1
用户问题：2024 年诺贝尔物理学奖得主是谁？他们的代表作是什么？
2

3
━━━━━━ 第 1 轮 ━━━━━━
4

5
Thought: 用户问的是 2024 年的诺贝尔物理学奖，这是我训练数据截止日期之后
6
的事件，我需要搜索最新信息。
7

8
Action: search_web("2024年诺贝尔物理学奖得主")
9

10
Observation: 2024 年诺贝尔物理学奖授予 John Hopfield 和 Geoffrey Hinton，
11
以表彰他们在利用人工神经网络实现机器学习的基础性发现和发明方面的贡献。
12

13
━━━━━━ 第 2 轮 ━━━━━━
14

15
Thought: 我已经知道得主是 Hopfield 和 Hinton。现在需要查找他们的代表作。
16
让我搜索一下。
17

18
Action: search_web("John Hopfield Geoffrey Hinton 代表作 论文")
19

20
Observation: John Hopfield 的代表作是 1982 年提出的 Hopfield 网络
21
(联想记忆模型)。Geoffrey Hinton 的代表作包括反向传播算法的推广应用、
22
玻尔兹曼机、以及深度学习的奠基工作。
23

24
━━━━━━ 第 3 轮 ━━━━━━
25

26
Thought: 现在我有了完整的信息，可以回答用户的问题了。
27

28
Final Answer: 2024 年诺贝尔物理学奖授予了 John Hopfield 和 Geoffrey Hinton，
29
以表彰他们在人工神经网络与机器学习领域的基础性贡献。
30
- John Hopfield 的代表作是 1982 年提出的 **Hopfield 网络**（联想记忆模型）
31
- Geoffrey Hinton 的代表作包括**反向传播算法**的推广、**玻尔兹曼机**以及
32
  深度学习的一系列奠基性工作

1
# pip install langchain langchain-openai
2

3
from langchain_openai import ChatOpenAI
4
from langchain_core.tools import tool
5
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
6
from langchain.agents import create_tool_calling_agent, AgentExecutor
7

8
# ── 1. 定义工具 ──────────────────────────────────
9
@tool
10
def add(a: float, b: float) -> float:
11
    """将两个数字相加。当用户需要计算加法时使用。"""
12
    return a + b
13

14
@tool
15
def multiply(a: float, b: float) -> float:
16
    """将两个数字相乘。当用户需要计算乘法时使用。"""
17
    return a * b
18

19
tools = [add, multiply]
20

21
# ── 2. 创建 Prompt ───────────────────────────────
22
# 必须包含 "agent_scratchpad" 占位符，用于存放推理中间过程
23
prompt = ChatPromptTemplate.from_messages([
24
    ("system", "你是一个有用的助手，可以使用工具来帮助用户解决问题。"),
25
    ("human", "{input}"),
26
    MessagesPlaceholder(variable_name="agent_scratchpad"),
27
])
28

29
# ── 3. 初始化 LLM ────────────────────────────────
30
llm = ChatOpenAI(model="gpt-4o", temperature=0)
31

32
# ── 4. 创建 Agent ────────────────────────────────
33
agent = create_tool_calling_agent(llm, tools, prompt)
34

35
# ── 5. 用 AgentExecutor 包装 ─────────────────────
36
agent_executor = AgentExecutor(
37
    agent=agent,
38
    tools=tools,
39
    verbose=True,  # 打印推理过程
40
)
41

42
# ── 6. 运行 ──────────────────────────────────────
43
result = agent_executor.invoke({"input": "请计算 (3 + 5) * 12 的结果"})
44
print(result["output"])

1
agent_executor = AgentExecutor(
2
    agent=agent,           # Agent 实例
3
    tools=tools,           # 工具列表
4
    verbose=True,          # 是否打印每一步的推理过程
5
    max_iterations=10,     # 最大迭代次数，防止死循环
6
    max_execution_time=60, # 最大执行时间（秒）
7
    handle_parsing_errors=True,  # 解析错误时自动重试而非崩溃
8
    return_intermediate_steps=False,  # 是否在结果中返回中间步骤
9
)

