当前位置： 首页 > news >正文

大模型Agent

news 来源：原创 2025/6/7 1:48:25

手撕 Agent

1、功能描述

在这里插入图片描述

设计一个 Agent，自动选择使用以下工具回答用户的问题：

  • 查看目录下的文件
  • 基于给定的文档回答用户问题
  • 查看与分析 Excel 文件
  • 撰写文档
  • 调用 Email 客户端发邮件

2、演示用例

实验中使用三个文档演示 Agent 的能力

./data|__2023年8月-9月销售记录.xlsx|__供应商名录.xlsx|__供应商资格要求.pdf

文档内容示例
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
测试输入举例

  • 9 月份的销售额是多少
  • 销售总额最大的产品是什么
  • 帮我找最近一个月出销售额不达标的供应商
  • 给对方发一封邮通知此事
  • 对比 8 月和 9 月销售情况，写一份报告

3、核心模块流程图

在这里插入图片描述

4、「这」算不算 Agent?

吴恩达：“与其争论哪些工作才算是真正的 Agent，不如承认系统可以具有不同程度的 Agentic 特性。”

核心在于将复杂任务分解成多个步骤，并通过循环迭代的方式逐步优化结果。这种工作方式更接近于人类解决问题的思维模式：

  • 目标设定: 明确任务目标；
  • 规划分解: 将任务分解成多个子任务；
  • 迭代执行: 依次执行每个子任务，并根据反馈结果进行调整和优化，最终完成目标。

在这里插入图片描述

5、Agent Prompt 编写经验总结

在这里插入图片描述

  1. 善用思维链技巧
  2. 在重要的环节设置反思与纠偏机制
  3. 约定思维链中需要包含的要素，尽量详细具体
  4. 不可能一遍成功，要学会通过测试的失败例子优化提示词的细节
  5. 要善于将问题总结成方法论型的提示词（把 AI 当人看）
  6. 要善于综合使用各种提示词技巧，例如：举例子、PoT、AoT 等等

