update

src/multi_agent/config.py

@@ -0,0 +1,10 @@
+
+
+from langchain_ollama import ChatOllama
+
+LLM = ChatOllama(model='qwen2.5:14b', api_key="1145141919810", base_url='http://192.168.195.158:11434')
+# LLM = ChatOpenAI(model="gpt-4o", openai_api_key='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')
+
+tavily_key = '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'
+
+gaode_key = '00fd082df2414f75c6efb64896819451'

src/multi_agent/hierarchical_demo.py

@@ -1,3 +1,4 @@
+import json
 import os
 import time
 import operator
@@ -11,7 +12,12 @@ from langchain_core.messages import HumanMessage
 
 from pydantic import BaseModel, Field
 
-llm = ChatOpenAI(model="gpt-4o", temperature=0.1, openai_api_key='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')
+from src.multi_agent.util.tools import formatted_json
+from src.multi_agent.util.web_search import do_search
+from src.multi_agent.config import LLM
+from src.multi_agent.weather_agent import weather_chain
+
+llm = LLM
 
 MEMBERS = {'天气查询模块': '输入一个城市和日期，查询当日的天气状况',
            '网络查询模块': '在网上搜索指定的内容',
@@ -41,31 +47,53 @@ def planner(state: AgentState):
     ])
     planner_chain = (planner_prompt | llm)
 
-    result_dict = {'plan': '为了完成这个任务，我们需要按照以下步骤进行：\n\n1. **网络查询模块**：\n   - 任务：查询2024年中国GDP最高的城市。\n   - 行动：在网上搜索2024年中国GDP最高的城市的信息。\n\n2. **天气查询模块**：\n   - 任务：查询该城市今天的天气状况。\n   - 行动：使用天气查询模块，输入城市名称和当前日期，获取该城市的天气信息。\n\n3. **诗歌创作模块**：\n   - 任务：根据查询到的城市名称和天气状况，创作一首诗。\n   - 行动：利用诗歌创作模块，结合城市的特点和天气状况，创作一首诗。\n\n请各模块按照上述计划执行任务，并在完成后汇总信息。'}
+    llm_resp = planner_chain.invoke({'query': [('user', user_query)]})
-
+    return {'plan': llm_resp.content}
-    return result_dict
-    # llm_resp = planner_chain.invoke({'query': [('user', user_query)]})
-    # return {'plan': llm_resp.content}
 
 
 def decision_node(state: AgentState):
-    class NextStep(BaseModel):
-        next_agent: str = Field(description='下一步应该交给哪个模块来完成')
-        action: str = Field(description='下一步应该执行的行动计划是什么')
-
     members = state.get('members', {})
     member_keys = list(members.keys())
+    if isinstance(llm, ChatOpenAI):
+        class NextStep(BaseModel):
+            next_agent: str = Field(description='下一步应该交给哪个模块来完成')
+            action: str = Field(description='下一步应该执行的行动计划是什么。如果已经执行所有的任务，则填入执行结果')
+
         decision_prompt = ChatPromptTemplate.from_messages([
-        ('system', f'你负责针对一个给定的任务计划，以及当前的任务执行状态，制定下一步应该由谁来执行什么内容。可以在这些模块中进行选择：{", ".join(member_keys)}。'),
+            ('system', f'你负责针对一个给定的任务计划，以及当前的任务执行状态，制定下一步应该由谁来执行什么内容。'
+                       f'可以在这些模块中进行选择：{", ".join(member_keys)}。'),
             ('user', f'当前的计划是:'),
             MessagesPlaceholder(variable_name="plan"),
             ('user', '以下是各个模块之间的消息记录'),
             MessagesPlaceholder(variable_name="messages")
         ])
         decision_chain = (decision_prompt | llm.with_structured_output(NextStep))
-    llm_resp = decision_chain.invoke({'plan': [('user', state.get('plan', ''))], 'messages': state.get('messages', [])})
+        llm_resp = decision_chain.invoke({'plan': [('user', state.get('plan', ''))],
+                                          'messages': state.get('messages', [])})
         next_agent = llm_resp.next_agent
         action = llm_resp.action
+    else:
+        decision_prompt = ChatPromptTemplate.from_messages([
+            ('system',
+             f'你负责针对一个给定的任务计划，以及当前的任务执行状态，制定下一步应该由谁来执行什么内容。'
+             f'可以在这些模块中进行选择：{", ".join(member_keys)}。你的输出必须只能是一个json字符串，'
+             f'必须包含next_agent和action两个字段。其中next_agent是下一步应该交给哪个模块来完成，'
+             f'action是下一步应该执行的行动计划是什么，如果已经执行完成所有的任务，则在action中填入执行结果'
+             f'你只需要输出这个json即可，不需要给出任何解释'),
+            ('user', f'当前的计划是:'),
+            MessagesPlaceholder(variable_name="plan"),
+            ('user', '以下是各个模块之间的消息记录'),
+            MessagesPlaceholder(variable_name="messages")
+        ])
+        decision_chain = (decision_prompt | llm)
+        llm_resp = decision_chain.invoke(
+            {'plan': [('user', state.get('plan', ''))], 'messages': state.get('messages', [])})
+        llm_resp_str = formatted_json(llm_resp.content)
+        resp_dict = json.loads(llm_resp_str)
+        next_agent = resp_dict.get('next_agent')
+        action = resp_dict.get('action')
+        if not (next_agent and action):
+            raise ValueError('模型返回异常')
     return {'messages': [HumanMessage(content=f'接下来由{next_agent}来执行{action}')], 'next_agent': next_agent, 'next_plan': action}
 
