opc_agent/agent-craft
3
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

2025.10.30

Browse Source
This commit is contained in:
2287551746@qq.com
2025-10-30 18:52:51 +08:00
parent 5ff94d1092
commit 55b59e800f
13 changed files with 420 additions and 6 deletions
Download Patch File Download Diff File Expand all files Collapse all files
04_langchain_basics/01_Models.py → 04_langchain_basics/01_models.py
View File
04_langchain_basics/02_Prompt.py → 04_langchain_basics/02_prompt.py
View File
04_langchain_basics/03_Chain.py → 04_langchain_basics/03_chain.py
View File
04_langchain_basics/04_Memory.py → 04_langchain_basics/04_memory.py
View File
04_langchain_basics/README.md
+6 -4
View File
@@ -5,7 +5,7 @@ LLM 调用｜Prompt 设计｜Chain 构建｜Memory 记忆｜实战练习
---
### 1. `01_Models.py`（模型调用）
### 1. `01_models.py`（模型调用）
封装 LLM 实例，实现标准调用流程。
✅ 掌握点：
@@ -14,7 +14,7 @@ LLM 调用｜Prompt 设计｜Chain 构建｜Memory 记忆｜实战练习
---
### 2. `02_Prompt.py`（提示词构建）
### 2. `02_prompt.py`（提示词构建）
使用 `ChatPromptTemplate` 构建可复用的 Prompt 模板。
✅ 掌握点：
@@ -24,7 +24,7 @@ LLM 调用｜Prompt 设计｜Chain 构建｜Memory 记忆｜实战练习
---
### 3. `03_Chain.py`（链式调用）
### 3. `03_chain.py`（链式调用）
将 Prompt + LLM + Parser 组合成 Chain。
✅ 掌握点：
@@ -34,7 +34,7 @@ LLM 调用｜Prompt 设计｜Chain 构建｜Memory 记忆｜实战练习
---
### 4. `04_Memory.py`（记忆功能）
### 4. `04_memory.py`（记忆功能）
添加会话记忆，实现多轮对话。
✅ 掌握点：
@@ -52,4 +52,6 @@ LLM 调用｜Prompt 设计｜Chain 构建｜Memory 记忆｜实战练习
- 实际运行体验
- 可直接扩展为 Web 应用
---
💡 建议：跑通后，试试让 AI 记住你喜欢的颜色，并在后续对话中提及。
05_langchain_advanced/01_define_toolbox.py
+23
View File
@@ -0,0 +1,23 @@
import os
from dotenv import load_dotenv
load_dotenv()
api_key = os.getenv("OPENAI_API_KEY")
from langchain_core.tools import tool
@tool
def get_weather(location):
"""模拟获得天气信息"""
return f"{location}当前天气：23℃，晴，风力2级"
@tool
def get_user_name(user):
"""模拟获得用户名字"""
return f'用户名字是:{user}'
# 封装好我们要用的工具
tools = [get_weather,get_user_name]
print('工具箱已封装完毕!')
05_langchain_advanced/02_general_agent.py
+54
View File
@@ -0,0 +1,54 @@
import os
from dotenv import load_dotenv
load_dotenv()
api_key = os.getenv("OPENAI_API_KEY")
import os
from langchain_openai import ChatOpenAI
from langchain.agents import AgentExecutor, create_tool_calling_agent
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.tools import tool # 导入 @tool
# 配置LLM
llm = ChatOpenAI(
model="deepseek-chat",
api_key=api_key,
base_url="https://api.deepseek.com"
)
# 配置prompt
prompt = ChatPromptTemplate.from_messages([
("system","你是一个聪明的智能助手。当你遇到解决不了的问题时，会调用工具来解决问题。"),
("human","{input}"),
MessagesPlaceholder(variable_name="agent_scratchpad") # 必加，Agent的思考过程
])
# 配置tool
@tool
def get_weather(location):
"""模拟获得天气信息"""
return f"{location}当前天气：23℃，晴，风力2级"
@tool
def get_user_name(user):
"""模拟获得用户名字"""
return f'用户名字是:{user}'
tools = [get_weather,get_user_name]
# 创建Agent(大脑)
agent = create_tool_calling_agent(llm=llm,prompt=prompt,tools=tools)
# 创建AgentExecutor(执行器)--负责运行ReAct循环
agent_executor = AgentExecutor(agent=agent,tools=tools,verbose=True) # 开启verbose以看到ai思考链
