07_react.py

# - Agent与ReAct框架示例
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain.agents import create_agent
from langchain.tools import tool
from langchain_experimental.utilities.python import PythonREPL
from langchain_tavily import TavilySearch
import os

# 加载环境变量
load_dotenv()

# -----------------------------
# 定义工具
# -----------------------------

# Initialize Tavily Search Tool (set a TAVILY_API_KEY in .env file)
tavily_search_tool = TavilySearch(
    max_results=5,
    topic="general",
    include_answer=True
)

@tool
def repl_tool(expr: str) -> str:
    """
    用于执行数学计算或简单 Python 表达式
    输入：有效的 Python 表达式，例如 '2+2' 或 'import math; math.sqrt(16)'
    输出：结果字符串
    """
    # 注意：仅限受信任的表达式，实际可加入沙箱限制
    python_repl = PythonREPL()
    return python_repl.run(expr)


# -----------------------------
# 初始化 LLM
# -----------------------------
llm = ChatOpenAI(
            base_url=os.getenv("OPENAI_API_BASE"),
            api_key=os.getenv("OPENAI_API_KEY"),
            model="deepseek-ai/DeepSeek-V3", temperature=0
        )

# -----------------------------
# 创建 Agent (ReAct)
# -----------------------------
agent = create_agent(
    model=llm,
    tools=[tavily_search_tool, repl_tool],
    system_prompt="You are a helpful assistant. You can decide when to use the provided tools."
)

# -----------------------------
# 测试 Agent
# -----------------------------
if __name__ == "__main__":
    # 问题1：搜索 + 计算
    question1 = "OpenAI 的 ChatGPT 是哪一年发布的，距今多少年了？"
    print(f"问题：{question1}")
    ans1 = agent.invoke({"messages":[{"role":"user","content":question1}]})
    print(f"答案：{ans1['messages'][-1].content}\n")

    # 问题2：只搜索
    question2 = "LangChain 框架的主要作用是什么？"
    print(f"问题：{question2}")
    ans2 = agent.invoke({"messages":[{"role":"user","content":question2}]})
    print(f"答案：{ans2['messages'][-1].content}\n")

    # 问题3：只计算
    question3 = "计算 (2**10 + 3**5) * 4 的结果"
    print(f"问题：{question3}")
    ans3 = agent.invoke({"messages":[{"role":"user","content":question3}]})
    print(f"答案：{ans3['messages'][-1].content}\n")