如何在国外网站做免费推广做网站的结论

如何在国外网站做免费推广,做网站的结论,临沂做网站公司,琼海市建设局网站手把手用LangChain实现简易AutoGPT 你有没有想过#xff0c;让AI不只是回答问题#xff0c;而是真正“动手做事”#xff1f;比如你只说一句#xff1a;“帮我分析下上个月的销售数据并写个报告”#xff0c;它就能自己找文件、读表格、算指标、生成文档#xff0c;最后…手把手用LangChain实现简易AutoGPT你有没有想过让AI不只是回答问题而是真正“动手做事”比如你只说一句“帮我分析下上个月的销售数据并写个报告”它就能自己找文件、读表格、算指标、生成文档最后把结果交给你——整个过程几乎不需要你插手。这听起来像是科幻片里的场景但其实正是AutoGPT的核心理念一个能自主思考、规划任务、调用工具、持续迭代的AI智能体。它不再被动应答而是主动推进目标像人类一样“思考—行动—观察—再调整”。今天我们就来亲手打造一个轻量级但完整的AutoGPT原型用的是目前最流行的AI应用开发框架——LangChain。这不是简单的调API而是一次对智能体底层机制的深度拆解和重构。你会看到如何让大模型“有条理地思考”怎么设计一套可扩展的工具系统ReActReason Act循环是如何驱动自主行为的Prompt工程如何决定Agent的“智商上限”准备好了吗我们从零开始一步步构建这个会“自己想办法”的AI助手。项目目标做一个能“独立完成任务”的Agent我们的目标很明确用户输入一句话任务比如“分析8月销售数据并生成报告”Agent就要能理解任务需求关键词识别拆解成可执行步骤先看有哪些文件 → 再读Excel结构 → 提取关键数据 → 写报告自主选择并调用合适的工具根据执行结果判断下一步动作直到任务完成输出最终成果整个流程形成闭环感知 → 推理 → 行动 → 反馈 → 再推理。这才是真正意义上的“智能体”。为了支撑这些操作我们需要给Agent配备几个基础“能力模块”工具功能ListDirectory查看当前目录有哪些文件InspectExcel读取Excel/CSV的列名和前几行SearchWeb联网搜索信息模拟GenerateDocument生成文本文件FINISH明确标记任务结束这些工具就是它的“手脚”。没有它们再聪明的脑子也干不了活。架构设计SimpleAutoGPT主类我们定义一个主类SimpleAutoGPT作为整个系统的入口。它负责管理LLM、工具集、记忆系统和执行流程。from langchain.chat_models import ChatOpenAI from langchain.schema import BaseOutputParser from langchain.memory import ConversationTokenBufferMemory from typing import List, Optional from pydantic import BaseModel, Field class Action(BaseModel): name: str Field(description工具名称) args: dict Field(default_factorydict, description工具参数) class SimpleAutoGPT: 简易版AutoGPT实现 def __init__( self, llm, tools: List, work_dir: str, prompts_path: str, main_prompt_file: str, output_parser: BaseOutputParser, max_thought_steps: int 10, memory_retrieverNone, ): self.llm llm self.tools tools self.work_dir work_dir self.prompts_path prompts_path self.main_prompt_file main_prompt_file self.output_parser output_parser self.max_thought_steps max_thought_steps self.memory_retriever memory_retriever self.tool_map {tool.name: tool for tool in tools}这里的关键点是-llm是大脑负责推理决策-tools是手脚负责实际操作-output_parser强制模型输出结构化动作避免胡说八道-memory_retriever支持长期记忆记住过去的经验核心逻辑ReAct循环驱动自主行为真正的“智能”不在于一次回答得多准而在于能否根据反馈不断调整策略。这就是ReAct 模式Reasoning Acting。它的运行节奏如下思考Reason基于当前上下文决定下一步做什么行动Act调用某个工具执行具体操作观察Observe记录返回结果更新记忆重复回到第1步直到任务完成这种循环模式才是AutoGPT“自主性”的本质。下面是run方法的具体实现def run(self, task_description: str, verbose: bool False) - str: thought_count 0 short_term_memory ConversationTokenBufferMemory( llmself.llm, max_token_limit4000 ) short_term_memory.save_context({input: 任务开始}, {output: 已接收任务}) prompt_template PromptTemplateBuilder( self.prompts_path, self.main_prompt_file ).build( toolsself.tools, output_parserself.output_parser ).partial( work_dirself.work_dir, task_descriptiontask_description ) chain prompt_template | self.llm | StrOutputParser() long_term_memory VectorStoreRetrieverMemory(retrieverself.memory_retriever) \ if self.memory_retriever else None reply while thought_count self.max_thought_steps: if verbose: color_print(f\n Step {thought_count} , blue) action, response self._step( chainchain, short_term_memoryshort_term_memory, long_term_memorylong_term_memory, task_descriptiontask_description, verboseverbose ) if action.name FINISH: if verbose: color_print(\n✅ 任务完成, green) reply self._final_response(short_term_memory, task_description) break observation self._exec_action(action) if verbose: color_print(f\n 观察结果:\n{observation}, yellow) short_term_memory.save_context( {input: response}, {output: f执行结果:\n{observation}} ) thought_count 1 if not reply: reply 抱歉未能完成任务请尝试更清晰的指令。 