14-day 4-多工具协作 + 错误处理-实验1

Day 4：多工具协作 + 错误处理 实验

  1. ✅ 创建虚拟环境
  2. ✅ 安装pip依赖包
  3. ✅ robust_agent.py 程序（含 divide、is_leap_year、get_current_time、模拟 search_web）

✅ 第一步：创建虚拟环境

# 创建工作目录
mkdir day4 && cd day4

# 创建虚拟环境
python3 -m venv day4-robust

# 激活虚拟环境
source day4-robust/bin/activate

# 升级 pip
pip install --upgrade pip -i https://mirrors.aliyun.com/pypi/simple/

✅ 第二步：安装依赖

pip install \
  "langchain==0.1.20" \
  "langchain-core==0.1.52" \
  "langchain-openai==0.0.6" \
  "langchainhub==0.1.15" \
  python-dotenv \
  requests \
  beautifulsoup4 \
  -i https://mirrors.aliyun.com/pypi/simple/

✅ 第三步：创建 .env（复用你的 Key）

echo 'DASHSCOPE_API_KEY=sk-6adfbafe2c854892c720982666cex' > .env

✅ 第四步：创建 robust_agent_1.py

tee robust_agent_1.py <<'EOF'
# robust_agent.py
import os
from datetime import datetime
from dotenv import load_dotenv
from langchain_core.tools import tool
from langchain.agents import AgentExecutor, create_react_agent
from langchain import hub
from langchain_openai import ChatOpenAI

# 加载 API Key
load_dotenv()

@tool
def get_current_time(dummy: str = ""):
    """获取当前日期和时间"""
    return datetime.now().strftime("%Y年%m月%d日 %H:%M")

@tool
def divide(a_str: str):
    """
    安全除法计算：输入格式为 'a,b'，返回 a / b 的结果。
    示例输入: "10,3" → 输出: "3.333..."
    """
    try:
        parts = a_str.split(",")
        if len(parts) != 2:
            return "错误：请输入两个数字，用逗号分隔，如 '10,2'"
        a = float(parts[0].strip())
        b = float(parts[1].strip())
        if b == 0:
            return "错误：除数不能为零！"
        result = a / b
        return str(result)
    except ValueError:
        return "错误：请输入有效的数字"
    except Exception as e:
        return f"计算失败: {str(e)}"

@tool
def is_leap_year(year_str: str):
    """
    判断指定年份是否为闰年。
    输入：年份（字符串），如 "2024"
    输出："2024年是闰年" 或 "2023年不是闰年"
    """
    try:
        year = int(year_str.strip())
        is_leap = (year % 4 == 0 and year % 100 != 0) or (year % 400 == 0)
        if is_leap:
            return f"{year}年是闰年"
        else:
            return f"{year}年不是闰年"
    except ValueError:
        return "错误：请输入有效的年份（如 2024）"
    except Exception as e:
        return f"判断失败: {str(e)}"

@tool
def search_web(query: str):
    """
    模拟网页搜索（仅返回固定摘要，避免真实爬虫问题）
    实际项目应替换为合法搜索引擎 API（如 SerpAPI）
    """
    return f"（模拟）关于 '{query}' 的搜索结果摘要：这是一个演示响应。"

# 初始化 Qwen 模型
llm = ChatOpenAI(
    model="qwen-max",
    temperature=0,
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
    api_key=os.getenv("DASHSCOPE_API_KEY")
)

# 注册所有工具
tools = [get_current_time, divide, is_leap_year, search_web]

# 加载 ReAct 提示模板
prompt = hub.pull("hwchase17/react")

# 创建 Agent
agent = create_react_agent(llm, tools, prompt)

# 创建执行器
agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    verbose=True,
    handle_parsing_errors=True,
    max_iterations=6
)

# 交互式主循环
print("🛡️ Day 4：鲁棒智能体（多工具 + 错误处理）")
print("尝试提问：")
print("- 计算 100 除以 0")
print("- 2024年是闰年吗？")
print("- 现在几点？再算一下 2024 除以 4")
print("- 输入 quit 退出\n")

while True:
    try:
        user_input = input("💬 问题: ").strip()
        if not user_input:
            continue
        if user_input.lower() in {"quit", "exit", "q"}:
            print("👋 再见！")
            break

        result = agent_executor.invoke({"input": user_input})
        print("\n" + "=" * 60)
        print("🤖 回答：")
        print(result["output"])
        print()

    except KeyboardInterrupt:
        print("\n👋 被中断，再见！")
        break
    except Exception as e:
        print(f"❌ 系统错误: {e}\n")
EOF