# 运行
response = agent_executor.invoke({
'input':"今天北京的天气怎么样？"
})
print(response)
print()
print(response['output'])
05_langchain_advanced/03_sql_agent.py
+50
View File
@@ -0,0 +1,50 @@
import os
from dotenv import load_dotenv
load_dotenv()
api_key = os.getenv("OPENAI_API_KEY")
import sqlite3
from langchain_openai import ChatOpenAI
from langchain_community.agent_toolkits import create_sql_agent
from langchain_community.utilities import SQLDatabase # 导入 SQLDatabase
# 配置llm
llm = ChatOpenAI(
model="deepseek-chat",
api_key=api_key,
base_url="https://api.deepseek.com"
)
# 创建一个临时的数据库--用于演示
db_file = "test_sql.db"
if os.path.exists(db_file):
os.remove(db_file)
conn = sqlite3.connect(db_file)
cursor = conn.cursor()
cursor.execute("CREATE TABLE users (id INT,name TEXT,age INT);")
cursor.execute("INSERT INTO users (id,name,age) VALUES (1,'Alice',30);")
cursor.execute("INSERT INTO users (id,name,age) VALUES (2,'Bob',25);")
conn.commit()
conn.close()
# 连接数据库 -- LangChain 使用 SQLAlchemy URI (连接方式)
db_uri = f'sqlite:///{db_file}'
db = SQLDatabase.from_uri(db_uri)
# 创建sqlAgent -- 一键完成，无需定义tools，仅告诉它使用openai-tools,即Tool Calling(工具调用)模式
agent_executor = create_sql_agent(
llm=llm,
db=db,
agent_type="openai-tools",
verbose=True
)
# 运行
response = agent_executor.invoke({"input":"告诉我Alice多大了？"})
print(response['output'])
# 清理
db._engine.dispose() # 关闭连接池，避免文件被占用
if os.path.exists(db_file):
os.remove(db_file)
05_langchain_advanced/04_memory_general_agent.py
+81
View File
@@ -0,0 +1,81 @@
import os
from dotenv import load_dotenv
load_dotenv()
api_key = os.getenv("OPENAI_API_KEY")
import os
from langchain_openai import ChatOpenAI
from langchain.agents import AgentExecutor, create_tool_calling_agent
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.tools import tool # 导入 @tool
from langchain_community.chat_message_histories import ChatMessageHistory
from langchain_core.runnables import RunnableWithMessageHistory
# 配置llm
llm = ChatOpenAI(
model="deepseek-chat",
api_key=api_key,
base_url="https://api.deepseek.com"
)
# 配置prompt(新增俩占位符 一个为对话历史记录，一个为agent的思考过程)
prompt = ChatPromptTemplate.from_messages([
('system','你是小智，一个帮助他人的智能助手。当你无法解答当前问题时，会调用工具来解决问题。'),
MessagesPlaceholder(variable_name="history"),
('human','{input}'),
MessagesPlaceholder(variable_name="agent_scratchpad")
])
# 配置tool
@tool
def get_weather(location):
"""模拟获得天气信息"""
return f"{location}当前天气：23℃，晴，风力2级"
tools = [get_weather]
# 配置agent
agent = create_tool_calling_agent(llm=llm,prompt=prompt,tools=tools)
# 配置AgentExecutor
agent_executor = AgentExecutor(agent=agent,tools=tools) # 这里没加verbose=True，想打印日志看思考链的可以自行打印
# 记忆存储--包装agent_executor
store = {}
def get_session_history(session_id:str):
if session_id not in store:
store[session_id] = ChatMessageHistory()
return store[session_id]
agent_with_memory = RunnableWithMessageHistory(
runnable=agent_executor,
get_session_history=get_session_history,
input_messages_key="input",
history_messages_key="history"
)
# 打印测试
session_id = 'user123'