1
# pip install langchain langchain-openai langchain-community tavily-python
2

3
import os
4
from langchain_openai import ChatOpenAI
5
from langchain_core.tools import tool
6
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
7
from langchain.agents import create_tool_calling_agent, AgentExecutor
8
from langchain_community.tools.tavily_search import TavilySearchResults
9

10
# ── 环境变量 ─────────────────────────────────────
11
# os.environ["OPENAI_API_KEY"] = "your-key"
12
# os.environ["TAVILY_API_KEY"] = "your-key"
13

14
# ── 工具定义 ─────────────────────────────────────
15
search = TavilySearchResults(
16
    max_results=3,
17
    description="搜索互联网获取实时信息。当用户询问最新事件、新闻、实时数据时使用。"
18
)
19

20
@tool
21
def calculator(expression: str) -> str:
22
    """计算数学表达式的结果。当用户需要进行数值计算时使用。
23

24
    Args:
25
        expression: 数学表达式，如 '2 + 3 * 4' 或 '100 / 7'
26
    """
27
    try:
28
        # 安全计算：只允许数学运算
29
        allowed_names = {"__builtins__": {}}
30
        result = eval(expression, allowed_names)
31
        return str(result)
32
    except Exception as e:
33
        return f"计算出错: {e}"
34

35
tools = [search, calculator]
36

37
# ── Prompt ───────────────────────────────────────
38
prompt = ChatPromptTemplate.from_messages([
39
    ("system",
40
     "你是一个有用的助手，擅长搜索信息和数学计算。"
41
     "回答问题时，如果需要最新信息请先搜索，如果需要计算请使用计算器。"
42
     "请用中文回答。"),
43
    ("human", "{input}"),
44
    MessagesPlaceholder(variable_name="agent_scratchpad"),
45
])
46

47
# ── 组装 Agent ───────────────────────────────────
48
llm = ChatOpenAI(model="gpt-4o", temperature=0)
49
agent = create_tool_calling_agent(llm, tools, prompt)
50
agent_executor = AgentExecutor(
51
    agent=agent,
52
    tools=tools,
53
    verbose=True,
54
    max_iterations=10,
55
    handle_parsing_errors=True,
56
)
57

58
# ── 运行示例 ─────────────────────────────────────
59
response = agent_executor.invoke({
60
    "input": "特斯拉目前的股价是多少？如果我持有 150 股，总价值是多少？"
61
})
62
print(response["output"])

1
> Entering new AgentExecutor chain...
2

3
Invoking: `tavily_search_results_json` with {'query': '特斯拉 当前股价'}
4
[搜索结果: 特斯拉 (TSLA) 当前股价约 $248.50...]
5

6
Invoking: `calculator` with {'expression': '248.50 * 150'}
7
37275.0
8

9
特斯拉 (TSLA) 当前股价约为 $248.50。
10
如果你持有 150 股，总价值约为 **$37,275.00**。
11

12
> Finished chain.

1
# pip install langchain langchain-openai httpx
2

3
from datetime import datetime, timedelta
4
from langchain_openai import ChatOpenAI
5
from langchain_core.tools import tool
6
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
7
from langchain.agents import create_tool_calling_agent, AgentExecutor
8

9
# ── 工具 1：天气查询 ─────────────────────────────
10
@tool
11
def get_weather(city: str) -> str:
12
    """查询指定城市的当前天气。当用户询问天气相关问题时使用。
13

14
    Args:
15
        city: 城市名称，如 '北京'、'上海'、'New York'
16
    """
17
    # 实际应用中，这里调用天气 API（如 OpenWeatherMap）
18
    # 这里用模拟数据演示
19
    weather_data = {
20
        "北京": {"temp": 22, "condition": "晴", "humidity": 35},
21
        "上海": {"temp": 26, "condition": "多云", "humidity": 70},
22
        "广州": {"temp": 30, "condition": "雷阵雨", "humidity": 85},
23
    }
24
    data = weather_data.get(city)
25
    if data:
26
        return (
27
            f"{city}当前天气：{data['condition']}，"
28
            f"温度 {data['temp']}°C，湿度 {data['humidity']}%"
29
        )
30
    return f"抱歉，暂不支持查询 {city} 的天气"
31

