时，优先调用 get_weather 工具。"
        "不要编造天气数据。"
    ),
)

import gradio as gr

SESSION_ID = "session_1"

def bot(message, history):
    result = agent.invoke(
        {
            "messages": [
                {"role": "user", "content": message}
            ]
        },
        config={"configurable": {"thread_id": SESSION_ID}}
    )
    reply = result["messages"][-1].content
    return reply

demo = gr.ChatInterface(fn=bot, title="天气助手")
demo.launch(server_name="127.0.0.1", inbrowser=True)

  现在，我们实现了一个最小 Agent – 天气助手。

  

图 2 实现记忆功能
  

  但是每次都要在 notebook 中运行太麻烦了，下次我们尝试一下接入不同 APP 的 api。