 
@@ -79,13 +107,25 @@ def router_node(state: AgentState):
 
 
 def weather_node(state: AgentState):
-    result = '上海的天气是25℃，下雨'
+    # result = '上海的天气是25℃，下雨'
+    agent_resp = weather_chain.invoke({'next_plan': state.get('next_plan')})
+    result = agent_resp.get('result')
     return {'messages': [HumanMessage(content=result)]}
 
 
 def websearch_node(state: AgentState):
-    result = '2024年中国GDP最高的城市是上海'
+
-    return {'messages': [HumanMessage(content=result)]}
+    next_plan = state.get('next_plan', '')
+    websearch_prompt = ChatPromptTemplate.from_messages([
+            ('system', f'你是一个网络搜索Agent，你需要根据用户的问题，从中提取出用于在网络搜索引擎上搜索的关键字。只需要回答关键字即可，不需要进行解释'),
+            ('user', f'当前的用户问题是：'),
+            MessagesPlaceholder(variable_name="next_plan"),
+        ])
+    websearch_chain = (websearch_prompt | llm)
+    llm_resp = websearch_chain.invoke({'next_plan': [('user', next_plan)]})
+    search_result = do_search(llm_resp.content)
+    result_resp = llm.invoke(f'请根据搜索结果进行回答我的问题。\n我的问题是:{next_plan}\n\n搜索结果为:{search_result}')
+    return {'messages': [HumanMessage(content=result_resp.content)]}
 
 
 def composer_node(state: AgentState):
@@ -100,7 +140,7 @@ def composer_node(state: AgentState):
 
 
 def end_node(state: AgentState):
-    print('placeholder')
+    print('任务完成')
 
 
 workflow = StateGraph(AgentState)
@@ -134,12 +174,14 @@ workflow.add_edge('结束节点', END)
 workflow.set_entry_point('planner')
 
 graph = workflow.compile()
+
+if '__main__' == __name__:
     print(graph.get_graph().draw_ascii())
 
-enter = {'user_query': "查询2024年中国GDP最高的城市，以这个城市今天的天气，创作一首诗",
+    user_query = '查询2024年中国GDP最高的城市，以这个城市今天的天气，创作一首诗'
-         "members": MEMBERS}
+    enter = {'user_query': user_query, "members": MEMBERS}
     for s in graph.stream(enter):
-    if "__end__" not in s:
+        if "__end__" not in s and 'router' not in s:
             print(s)
             print('-'*80)
 