32
# ── 工具 2：日期计算 ─────────────────────────────
33
@tool
34
def date_calculator(operation: str, days: int) -> str:
35
    """进行日期计算。当用户需要计算几天前/后的日期，或者两个日期之间的天数时使用。
36

37
    Args:
38
        operation: 操作类型，可选 'add'（加天数）、'subtract'（减天数）、'today'（获取今天日期）
39
        days: 天数。operation 为 'today' 时此参数无效，传 0 即可
40
    """
41
    today = datetime.now()
42
    if operation == "today":
43
        return f"今天是 {today.strftime('%Y-%m-%d')}（{today.strftime('%A')}）"
44
    elif operation == "add":
45
        target = today + timedelta(days=days)
46
        return f"从今天起 {days} 天后是 {target.strftime('%Y-%m-%d')}（{target.strftime('%A')}）"
47
    elif operation == "subtract":
48
        target = today - timedelta(days=days)
49
        return f"从今天起 {days} 天前是 {target.strftime('%Y-%m-%d')}（{target.strftime('%A')}）"
50
    else:
51
        return f"不支持的操作: {operation}，请使用 'add'、'subtract' 或 'today'"
52

53
# ── 工具 3：温度转换 ─────────────────────────────
54
@tool
55
def convert_temperature(value: float, from_unit: str, to_unit: str) -> str:
56
    """转换温度单位。当用户需要在摄氏度和华氏度之间转换时使用。
57

58
    Args:
59
        value: 温度数值
60
        from_unit: 源单位，'C'（摄氏度）或 'F'（华氏度）
61
        to_unit: 目标单位，'C'（摄氏度）或 'F'（华氏度）
62
    """
63
    if from_unit == "C" and to_unit == "F":
64
        result = value * 9 / 5 + 32
65
        return f"{value}°C = {result:.1f}°F"
66
    elif from_unit == "F" and to_unit == "C":
67
        result = (value - 32) * 5 / 9
68
        return f"{value}°F = {result:.1f}°C"
69
    elif from_unit == to_unit:
70
        return f"{value}°{from_unit}（无需转换）"
71
    else:
72
        return f"不支持的单位转换: {from_unit} -> {to_unit}"
73

74
# ── 组装 Agent ───────────────────────────────────
75
tools = [get_weather, date_calculator, convert_temperature]
76

77
prompt = ChatPromptTemplate.from_messages([
78
    ("system",
79
     "你是一个实用的生活助手，可以查询天气、计算日期和转换温度。"
80
     "回答时请简洁清晰，用中文回答。"),
81
    ("human", "{input}"),
82
    # variable_name: 接收的是一个包含 `AIMessage`（模型决定调用什么工具）和 `ToolMessage`（工具执行后返回的结果）的**消息列表** LLM通过这个参数得知之前的所有操作结果
83
    MessagesPlaceholder(variable_name="agent_scratchpad"),
84
])
85

86
llm = ChatOpenAI(model="gpt-4o", temperature=0)
87
agent = create_tool_calling_agent(llm, tools, prompt)
88
agent_executor = AgentExecutor(
89
    agent=agent,
90
    tools=tools,
91
    verbose=True,
92
    max_iterations=8,
93
    handle_parsing_errors=True,
94
)
95

96
# ── 测试多工具协作 ───────────────────────────────
97
response = agent_executor.invoke({
98
    "input": "北京今天天气怎么样？温度换算成华氏度是多少？另外，30天后是几号？"
99
})
100
print(response["output"])

1
# pip install langchain langchain-openai httpx
2

3
import httpx
4
from langchain_core.tools import tool
5
from langchain_core.tools import ToolException
6

