React Agent 自定义实现代码

from tavily import TavilyClient
from llm.llm_api_key import TAVILY_API_KEY
import time
def tavily_search(query):
    try:
        # Step 1. Instantiating your TavilyClient
        tavily_client = TavilyClient(api_key=TAVILY_API_KEY)
        # Step 2. Executing a Q&A search query
        answer = tavily_client.qna_search(query=query)
        # Step 3. That's it! Your question has been answered!
        return answer
    except:
        time.sleep(1)
        # Step 1. Instantiating your TavilyClient
        tavily_client = TavilyClient(api_key=TAVILY_API_KEY)
        # Step 2. Executing a Q&A search query
        answer = tavily_client.qna_search(query=query)
        # Step 3. That's it! Your question has been answered!
        return answer
def height_search(name):
    height_dic = {
        "张三": 180,
        "李四": 175,
        "王五": 170,
        "赵六": 165,
        "钱七": 160,
        "孙八": 175,
        "周九": 170,
        "吴十": 165,
        "郑十一": 180,
        "王十二": 175,
        "李十三": 170,
        "赵十四": 165,
        "钱十五": 180,
        "孙十六": 175,
    }
    return height_dic.get(name)

tavily_search_tool = {
        "type": "function",
        "function": {
            "name": 'tavily_search',
            "description": "根据用户查询，去搜索引擎，返回搜索结果",
            "parameters": {
                "type": "object",
                "properties": {
                    "query": {
                        "description": "用户搜索内容 query",
                        "type": "string"
                    },
                },
                "required": ["query"]
            }
        }
      }
height_search_tool = {
        "type": "function",
        "function": {
            "name": 'height_search',
            "description": "只要是有姓名，身高关键字，都需要使用此工具根据姓名，查询对应身高，每次只能查询一个人的身高",
            "parameters": {
                "type": "object",
                "properties": {
                    "name": {
                        "description": "指具体的姓名或名字",
                        "type": "string"
                    },
                },
                "required": ["name"]
            }
        }
      }

Answer the following questions as best you can. You have access to the following tools:
{tools}
Use the following format:
Question: the input question you must answer
Thought: you should always think about what to do
Action: the action to take, should be one of [{tool_names}]
Action Input: the input to the action
Observation: the result of the action
... (this Thought/Action/Action Input/Observation can repeat N times)
Thought: I now know the final answer
Final Answer: the final answer to the original input question
Begin!
Question: {input}
Thought:{agent_scratchpad}

