08-5分钟用langchain实现一个能查天气的Agent

原创已于 2025-04-28 14:54:36 修改 · 1.4k 阅读

25 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

标签

#langchain #dubbo

于 2025-04-28 14:46:51 首次发布

AI应用探索专栏收录该内容

16 篇文章

订阅专栏

最近的Agent异常火热，manus、扣子空间、百度最近发布的心响，都让我们感受到了Agent的强大。

什么是Agent

它可以经过反复调研为我们出股票分析报告，可以根据我们的需求和预算帮我们制定旅游计划，甚至可以根据我们的需求帮我们写一个网站。
在这里插入图片描述
它不再是简单的只能对话的“玩具”，而是可以规划和执行的帮手。也就是具有了Resoning + Action的能力。
能根据模型的推理和规划，来调用工具，完成复杂任务，这就是对Agent最基本的理解。重点是根据模型的推理和规划来调用工具，而不是人为硬编码固定流程来调用工具，后者我们一般称为workflow。

实现一个天气查询Agent

今天我们就通过这个例子来看Agent是怎么实现的。我们借助langchain开发框架来完成。
langchain是一个流行的AI应用开发框架，它将AI应用的开发流程进行抽象，使用应用开发变得简单。
比如连续对话、RAG知识库、基于ReAct的Agent等都可以基于这个框架进行开发。
下面用一个简单的查询天气的例子理解Agent的工作流程。
首先，创建一个语言模型，语言模型是Agent的大脑，帮助Agent进行规划，告诉Agent如何执行，并对结果进行观察和总结。我使用阿里百炼平台提供的qwen-max模型，这个模型工具调用能力基本没啥问题。目前deepseek-r1还不具备工具调用能力，这里最好不要使用，效果比较差。当然，工具调用是大势所趋，后续版本deepseek必定也会支持这个能力的。

import os
import sys
from dotenv import load_dotenv
from langchain_openai.chat_models.base import ChatOpenAI
from langchain.agents import Tool
from langchain.agents import initialize_agent

# 从.env文件加载环境变量
load_dotenv()

# 获取API密钥
api_key = os.getenv("OPENAI_API_KEY")
if not api_key:
    print("错误: 请在.env文件中设置您的OPEN_API_KEY")
    sys.exit(1)

#我们使用阿里百炼平台提供的qwen-max模型
llm = ChatOpenAI(
    openai_api_key=api_key,
    model_name="qwen-max",
    openai_api_base="https://dashscope.aliyuncs.com/compatible-mode/v1/",
    temperature=0.7, 
    max_tokens=8192
)

接下来。我们定义工具函数，这里只是为了说明用法，我定义了两个极其简单的函数，一个是将小写字母转化为大写，另一个是获取天气。而且获取天气也未真实实现。理解运行过程就好。


# 自定义工具，将小写字母转化为大写字母
def to_upper_tool(text:str)->str:
    return text.upper()

to_upper_tool = Tool(
    name="to_upper_tool",
    func=to_upper_tool,
    description="useful for when you need to convert a string to uppercase." 
)

# 自定义工具，模拟获取城市天气
def get_weather_tool(test:str)->str:
    #todo: get weather from weather api
    return "天气晴，温度28度"

get_weather_tool = Tool(
    name="get_weather_tool",
    func=get_weather_tool,
    description="useful for when you need to get the weather of a city." 
)

现在，我们把前面定义好的工具和语言模型一起给到agent，这个时候agent就拥有了大模型和工具的能力了。


# 工具列表
tools = [to_upper_tool, get_weather_tool]
# 初始化代理
agent = initialize_agent(
    agent="zero-shot-react-description",
    tools=tools,
    llm=llm, 
    verbose=True, # 显示调试信息
)

一个简单的agent就创建好了。

我们先问一个普通的问题，测试Agent的回复。


result = agent.run(input="你好，你是谁？")  # 使用Agent进行对话 
print(f"AI回复: {result}")

看下它的执行过程。

Entering new AgentExecutor chain…
我理解的问题是中文，问题是“你好，你是谁？”。这个问题是在询问我的身份。作为Qwen，一个由阿里云开发的AI助手，我可以直接回答这个问题，无需使用提供的工具。
Thought: 我可以直接回答这个问题，不需要使用任何工具。
Final Answer: 你好！我是Qwen，一个由阿里云创造的大规模语言模型。作为一个AI助手，我的目标是帮助用户获得准确的信息、提供有用的建议并激发创造力。很高兴遇见你！
Finished chain.
AI回复: 你好！我是Qwen，一个由阿里云创造的大规模语言模型。作为一个AI助手，我的目标是帮助用户获得准确的信息、提供有用的建议并激发创造力。很高兴遇见你！

嗯，表现正常。没有乱调工具~

继续测试一下小写字母转化为大写字母。


result = agent.run(input="将fdafdsfkjklajfdkasjf转化为大写字母")  # 使用Agent进行对话 
print(f"AI回复: {result}")

看下它的执行过程。

Entering new AgentExecutor chain…
我需要使用to_upper_tool这个工具来将给定的字符串转换为大写。
Action: to_upper_tool
Action Input: “fdafdsfkjklajfdkasjf”
Observation: FDAFDSFKJKLAJFDKASJF
Thought:我通过使用to_upper_tool工具成功地将给定的字符串转换为了大写形式。
Final Answer: FDAFDSFKJKLAJFDKASJF>
Finished chain.
AI回复: FDAFDSFKJKLAJFDKASJF

这个回答表现也正常，调用了to_upper_tool工具来转化字母大小写。当然，没有这个工具模型本身应该也能搞定，这里只是为了演示工具用法。

再来看第三个问题，难度升级。我把转化字母大小写和查询天气两个不相关的事情放在一起问，看下它的表现。


result = agent.run(input="将fdafdsfkjklajfdkasjf转化为大写字母，并帮忙查询武汉的天气")  # 使用Agent进行对话 
print(f"AI回复: {result}")

看下它的执行过程。

Entering new AgentExecutor chain…
我需要先使用to_upper_tool工具将给定的字符串转换为大写，然后再用get_weather_tool查询武汉的天气。
Action: to_upper_tool
Action Input: fdafdsfkjklajfdkasjf
Observation: FDAFDSFKJKLAJFDKASJF
Thought:我已经成功将字符串转换为大写，接下来我需要使用get_weather_tool来查询武汉的天气。
Action: get_weather_tool
Action Input: 武汉
Observation: 天气晴，温度28度
Thought:我现在知道了最终答案。
Final Answer: 字符串"fdafdsfkjklajfdkasjf"转换为大写后是"FDAFDSFKJKLAJFDKASJF"。武汉的天气是晴天，温度为28度。
Finished chain.
AI回复: 字符串"fdafdsfkjklajfdkasjf"转换为大写后是"FDAFDSFKJKLAJFDKASJF"。武汉的天气是晴天，温度为28度。

过程大致是这样的：