当前位置：首页 > news >正文

[人工智能-大模型-32]：大模型应用层技术栈 - 智能决策层（AI Agent）- 搭建实例

news 2025/10/22 17:58:04

我们来亲手搭建一个智能决策层（AI Agent）的实例。这个Agent将是一个**“个人投资分析助手”**，它能：

接收用户指令：“分析一下宁德时代（300750.SZ）是否值得投资。”
自主规划任务：获取公司基本信息、财务数据、行业动态、市场情绪。
调用工具：使用网络搜索、金融API、代码解释器。
综合分析并生成一份结构化的投资分析报告。
输出最终决策建议。

一、技术栈选择

我们将使用轻量级但功能强大的开源框架，快速实现原型：

核心应用开发框架：LangChain（最流行的LLM应用开发框架）
大模型：OpenAI GPT-4（或国内可替代的通义千问、讯飞星火等）
工具调用：
- TavilySearch：用于搜索最新新闻和行业动态（比传统搜索引擎更适合Agent）。
- Python REPL：代码解释器，用于计算财务比率、绘制图表。
- （可选）金融数据API：如akshare（免费的中文金融数据接口）。
记忆系统：ConversationBufferMemory（简单会话记忆）。
执行引擎：LangChain Agents（支持ReAct、Plan-and-Execute等模式）。

环境准备：Python 3.9+，安装依赖：
bash
编辑
pip install langchain langchain-community langchain-openai tavily-python matplotlib akshare

二、代码实现：搭建投资分析Agent

python

编辑

# investment_analyst_agent.pyfrom langchain.agents import initialize_agent, Tool, AgentType
from langchain_community.tools import TavilySearchResults
from langchain_openai import ChatOpenAI
from langchain.memory import ConversationBufferMemory
import matplotlib.pyplot as plt
import pandas as pd
import os# 1. 设置API密钥（请替换为你的实际密钥）
os.environ["OPENAI_API_KEY"] = "your-openai-api-key"
os.environ["TAVILY_API_KEY"] = "your-tavily-api-key"# 2. 初始化大模型
llm = ChatOpenAI(temperature=0, model="gpt-4", streaming=True)# 3. 定义工具集 (Tools)
# 工具1: 网络搜索 - 获取最新资讯
search = TavilySearchResults(max_results=5)# 工具2: Python代码解释器 - 用于计算和绘图
def python_repl_tool(code: str) -> str:"""Safely execute Python code and return the result."""try:# 捕获绘图输出if 'plt.' in code or 'matplotlib' in code:exec(code)plt.show()return "Chart displayed."else:# 对于计算，返回结果result = eval(code)return str(result)except Exception as e:return f"Error executing code: {e}"# 工具3: 模拟获取财务数据（实际中可接入akshare等）
def get_finance_data(ticker: str) -> str:"""Simulate fetching financial data. In real use, call akshare API."""# 模拟数据data = {"ticker": ticker,"revenue_2023": 4000,  # 亿元"net_profit_2023": 450,"pe_ratio": 28.5,"roe": 18.7}return str(data)# 构建工具列表
tools = [Tool(name="Search",func=search.run,description="用于查找公司新闻、行业趋势、市场情绪等最新信息。当需要了解外部动态时使用。"),Tool(name="Python_REPL",func=python_repl_tool,description="一个Python代码解释器。可用于执行数学计算、数据分析、绘制图表等。输入应为可执行的Python代码。"),Tool(name="GetFinanceData",func=get_finance_data,description="获取指定股票代码的财务数据，如营收、利润、PE、ROE等。")
]# 4. 初始化记忆系统
memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True)# 5. 初始化Agent
# 使用 PLAN_AND_EXECUTE 模式，先规划再执行，更稳定
agent = initialize_agent(tools,llm,agent=AgentType.PLAN_AND_EXECUTE,memory=memory,verbose=True,  # 显示思考过程handle_parsing_errors=True
)# 6. 执行任务
if __name__ == "__main__":print("🚀 投资分析助手已启动，请输入您的问题：")# 用户指令user_query = "请全面分析宁德时代（300750.SZ）是否值得投资。你需要：1. 获取其最新财务数据；2. 搜索行业动态和竞争对手情况；3. 分析其估值水平；4. 绘制过去三年营收增长趋势图；5. 给出明确的投资建议。"print(f"\n👤 用户提问：{user_query}\n")# Agent开始工作response = agent.run(user_query)print(f"\n🤖 助手回复：\n{response}")

三、Agent的决策流程解析（模拟运行）

当Agent收到指令后，它会这样思考和行动：

规划阶段（Planning）：
“用户要求分析宁德时代投资价值。我需要分五步：a) 获取财务数据；b) 搜索行业新闻；c) 计算估值；d) 绘制营收图；e) 综合分析。”

执行阶段（Execution）：

步骤1：调用 GetFinanceData("300750.SZ") → 返回模拟数据。
步骤2：调用 Search("宁德时代最新动态竞争对手比亚迪中创新航") → 返回近期新闻摘要。

步骤3：调用 Python_REPL 计算：

python

编辑

pe = 28.5
industry_avg_pe = 25.0
valuation = "高于行业平均" if pe > industry_avg_pe else "合理"
valuation

步骤4：调用 Python_REPL 绘图：

python

编辑

import matplotlib.pyplot as plt
years = [2021, 2022, 2023]
revenue = [3000, 3500, 4000]  # 亿元
plt.figure(figsize=(8, 5))
plt.plot(years, revenue, marker='o')
plt.title("宁德时代近三年营收增长")
plt.xlabel("年份")
plt.ylabel("营收（亿元）")
plt.grid(True)
plt.show()

步骤5：综合所有信息，生成报告并给出建议。

最终输出示例：
宁德时代（300750.SZ）投资分析报告
1. 财务概况：2023年营收4000亿元，净利润450亿元，ROE 18.7%，盈利能力强。 2. 行业动态：固态电池研发取得突破，但面临比亚迪、中创新航激烈竞争，行业价格战风险上升。 3. 估值分析：当前PE 28.5倍，高于行业平均25倍，估值偏高。 4. 增长趋势：过去三年营收持续增长，复合增长率约15%。
结论：公司基本面优秀，但短期估值偏高。建议：长期投资者可逢低分批建仓，短期交易者需谨慎。