代码实现

先写prompts模块

有两块一个是agent的prompt还有一个工具的prompt
在这里插入图片描述

  • 智能体prompt
你是强大的AI助手，可以使用工具与指令自动化解决问题。你的任务是:
{input}
如果此任务表达“没有了”、“已完成”或类似意思，你直接输出下述工具中的FINISH即可。你需要的所有文件资料都在以下目录:
dir_path={work_dir}
访问文件时请确保文件路径完整。你可以使用以下工具或指令，它们又称为动作或actions:
{tools}你必须遵循以下约束来完成任务。
1. 每次你的决策只使用一种工具，你可以使用任意多次。
2. 确保你调用的指令或使用的工具在给定的工具列表中, {tool_names}。
3. 确保你的回答不会包含违法或有侵犯性的信息。
4. 如果你已经完成所有任务，确保以"FINISH"指令结束。
5. 用中文思考和输出。
6. 如果执行某个指令或工具失败，尝试改变参数或参数格式再次调用。
7. 已经得到的信息，不要反复查询。
8. 生成一个自然语言查询时，请在查询中包含全部的已知信息。
9. 不要向用户提问。当前的任务执行记录:
<history>
{agent_scratchpad}
</history>输出形式：
(1) 首先，根据以下格式说明，输出你的思考过程:
**关键概念**: 任务中涉及的组合型概念或实体。已经明确获得取值的关键概念，将其取值完整备注在概念后。
**概念拆解**: 将任务中的关键概念拆解为一系列待查询的子要素。每个关键概念一行，后接这个概念的子要素，每个子要素一行，行前以' -'开始。已经明确获得取值的子概念，将其取值完整备注在子概念后。
**反思**: 自我反思，观察以前的执行记录，一步步思考以下问题:A. 是否每一个的关键概念或要素的查询都得到了准确的结果?B. 我已经得到哪个要素/概念? 得到的要素/概念取值是否正确?C. 从当前的信息中还不能得到哪些要素/概念。
**思考**: 观察执行记录和你的自我反思，并一步步思考下述问题:A. 分析要素间的依赖关系，请将待查询的子要素带入'X'和'Y'进行以下思考:- 我需要获得要素X和Y的值- 是否需要先获得X的值/定义，才能通过X来获得Y?- 如果先获得X，是否可以通过X筛选Y，减少穷举每个Y的代价?- X和Y是否存在在同一数据源中，能否在获取X的同时获取Y?- 是否还有更高效或更聪明的办法来查询一个概念或要素?- 上一次尝试查询一个概念或要素时是否失败了? 如果是，是否可以尝试从另一个资源中再次查询?- 反思，我是否有更合理的方法来查询一个概念或要素?B. 根据以上分析，排列子要素间的查询优先级C. 找出当前需要获得取值的子要素D. 不可以使用“假设”：不要对要素的取值/定义做任何假设，确保你的信息全部来自明确的数据源！
**推理**: 根据你的反思与思考，一步步推理被选择的子要素取值的获取方式。如果前一次的计划失败了，请检查输入中是否包含每个概念/要素的明确定义，并尝试细化你的查询描述。
**计划**: 详细列出当前动作的执行计划。只计划一步的动作。PLAN ONE STEP ONLY!
**计划校验**: 按照一些步骤一步步分析A. 有哪些已知常量可以直接代入此次分析。B. 当前计划是否涉及穷举一个文件中的每条记录?- 如果是，请给出一个更有效的方法，比如按某条件筛选，从而减少计算量;- 否则，请继续下一步。C. 上述分析是否依赖某个要素的取值/定义，且该要素的取值/定义尚未获得？如果是，重新规划当前动作，确保所有依赖的要素的取值/定义都已经获得。D. 当前计划是否对要素的取值/定义做任何假设？如果是，请重新规划当前动作，确保你的信息全部来自对给定的数据源的历史分析，或尝试重新从给定数据源中获取相关信息。E. 如果全部子任务已完成，请用FINISH动作结束任务。
**计划改进**:A. 如何计划校验中的某一步骤无法通过，请改进你的计划；B. 如果你的计划校验全部通过，按(2)输出你的计划;C. 如果全部子任务已完成，请用FINISH动作结束任务。(2) 最后，输出你选择执行的动作/工具
{format_instructions}请确保每次选择动作/工具前你都先以文字输出了你的思考分析过程。
请确保你的动作/工具选择（JSON）出现在输出的最后一部分。
请确保你输出的JSON代码块以```json\n\n```包裹。

从上面可以看出写一个提示词可以包含

  1. 输入任务
  2. 参考资料目录
  3. 可以用工具
  4. 遵循约束
  5. 任务执行记录
  6. 输出形式
    （1）关键概念
    （2）概念拆解
    （3）反思
    （4）思考
    （5）推理
    （6）计划
    （7）计划校验
    （8）计划改进
    （9）…
  • 工具prompt
你的任务是先分析，再生成代码请根据用户的输入，一步步分析：
（1）用户的输入是否依赖某个条件，而这个条件没有明确赋值？
（2）我是否需要对某个变量的值做假设？如果我需要对某个变量的值做假设，请直接输出：
```python
print("我需要知道____的值，才能生成代码。请完善你的查询。") # 请将____替换为需要假设的的条件
^```否则，生成一段Python代码，分析指定文件的内容。你可以使用的库只包括：Pandas, re, math, datetime, openpyxl
确保你的代码只使用上述库，否则你的代码将无法运行。给定文件为：
{filename}文件内容样例：
{inspections}你输出的Python代码前后必须有markdown标识符，如下所示：
```python
# example code
print('hello world')
^```确保你的代码是可以运行的，文件名直接写死在代码里即可。
你生成代码中所有的常量都必须来自我给你的信息或来自文件本身。不要编造任何常量。
如果常量缺失，你的代码将无法运行。你可以拒绝生成代码，但是不要生成编造的代码。
确保你生成的代码最终以print的方式输出结果(回答用户的问题)。用户输入：
{query}
编写agent