if __name__ == '__main__':
while 1:
user_input = input('\n你:')
if user_input == 'quit':
print('拜拜~')
break
response = agent_with_memory.invoke(
{'input': user_input},
config={'configurable': {'session_id': session_id}}
)
print(f"AI:{response['output']}")
05_langchain_advanced/05_caching.py
+52
View File
@@ -0,0 +1,52 @@
import os
from dotenv import load_dotenv
load_dotenv()
api_key = os.getenv("OPENAI_API_KEY")
import time
from langchain_openai import ChatOpenAI
from langchain.globals import set_llm_cache
from langchain_community.cache import InMemoryCache
# 配置llm
llm = ChatOpenAI(
model="deepseek-chat",
api_key=api_key,
base_url="https://api.deepseek.com"
)
# 设置全局缓存
set_llm_cache(InMemoryCache())
# 第一次调用llm(会远程请求)
query = "用中文写一句关于猫的五言诗。"
start_time = time.time()
response1 = llm.invoke(query).content
print(f"第一次调用结果: {response1}")
print(f"第一次运行时间: {time.time() - start_time:.4f} 秒")
print('')
# 第二次调用llm(会命中缓存)
start_time = time.time()
response2 = llm.invoke(query).content
print(f"第二次调用结果: {response2}")
print(f"第二次运行时间 (已缓存): {time.time() - start_time:.4f} 秒")
# 清理
set_llm_cache(None) # 关闭缓存，以免影响后续实例
print('缓存清理完成')
05_langchain_advanced/06_streaming.py
+78
View File
@@ -0,0 +1,78 @@
import os
from dotenv import load_dotenv
load_dotenv()
api_key = os.getenv("OPENAI_API_KEY")
from langchain_openai import ChatOpenAI
from langchain.agents import AgentExecutor, create_tool_calling_agent
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.tools import tool # 导入 @tool
from langchain_community.chat_message_histories import ChatMessageHistory
from langchain_core.runnables import RunnableWithMessageHistory
from langchain.callbacks.streaming_stdout import StreamingStdOutCallbackHandler
# 配置llm
llm = ChatOpenAI(
model="deepseek-chat",
api_key=api_key,
base_url="https://api.deepseek.com",
streaming=True,
callbacks=[StreamingStdOutCallbackHandler()]
)
# 配置prompt(新增俩占位符 一个为对话历史记录，一个为agent的思考过程)
prompt = ChatPromptTemplate.from_messages([
('system','你是小智，一个帮助他人的智能助手。当你无法解答当前问题时，会调用工具来解决问题。'),
MessagesPlaceholder(variable_name="history"),
('human','{input}'),
MessagesPlaceholder(variable_name="agent_scratchpad")
])
# 配置tool
@tool
def get_weather(location):
"""模拟获得天气信息"""
return f"{location}当前天气：23℃，晴，风力2级"
tools = [get_weather]
# 配置agent
agent = create_tool_calling_agent(llm=llm,prompt=prompt,tools=tools)
# 配置AgentExecutor
agent_executor = AgentExecutor(agent=agent,tools=tools) # 这里没加verbose=True，想打印日志看思考链的可以自行打印
# 记忆存储--包装agent_executor
store = {}
def get_session_history(session_id:str):
if session_id not in store:
store[session_id] = ChatMessageHistory()
return store[session_id]
agent_with_memory = RunnableWithMessageHistory(
runnable=agent_executor,
get_session_history=get_session_history,
input_messages_key="input",
history_messages_key="history"
)
# 打印测试
session_id = 'user123'
if __name__ == '__main__':
while 1:
user_input = input('\n你:')
if user_input == 'quit':
print('拜拜~')
break