src/multi_agent/util/tools.py

@@ -0,0 +1,17 @@
+import json
+
+
+def formatted_json(input_str: str):
+    if input_str.startswith("```"):
+        input_str = input_str[3::]
+    if input_str.endswith("```"):
+        input_str = input_str[:-3:]
+    if input_str.startswith("'''"):
+        input_str = input_str[3::]
+    if input_str.endswith("'''"):
+        input_str = input_str[:-3:]
+    while input_str.startswith('\n'):
+        input_str = input_str[1::]
+    if input_str.startswith('json'):
+        input_str = input_str[4::]
+    return input_str

src/multi_agent/util/weather_search.py

@@ -0,0 +1,28 @@
+import requests
+
+from src.multi_agent.config import gaode_key
+
+
+def search_weather(area_str):
+    district_code_url = 'https://restapi.amap.com/v3/config/district?parameters'
+    weather_url = 'https://restapi.amap.com/v3/weather/weatherInfo?parameters'
+
+    # area_str = '上海市'
+
+    response = requests.get(district_code_url, params={'key': gaode_key, 'keywords': area_str})
+    district_code_list = response.json().get('districts')
+
+    if not district_code_list:
+        raise Exception('查询失败')
+
+    district_code = district_code_list[0].get('adcode')
+
+    response = requests.get(weather_url, params={'key': gaode_key, 'city': district_code})
+    weather_list = response.json().get('lives')
+    if not weather_list:
+        raise Exception('查询失败')
+
+    weather = weather_list[0]
+
+    result = f'{area_str}现在{weather["weather"]}，{weather["temperature"]}摄氏度，湿度{weather["humidity"]}%，{weather["winddirection"]}风{weather["windpower"]}级'
+    return result

src/multi_agent/util/web_search.py

@@ -1,12 +1,14 @@
-from tavily import TavilyClient
 import requests
 
+from src.multi_agent.config import tavily_key
 
-query = '乔布斯是谁'
+
+def do_search(query):
+    # query = '乔布斯是谁'
 
     base_url = 'https://api.tavily.com/search'
     json = {
-    'api_key': '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',
+        'api_key': tavily_key,
         'query': query,
         'search_depth': 'basic',
         'include_answer': False,
@@ -23,5 +25,6 @@ if response.status_code == 200:
         search_result = response.json()
     else:
         raise Exception(f'Error: {response.status_code}: {response.reason}')
+    return search_result
+
 
-print('done')

src/multi_agent/weather_agent.py

@@ -0,0 +1,57 @@
+import operator
+
+from typing import TypedDict, List, Annotated
+from langgraph.graph import END, StateGraph
+from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
+
+from src.multi_agent.config import LLM
+from src.multi_agent.util.weather_search import search_weather
+
+llm = LLM
+
+
+class WeatherState(TypedDict):
+    user_request: str
+    city: str
+    result: str
+
+
+def requirement_analysis(state: WeatherState):
+    user_request = state.get('user_request')
+    analysis_prompt = ChatPromptTemplate([
+        ('system', '你是一个天气查询agent，你负责从用户的需求中提取出需要查询天气的城市或地区，你只需要输出这个地名，不需要输出其他任何内容'),
+        ('user', f'当前的用户需求是:'),
+        MessagesPlaceholder(variable_name="user_request"),
+    ])
+    analysis_chain = analysis_prompt | llm
+    llm_resp = analysis_chain.invoke({'user_request': [("user", user_request)]})
+    return {'city': llm_resp.content}
+
+
+def get_weather_data(state: WeatherState):
+    city = state.get('city')
+    weather_data = search_weather(city)
+    return {'result': weather_data}
+
+
+def enter_chain(input_data: dict):
+    return {'user_request': input_data['next_plan']}
+
+
+workflow = StateGraph(WeatherState)
+# 其实完全没必要使用子agent，但演示一下子agent如何并网
+
+workflow.add_node('需求分析', requirement_analysis)
+workflow.add_node('获取天气', get_weather_data)
+
+workflow.set_entry_point('需求分析')
+
+workflow.add_edge('需求分析', '获取天气')
+workflow.add_edge('获取天气', END)
+
+weather_graph = workflow.compile()
+weather_chain = enter_chain | weather_graph
+
+
+if __name__ == '__main__':
+    requirement_analysis({})