第一个agent

from langchain_openaiimportChatOpenAI from langchain_community.agent_toolkits.load_toolsimportload_tools from langchain.agentsimportAgentExecutor, create_react_agent from langchain_core.promptsimportPromptTemplate# 1. 创建 LLM（推荐从环境变量读取 API Key，避免写死在代码里）# 请在运行前在系统环境变量或 .env 中配置 OPENAI_API_KEY / OPENAI_BASE_URLllm=ChatOpenAI(model="gpt-4o-mini",# 或者你的代理支持的其他模型名称base_url="https://api.openai-proxy.org/v1",api_key="sk-d21LjbL0djjUVb",)# 2. 加载工具：使用 DuckDuckGo 搜索工具替代 llm-math# 需要安装 duckduckgo-search 包: pip install duckduckgo-searchtools=load_tools(["ddg-search"],llm=llm)# 3. 定义一个标准的 ReAct Prompt 模板（中文版）# 这个模板遵循标准的 ReAct 格式，包含了必要的组件template="""尽可能地回答以下问题。你可以使用以下工具：{tools}请使用以下格式： 问题: 你需要回答的输入问题 思考: 你应该总是思考该做什么 行动: 要采取的行动，应该是[{tool_names}]中的一个工具 行动输入: 行动的输入 观察: 行动的结果...(这个 思考/行动/行动输入/观察 的过程可以重复N次)思考: 我现在知道最终答案了 最终答案: 对原始输入问题的最终答案 开始！ 问题:{input}思考:{agent_scratchpad}""" prompt=PromptTemplate.from_template(template)# 4. 用新的 API 创建 ReAct Agentagent=create_react_agent(llm=llm,tools=tools,prompt=prompt,)# 5. 用 AgentExecutor 包装成可执行的代理agent_executor=AgentExecutor(agent=agent,tools=tools,verbose=True,# 是否打印中间推理/调用过程handle_parsing_errors=True,# 添加处理解析错误的参数max_iterations=10# 限制最大迭代次数)# 6. 调用代理：使用需要搜索的问题question="帮我分析最新的特斯拉股票表现如何？如果可以的话，请给出一些数据支持。"try: result=agent_executor.invoke({"input":question})print("-"*120)print("最终答案:", result["output"])except Exception as e: print(f"执行过程中出现错误: {e}")