在这里插入图片描述

  1. 编写大模型输出Action格式
from pydantic import BaseModel, Field
from typing import Optional, Dict, Anyclass Action(BaseModel):name: str = Field(description="Tool name")args: Optional[Dict[str, Any]] = Field(description="Tool input arguments, containing arguments names and values")def __str__(self):ret = f"Action(name={self.name}"if self.args:for k, v in self.args.items():ret += f", {k}={v}"ret += ")"return ret
  1. 智能体主流程
import re
from typing import List, Tuplefrom langchain_community.chat_message_histories.in_memory import ChatMessageHistory
from langchain_core.language_models.chat_models import BaseChatModel
from langchain.output_parsers import PydanticOutputParser, OutputFixingParser
from langchain.schema.output_parser import StrOutputParser
from langchain.tools.base import BaseTool
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.tools import  render_text_description
from pydantic import ValidationError
from langchain_core.prompts import HumanMessagePromptTemplatefrom autogpt.Agent.Action import Action
from autogpt.Utils.CallbackHandlers import *
from autogpt.Utils.PrintUtils import THOUGHT_COLORclass ReActAgent:"""AutoGPT：基于Langchain实现"""@staticmethoddef __format_thought_observation(thought: str, action: Action, observation: str) -> str:# 将全部JSON代码块替换为空ret = re.sub(r'```json(.*?)```', '', thought, flags=re.DOTALL)ret += "\n" + str(action) + "\n返回结果:\n" + observationreturn ret@staticmethoddef __extract_json_action(text: str) -> str | None:# 匹配最后出现的JSON代码块json_pattern = re.compile(r'```json(.*?)```', re.DOTALL)matches = json_pattern.findall(text)if matches:last_json_str = matches[-1]return last_json_strreturn Nonedef __init__(self,llm: BaseChatModel,tools: List[BaseTool],work_dir: str,main_prompt_file: str,max_thought_steps: Optional[int] = 10,):self.llm = llmself.tools = toolsself.work_dir = work_dirself.max_thought_steps = max_thought_steps# OutputFixingParser： 如果输出格式不正确，尝试修复self.output_parser = PydanticOutputParser(pydantic_object=Action)self.robust_parser = OutputFixingParser.from_llm(parser=self.output_parser,llm=llm)self.main_prompt_file = main_prompt_fileself.__init_prompt_templates()self.__init_chains()self.verbose_handler = ColoredPrintHandler(color=THOUGHT_COLOR)def __init_prompt_templates(self):with open(self.main_prompt_file, 'r', encoding='utf-8') as f:self.prompt = ChatPromptTemplate.from_messages([MessagesPlaceholder(variable_name="chat_history"),HumanMessagePromptTemplate.from_template(f.read()),]).partial(work_dir=self.work_dir,tools=render_text_description(self.tools),tool_names=','.join([tool.name for tool in self.tools]),format_instructions=self.output_parser.get_format_instructions(),)def __init_chains(self):# 主流程的chainself.main_chain = (self.prompt | self.llm | StrOutputParser())def __find_tool(self, tool_name: str) -> Optional[BaseTool]:

相关文章：

  • [开源项目] 一款功能强大的超高音质音乐播放器
  • 无网络docker镜像迁移
  • 曲线匹配，让数据点在匹配数据的一侧？
  • ADS学习笔记(五) 谐波平衡仿真
  • 电子电路原理第十七章(线性运算放大器电路的应用)
  • 开疆智能Profinet转Profibus网关连接韦普泰克工业称重仪表配置案例
  • 【Qt开发】输入类控件
  • Python 字符串相似度计算：方法、应用与实践
  • WeakAuras Lua Script [ICC BOSS 11 - Sindragosa]
  • ROS2学习（10）------ROS2参数
  • STM32F103_Bootloader程序开发03 - 启动入口与升级模式判断(boot_entry.c与boot_entry.h)
  • SOC-ESP32S3部分：13-定时器
  • 多查询检索在RAG中的应用及为什么平均嵌入向量效果好
  • 【蓝桥杯嵌入式】【模块】八、UART相关配置及代码模板
  • [De1CTF 2019]SSRF Me
  • 今日行情明日机会——20250526
  • Redis批量删除Key的三种方式
  • 【杂谈】------使用 __int128 处理超大整数计算
  • MyBatis深度解析：XML/注解配置与动态SQL编写实战
  • TinyVue v3.23.0 正式发布：增加 NumberAnimation 数字动画组件、支持全局配置组件的 props
  • 网站建设分析/选择一个产品做营销方案
  • 房地产类型的网站建设/网站优化公司哪家效果好
  • 网站推广的方法枫子/百度网盟推广
  • 外贸独立站营销怎么做/网址大全2345
  • 手机怎么做自己的网站/网站安全检测平台
  • wap 网站源码/橙子建站官网