# 用于标记"AI:"这个内容
# flush=True保证"AI:"立即输出，而不是等缓存区存满再输出
print("AI: ", end="", flush=True)
response = agent_with_memory.invoke(
{'input': user_input},
config={'configurable': {'session_id': session_id}}
)
print()
05_langchain_advanced/README.md
+69
View File
@@ -0,0 +1,69 @@
## 🧩 模块说明：LangChain Agents 进阶核心组件
📌 **核心知识点**：
Function Calling｜@tool 工具封装｜ReAct 循环｜Agent 构建｜SQL Agent｜记忆+流式｜开发优化
---
### 1. `01_define_toolbox.py`（工具函数定义）
使用 `@tool` 装饰器将 Python 函数封装为 LangChain 可调用的工具。
✅ 掌握点：
- 如何用 `@tool` 定义工具
- 必须添加三引号描述（作为提示词）
- 支持任意自定义逻辑函数
---
### 2. `02_general_agent.py`（通用 Agent 构建）
基于 `create_tool_calling_agent` 创建支持工具调用的智能体。
✅ 掌握点：
- ReAct 思维循环：思考 → 行动 → 观察 → 再思考
- 使用 `MessagesPlaceholder("agent_scratchpad")` 记录推理过程
- `AgentExecutor` 执行完整流程，支持 `verbose=True` 查看思考链
---
### 3. `03_sql_agent.py`（SQL 专用 Agent）
一键构建自然语言查询数据库的智能体。
✅ 掌握点：
- 使用 `create_sql_agent` 快速接入 SQLite 数据库
- 自动分析表结构、生成 SQL 并执行
- 无需手动定义工具，开箱即用
---
### 4. `04_memory_general_agent.py`（带记忆的 Agent）
将 Agent 与对话历史结合，实现多轮上下文感知。
✅ 掌握点：
- 在 Prompt 中加入 `MessagesPlaceholder("history")`
- 使用 `RunnableWithMessageHistory` 包装 AgentExecutor
- 实现“记住用户身份”、“持续追问”的真实对话体验
---
### 5. `05_caching.py`（缓存优化技巧）
在开发调试阶段避免重复调用 LLM，节省成本与时间。
✅ 掌握点：
- 使用 `set_llm_cache(InMemoryCache())` 启用缓存
- 第一次调用远程请求，后续命中缓存秒出结果
- 开发时开启，上线前关闭（仅用于测试）
---
### 6. `06_streaming.py`（流式输出实战）
实现 AI 回复像打字机一样逐字输出，提升用户体验。
✅ 掌握点：
- 设置 `streaming=True` 启用流式模式
- 添加 `callbacks=[StreamingStdOutCallbackHandler()]` 实时打印 token
- 使用 `print("AI: ", end="", flush=True)` 确保提示立即显示
---
💡 建议：
跑通所有示例后，尝试将 `get_weather` 和 `query_user_info` 组合进一个带记忆的 Agent，让 AI 能连续问：“你是谁？”、“北京天气怎么样？”、“你喜欢什么颜色？”，并记住你的回答。
README.md
+7 -2
View File
@@ -27,7 +27,7 @@
| | [02 LLM 基础调用](https://github.com/Annyfee/agent-craft/tree/main/02_llm_fundamentals) | [🏠](https://blog.csdn.net/2401_87328929/article/details/153735431) | LLM API 调用 · prompt · 上下文记忆 | ⭐ |
| | [03 Function Calling 与工具调用](https://github.com/Annyfee/agent-craft/tree/main/03_function_calling_tools) | [🏠](https://blog.csdn.net/2401_87328929/article/details/153866573) | Function Call · 工具函数封装 | ⭐⭐ |
| ⚙️ **框架篇** | [04 LangChain 基础篇](https://github.com/Annyfee/agent-craft/tree/main/04_langchain_basics) | [🏠](https://blog.csdn.net/2401_87328929/article/details/153978186) | LLM · Prompt · Chain · Memory | ⭐⭐ |
| | 05 LangChain 进阶篇 | 🚧撰写中 | Agents · 多链协作 · 缓存 | ⭐⭐⭐ |
| | 05 LangChain 进阶篇 | [🏠](https://blog.csdn.net/2401_87328929/article/details/154064397) | Agents · 多链协作 · 缓存 | ⭐⭐⭐ |
| | 06 LangGraph 入门 | 🚧 | Flow · Node · Edge 控制 | ⭐⭐⭐ |
| | 07 RAG 基础篇（Embedding & 向量） | 🚧 | 向量化 · 检索匹配 | ⭐⭐ |
| | 08 RAG 进阶篇（检索 + 生成） | 🚧 | RAG Pipeline · QA 系统 | ⭐⭐⭐ |
@@ -67,8 +67,13 @@
- **目标**：认识Langchain六大模块，学会用Langchain构建智能体。
- **内容**：LLM 调用｜Prompt 设计｜Chain 构建｜Memory 记忆｜实战练习
### ✅ 模块 05 — LangChain 进阶篇
> 📌 后续模块将陆续开放（LangChain、RAG、MCP、多智能体等）
- **目标**：掌握Langchain Agents的核心机制，构建能调用工具、持续思考、具备记忆的智能体。
- **内容**：Function Calling｜@tool 工具封装｜ReAct 循环｜Agent 构建｜SQL Agent｜记忆+流式｜开发优化
> 📌 后续模块将陆续开放（LangGraph、RAG、MCP、多智能体等）
---