if long_term_memory: long_term_memory.save_context( {input: task_description}, {output: reply} ) return reply可以看到这个循环非常接近人类解决问题的方式每走一步都回头看一眼结果再决定怎么继续。小贴士max_thought_steps设置为10是为了防止无限循环。实践中可以根据任务复杂度动态调整。Prompt工程决定Agent“智商”的关键很多人低估了Prompt的作用以为只是个格式模板。但在智能体系统中Prompt就是操作系统。它决定了Agent会不会思考、怎么思考、往哪个方向走。我们采用模块化设计把主Prompt拆成多个子组件便于维护和调试。主框架main.txt你是强大的AI助手可以根据任务目标自主规划并调用工具解决问题。 请严格遵循以下流程进行思考与行动。 【任务目标】 {task_description} 【工作目录】 所有相关文件位于{work_dir} 【可用工具】 {tools} 【历史记忆】 {long_term_memory} 【当前上下文】 {short_term_memory} 【输出格式要求】 1. 先按以下结构输出你的思考过程 {thought_instructions} 2. 然后输出你要执行的动作格式如下 {format_instructions}思考指令thought_instructions.txt这是最关键的“思维引导”部分直接决定Agent是否有条理概念识别 - 识别任务中的关键实体和需求例如“销售额”、“时间范围”、“文档类型”等。 任务拆解 - 将主任务分解为若干可执行的子任务每个子任务对应一次工具调用。 - 明确每个子任务所需的数据源和依赖关系。 反思 - 回顾之前的执行记录判断是否有遗漏或错误。 - 是否已获得足够的信息来推进下一步 - 上一次调用是否失败如果是原因是什么是否可以换一种方式 推理 - 分析当前信息缺口确定下一个最有效的动作。 - 判断是否需要先获取元信息如列出文件、查看表头。 计划 - 明确下一步要使用的工具及其参数。 - 若任务已完成应选择 FINISH 工具。你会发现这套指令其实在模仿人类专家的工作方式先理解问题再制定计划过程中不断复盘和调整。模板加载器自动组装Prompt链为了让结构更灵活我们封装了一个PromptTemplateBuilder类支持.txt和.json混合加载from langchain.prompts import load_prompt from langchain_core.prompts import PipelinePromptTemplate import os def _load_file(path: str) - str: with open(path, r, encodingutf-8) as f: return f.read() class PromptTemplateBuilder: def __init__(self, prompt_path: str, prompt_file: str): self.prompt_path prompt_path self.prompt_file prompt_file def build(self, toolsNone, output_parserNone): main_path os.path.join(self.prompt_path, self.prompt_file) main_prompt load_prompt(main_path) variables main_prompt.input_variables partial_vars {} sub_prompts [] for var in variables: txt_path os.path.join(self.prompt_path, f{var}.txt) json_path os.path.join(self.prompt_path, f{var}.json) if os.path.exists(json_path): sub_builder PromptTemplateBuilder(self.prompt_path, f{var}.json) sub_template sub_builder.build(tools, output_parser) sub_prompts.append((var, sub_template)) elif os.path.exists(txt_path): content _load_file(txt_path) if var tools and tools: from langchain.tools.render import render_text_description partial_vars[var] render_text_description(tools) elif var format_instructions and output_parser: partial_vars[var] output_parser.get_format_instructions() else: partial_vars[var] content if sub_prompts: main_prompt PipelinePromptTemplate( final_promptmain_prompt, pipeline_promptssub_prompts ) return main_prompt.partial(**partial_vars)这样做的好处是未来新增提示词时只需加个文件无需改动代码逻辑。实现思考步骤_step这一步的核心是调用大模型生成结构化动作并确保输出符合预期格式。def _step(self, chain, short_term_memory, long_term_memory, task_description, verbose): inputs { short_term_memory: _format_memory(short_term_memory), long_term_memory: _format_memory(long_term_memory) if long_term_memory else , } response for chunk in chain.stream(inputs): if verbose: color_print(chunk, cyan, end) response chunk try: action self.output_parser.parse(response) except Exception as e: action Action(nameFINISH, args{response: f解析失败{str(e)}}) return action, response辅助函数用于统一处理记忆内容def _format_memory(memory): if hasattr(memory, load_memory_variables): return memory.load_memory_variables({}).get(history, ) return str(memory)使用流式输出stream的好处是可以实时看到Agent的“内心独白”方便调试。