✅ 第五步：运行程序

python robust_agent_1.py

🖨️ 预期输出示例

测试 1：除零错误处理

💬 问题: 计算 100 除以 0

Thought: 我需要使用 divide 工具
Action: divide
Action Input: "100,0"
Observation: 错误：除数不能为零！
Final Answer: 无法计算 100 除以 0，因为除数不能为零。

测试 2：闰年判断（结合时间工具）

💬 问题: 2024年是闰年吗？

Thought: 使用 is_leap_year 工具
Action: is_leap_year
Action Input: "2024"
Observation: 2024年是闰年
Final Answer: 是的，2024年是闰年。

测试 3：多工具组合

💬 问题: 现在几点？再算一下 2024 除以 4

Thought: 先查时间，再做除法
Action: get_current_time
Action Input: ""
Observation: 2026年01月25日 16:30
Thought: 现在计算 2024 / 4
Action: divide
Action Input: "2024,4"
Observation: 506.0
Final Answer: 当前时间是 2026年01月25日 16:30，2024 除以 4 等于 506.0。

程序解析

当你问 “2024是不是闰年？” 时，这个 robust_agent.py 程序是如何运作的？

整个过程体现了 ReAct 智能体的核心能力：自主决策 + 工具调用 + 错误隔离。

🧠 第一步：用户输入

💬 问题: 2024是不是闰年？

程序将这个问题包装成：

{"input": "2024是不是闰年？"}

交给 agent_executor.invoke() 处理。

🤖 第二步：LLM（Qwen）进行 ReAct 推理

Agent 使用从 hub.pull("hwchase17/react") 加载的提示模板，
结合工具列表（get_current_time, divide, is_leap_year, search_web），开始思考。

它会生成类似以下的内部推理链：

Thought: 用户想知道2024年是否是闰年。我有一个专门的工具 is_leap_year 可以判断闰年。
Action: is_leap_year
Action Input: "2024"

✅ 注意：LLM 没有自己计算，而是主动选择调用工具 ——这是这章程序思想中不一样的地方！

🔧 第三步：执行工具 is_leap_year("2024")

程序调用你定义的函数：

@tool
def is_leap_year(year_str: str):
    year = int("2024")  # → 2024
    is_leap = (2024 % 4 == 0 and 2024 % 100 != 0) or (2024 % 400 == 0)
    # 计算：2024 ÷ 4 = 506（整除），且 2024 ÷ 100 = 20.24（不整除）
    # 所以 is_leap = True
    return "2024年是闰年"

✅ 返回结果：

Observation: 2024年是闰年

💡 即使 LLM 对闰年规则记错了（比如以为“能被4整除就是闰年”），工具的代码逻辑是确定且正确的，保证了答案准确。

🧾 第四步：LLM 生成最终回答

看到 Observation 后，LLM 继续推理：

Thought: 我现在知道答案了。
Final Answer: 是的，2024年是闰年。

程序提取 result["output"] 并打印：

============================================================
🤖 回答：
是的，2024年是闰年。

✅ 全流程总结（ReAct 五步闭环）

步骤 内容
1. Thought “用户问2024是否闰年，我有 is_leap_year 工具可用”
2. Action 调用 is_leap_year
3. Action Input "2024"
4. Observation "2024年是闰年"（来自你写的 Python 函数）
5. Final Answer “是的，2024年是闰年。”

agent强制规则之一

因为你在使用 create_react_agent + hub.pull("hwchase17/react")，这个 prompt 强制要求：

“只有当有合适的工具时才行动；否则不能瞎猜。”

而且你的 divide 工具太局限 —— 它只做除法，还要求逗号分隔。加法、乘法、括号等完全不在支持范围内。

所以 Agent 会说：“我无能为力”。

🔍 为什么这样做比“让 LLM 直接回答”更好？

方式 风险 优势
LLM 直接回答 - 可能记错规则（如忽略“整百年必须被400整除”）- 无法验证- 输出不可靠 快，但不可信
调用工具 is_leap_year - 规则由代码实现，100% 正确- 错误可捕获（如输入“abc”会返回错误）- 可测试、可维护 可靠、可审计、可扩展

🎯 核心思想, 各司其职：

  1. 把“确定性计算”交给工具
  2. 把“语言理解与规划”交给 LLM。

💡

“大模型擅长‘说话’，但不擅长‘算数’；
智能体的智慧，在于知道什么时候该请‘专家工具’帮忙。”

posted @ 2026-01-28 20:46  船山薪火  阅读(21)  评论(0)    收藏  举报
![image](https://img2024.cnblogs.com/blog/3174785/202601/3174785-20260125205854513-941832118.jpg)