手机wap网站开发教程太原做推广营销

语言模型只能输出文本，无法执行 操作。Agent是使用LLM作为推理引擎来确定要执行的操作以及这些操作的输入应该是什么。然后根据结果，Agent进行执行。

创建Agent的API

pip install langgraph

初始化

import osfrom langchain_community.tools.tavily_search import TavilySearchResults
from langchain_core.messages import HumanMessage
from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langgraph.prebuilt import chat_agent_executor
from langserve import add_routesos.environ['http_proxy'] = '127.0.0.1:7890'
os.environ['https_proxy'] = '127.0.0.1:7890'os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_PROJECT"] = "LangchainDemo"
os.environ["LANGCHAIN_API_KEY"] = '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'
os.environ["TAVILY_API_KEY"] = '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'# 聊天机器人案例
# 创建模型
model = ChatOpenAI(model='gpt-4-turbo')# 没有任何代理的情况下
# result = model.invoke([HumanMessage(content='北京天气怎么样？')])

#无代理情况

Tavily搜索引擎

#from langchain_community.tools.tavily_search import TavilySearchResults

TavilySearchResults：Langchain的内置搜索引擎工具；

其内部包含多个元数据，包含大量常用公共网站，而后逐个搜索。

返回也是个Runnable对象（即可以调用invoke）。需要 API_Key初始化os.environ["TAVILY_API_KEY"] 。

# LangChain内置了一个工具，可以轻松地使用Tavily搜索引擎作为工具。
#  max_results: 只返回两个结果
search = TavilySearchResults(max_results=2)  
# print(search.invoke('北京的天气怎么样？'))

search.invoke('北京的天气怎么样？')返回：

{网站1url，content}，{网站2url，content}....

模型绑定工具

上面的，只是创建了个search对象，并没有和Model进绑定。但创建代理，不需要绑定操作

model.bind_tools( [工具对象] ) ：模型绑定工具。

绑定后，模型自动推理，是否需要调用工具。

# 让模型绑定工具
tools = [search]
model_with_tools = model.bind_tools(tools)# 模型可以自动推理：是否需要调用工具去完成用户的答案
resp = model_with_tools.invoke([HumanMessage(content='中国的首都是哪个城市？')])
#
print(f'Model_Result_Content: {resp.content}')
print(f'Tools_Result_Content: {resp.tool_calls}')
#
resp2 = model_with_tools.invoke([HumanMessage(content='北京天气怎么样？')])print(f'Model_Result_Content: {resp2.content}')
print(f'Tools_Result_Content: {resp2.tool_calls}')

Q1不需要调用 search工具。因此tool_calls为空.

Q2 模型回答不了，因此 Model的content为空。

创建代理

 chat_agent_executor.create_tool_calling_executor( 模型 , [工具])：创建工具调用器。返回 代理执行器（Runnable）

#  创建代理agent_executor = chat_agent_executor.create_tool_calling_executor(model, tools)resp = agent_executor.invoke({'messages': [HumanMessage(content='中国的首都是哪个城市？')]})
print(resp['messages'])resp2 = agent_executor.invoke({'messages': [HumanMessage(content='北京天气怎么样？')]})
print(resp2['messages'])

Q1：模型能回答，因此就返回AIMessage

Q2：模型无法回答，因此AIMessage是空的，但ToolMessage是有的。