尽你所能回答以下问题。您可以使用以下工具:
```{tools}```
严格使用以下 JSON 格式:
```
{{
    Question: 根据 thought 当前需要回答的问题，此字段必须存在
    Thought: 对于 Question 要做什么，此字段必须存在
    Action: {{'tool': 要采取的动作，应该是[{tool_names}]之一，如果不需要工具可以空着}}
    Action Input: 动作的输入，是一个 JSON 格式，此字段必须存在，如果不需要输入可以空着
    Observation: 行动的结果，此字段必须存在，默认为空
}}
```
(Question/Thought/Action/Action Input/Observation 五个字段必须存在，以上步骤只能重复 1 次)
开始吧!
Question:`{query}`
thought:`{agent_scratchpad}`

# 背景
有一个问题 Question，已经有了对这个问题的思考 Thought，已执行的思考 Action，需要根据这些信息去规划出下一步应该做什么。
# 输入
## Question:`{query}`
## Thought:`{thought}`
## Action:`{all_action_res}`
# 思考推理：
- 1、参考 Question 仔细理解 Thought，思考 Action 还有哪些没有行动。
- 2、判断你下一步做什么行动，不能过于发散过多的行动，必须根据步骤 1 的思考。
- 3、确保你的回答在语义上与 Action 中的内容不重复是一个全新的步骤。
- 4、若 Thought 已经全部执行了，直接回答`no`。
# 输出要求(严格按照以下要求输出)
- 回答需要用一句话清晰的总结下一步需要做什么，不需要其他任何信息。
- 如果没有需要做的了，直接输出`no`，不需要其他任何信息，不需要解释任何理由。

D:\programming\dev_env\anaconda\anaconda3\python.exe "D:\Python_project\NLP\大模型学习\prompt-engineering\自定义 React Agant\run_agent.py" 
D:\programming\dev_env\anaconda\anaconda3\Lib\site-packages\langchain\callbacks\__init__.py:37: LangChainDeprecationWarning: Importing this callback from langchain is deprecated. Importing it from langchain will no longer be supported as of langchain==0.2.0. Please import from langchain-community instead:
`from langchain_community.callbacks import get_openai_callback`.
To install langchain-community run `pip install -U langchain-community`.
  warnings.warn(
输入 token：103/输出 token：268/总共 token：371/
问题改写，识别潜在意图：
1. 识别用户提到的“身高比较高的小伙子”和“长得像钱七”，可能需要查询钱七的身高信息（使用工具：height_search）。
2. 识别用户提到的“还有他跟他身高差不多的兄弟李四”，可能需要查询李四的身高信息（使用工具：height_search）。
3. 用户对“大模型”表示不清楚，需要解释或搜索“大模型”的定义和相关信息（使用工具：tavily_search）。
=====================================
输入 token：53/输出 token：376/总共 token：429/
解决此问题的思考 Thought：
根据用户的问题，我们需要查询钱七和李四的身高信息，并获取关于“大模型”的解释和相关信息。因此，我们需要使用height_search工具来查询身高信息，以及使用tavily_search工具来搜索大模型的相关内容。
=====================================
输入 token：89/输出 token：426/总共 token：515/
{'Action': {'tool': 'height_search'},
 'Action Input': {'name': '钱七'},
 'Observation': 160,
 'Question': '1. 识别用户提到的“身高比较高的小伙子”和“长得像钱七”，可能需要查询钱七的身高信息（使用工具：height_search）。',
 'Thought': '需要使用工具查询钱七的身高信息。'}
=====================================
输入 token：12/输出 token：289/总共 token：301/
下一步需要做什么：
需要使用工具查询李四的身高信息。
=====================================
输入 token：60/输出 token：435/总共 token：495/
{'Action': {'tool': 'height_search'},
 'Action Input': {'name': '李四'},
 'Observation': 175,
 'Question': '查询李四的身高信息。',
 'Thought': '使用height_search工具查询李四的身高。'}
=====================================
输入 token：14/输出 token：301/总共 token：315/
下一步需要做什么：
使用tavily_search工具搜索大模型的相关内容。
=====================================
输入 token：61/输出 token：437/总共 token：498/
{'Action': {'tool': 'tavily_search'},
 'Action Input': {'query': '大模型是什么意思'},
 'Observation': 'Based on the data provided, the term "大模型" (Big Model) refers '
                'to a method or technology used in the fields of machine '
                'learning and artificial intelligence to handle large-scale '
                'data and complex models. These models are typically '
                'constructed using deep neural networks with a large number of '
                'parameters, ranging from billions to even trillions. The '
                'purpose of big models is to improve model expressive power '
                'and predictive performance, enabling them to handle more '
                'complex tasks and datasets effectively. Big models play a '
                'crucial role in addressing challenges posed by increasing '
                'data volumes and model complexities in the field of AI and '
                'machine learning.',
 'Question': '大模型是什么意思？',
 'Thought': '使用搜索引擎查询大模型的相关信息。'}
=====================================
输入 token：10/输出 token：311/总共 token：321/
开始生成重复步骤，或已执行 action 过多，判断结束了！重复步骤：使用搜索引擎查询大模型的相关信息。
下一步需要做什么：
no
=====================================
输入 token：109/输出 token：332/总共 token：441/
最终答案：
根据您的描述，钱七的身高是160厘米，而李四的身高是175厘米。至于您提到的“大模型”，这是一种在机器学习和人工智能领域中使用的方法或技术。大模型通常指的是具有大量参数（从数十亿到数万亿不等）的深度神经网络模型。这些模型的目的是提高表达能力和预测性能，使它们能够更有效地处理大规模数据和复杂任务。
简而言之，大模型是为了应对人工智能和机器学习领域中数据量增加和模型复杂性提升的挑战而发展起来的技术。
>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
Process finished with exit code 0