7
@tool
8
def fetch_stock_price(symbol: str) -> str:
9
    """查询股票的当前价格。
10

11
    Args:
12
        symbol: 股票代码，如 'AAPL'、'TSLA'、'GOOGL'
13
    """
14
    try:
15
        # 模拟 API 调用
16
        if not symbol.isalpha():
17
            raise ToolException(f"无效的股票代码: {symbol}")
18

19
        # 实际场景中调用股票 API
20
        prices = {"AAPL": 185.50, "TSLA": 248.50, "GOOGL": 175.20}
21
        price = prices.get(symbol.upper())
22
        if price is None:
23
            return f"未找到股票代码 {symbol} 的价格信息，请确认代码是否正确"
24
        return f"{symbol.upper()} 当前股价: ${price}"
25

26
    except ToolException:
27
        raise  # ToolException 直接抛出，交给 AgentExecutor 处理
28
    except httpx.TimeoutException:
29
        return "查询超时，请稍后重试"
30
    except Exception as e:
31
        return f"查询出错: {str(e)}"
32

33
# 自定义错误处理函数
34
def handle_tool_error(error: ToolException) -> str:
35
    """将工具异常转换为对 Agent 友好的错误消息。"""
36
    return f"工具执行出错: {error.args[0]}。请检查输入参数后重试。"
37

38
# 设置错误处理
39
fetch_stock_price.handle_tool_error = handle_tool_error

1
# pip install langchain
2

3
import json
4
from langchain_core.tools import tool
5

6
@tool
7
def search_products(keyword: str, category: str = "all") -> str:
8
    """在商品库中搜索商品。当用户需要查找商品信息时使用。
9

10
    Args:
11
        keyword: 搜索关键词
12
        category: 商品类别，可选 'all'、'electronics'、'books'、'clothing'
13
    """
14
    # 模拟搜索结果
15
    results = [
16
        {"name": "Python 编程入门", "price": 59.9, "rating": 4.8, "stock": 120},
17
        {"name": "Python 数据分析", "price": 79.9, "rating": 4.6, "stock": 85},
18
    ]
19

20
    if not results:
21
        return "未找到匹配的商品。"
22

23
    # 格式化为 Agent 容易理解的结构化文本
24
    output_lines = [f"找到 {len(results)} 个相关商品：\n"]
25
    for i, item in enumerate(results, 1):
26
        output_lines.append(
27
            f"{i}. {item['name']}\n"
28
            f"   价格: ¥{item['price']}\n"
29
            f"   评分: {item['rating']}/5.0\n"
30
            f"   库存: {item['stock']} 件"
31
        )
32
    return "\n".join(output_lines)

1
# pip install langchain langchain-openai
2

3
from langchain.agents import AgentExecutor
4

5
# 方式 1：在 AgentExecutor 中开启
6
agent_executor = AgentExecutor(
7
    agent=agent,
8
    tools=tools,
9
    verbose=True,  # 打印完整推理过程
10
)
11

12
# 方式 2：使用 LangChain 全局调试模式
13
from langchain.globals import set_debug, set_verbose
14
set_debug(True)    # 最详细：打印所有内部调用
15
set_verbose(True)  # 中等详细度：打印关键步骤

1
# pip install langchain langchain-openai
2

3
agent_executor = AgentExecutor(
4
    agent=agent,
5
    tools=tools,
6
    max_iterations=8,      # 最多迭代 8 次
7
    max_execution_time=30, # 最多运行 30 秒
8

9
    # 达到上限时的行为：
10
    # early_stopping_method="force"  —— 强制返回当前已有信息（默认）
11
    # early_stopping_method="generate" —— 让 LLM 基于已有信息生成最终回答
12
)

1
Agent = LLM（思考） + Tool（行动） + 推理循环（协调）
2

3
ReAct 循环：Thought → Action → Observation → ... → Final Answer
4

5
Tool = name + description + function
6
       ↑ description 决定 LLM 是否会选择这个工具
7

8
Tool Calling > 文本解析  （结构化 JSON vs 正则提取）
9

10
AgentExecutor 三板斧：verbose + max_iterations + handle_parsing_errors