工具定义赋予Agent动手能力接下来我们用 LangChain 的StructuredTool定义一系列实用工具。from langchain.tools import StructuredTool import os import pandas as pd def list_files(directory: str) - str: 列出目录下所有文件 try: files os.listdir(directory) return \n.join(files) except Exception as e: return f错误: {e} def inspect_excel(file_path: str, n: int 3) - str: 查看Excel前n行 df pd.read_csv(file_path) if file_path.endswith(.csv) else pd.read_excel(file_path) return f列名: {list(df.columns)}\n前{n}行:\n{df.head(n).to_string()} def search_web(query: str) - str: 模拟网络搜索 return f[模拟搜索结果] 关于 {query} 的相关信息... def generate_doc(content: str, filename: str): 生成文档 with open(filename, w, encodingutf-8) as f: f.write(content) return f文档已保存至 {filename}然后封装为Tool对象tools [ StructuredTool.from_function( funclist_files, nameListDirectory, description列出指定目录下的所有文件 ), StructuredTool.from_function( funcinspect_excel, nameInspectExcel, description查看Excel或CSV文件的结构和部分内容 ), StructuredTool.from_function( funcsearch_web, nameSearchWeb, description联网搜索相关信息 ), StructuredTool.from_function( funcgenerate_doc, nameGenerateDocument, description生成一份文档 ), StructuredTool.from_function( funclambda: None, nameFINISH, description任务已完成请使用此工具结束流程 ), ]注意FINISH工具虽然不做事但它是一个重要的“终止信号”告诉系统可以收工了。行动执行_exec_action根据模型输出的动作调用对应工具def _exec_action(self, action: Action) - str: tool self.tool_map.get(action.name) if not tool: return f❌ 错误未找到工具 {action.name} try: result tool.run(action.args) return str(result) except Exception as e: return f️ 工具执行出错: {type(e).__name__}: {str(e)}这里做了基本的异常捕获防止某个工具崩溃导致整个流程中断。运行示例让Agent真正动起来现在我们把所有模块组装起来跑一个真实案例。from langchain_openai import ChatOpenAI from langchain.schema.output_parser import PydanticOutputParser from langchain_community.vectorstores import Chroma from langchain.embeddings import OpenAIEmbeddings from langchain.schema import Document # 加载LLM llm ChatOpenAI(modelgpt-3.5-turbo, temperature0.3) # 输出解析器 parser PydanticOutputParser(pydantic_objectAction) # 向量数据库用于长期记忆 db Chroma.from_documents([Document(page_content)], OpenAIEmbeddings()) retriever db.as_retriever(k1) # 创建Agent agent SimpleAutoGPT( llmllm, toolstools, work_dir./data, prompts_path./prompts, main_prompt_filemain.json, output_parserparser, max_thought_steps8, memory_retrieverretriever ) # 交互式运行 def chat_with_agent(): while True: user_input input(: ) if user_input.lower() in [quit, exit]: break response agent.run(user_input, verboseTrue) print(f: {response}\n) chat_with_agent()假设输入“请分析 data/2023年8月销售记录.xlsx 中的销售额并生成一份总结报告”典型执行路径可能是调用ListDirectory发现文件存在使用InspectExcel查看结构确认有“金额”字段可能通过SearchWeb获取统计方法模拟最终调用GenerateDocument输出报告执行FINISH结束任务整个过程完全由Agent自主决策无需人工干预。常见问题与应对策略问题原因解决方案ModuleNotFoundError: No module named langchain_experimental缺少实验性模块pip install langchain-experimental工具调用参数错误模型输出不稳定使用强约束的PydanticOutputParserPrompt加载失败路径或编码问题统一使用绝对路径确保UTF-8编码GPT-3.5规划能力弱模型推理能力有限升级至GPT-4或优化Prompt引导记忆混乱上下文过长使用ConversationTokenBufferMemory控制长度特别提醒如果你发现Agent总是乱调工具大概率是Prompt不够清晰。越复杂的任务越需要精细的思维引导。写在最后这只是开始我们刚刚搭建的是一个最小可行的AutoGPT原型但它已经具备了智能体的核心要素✅ 自主任务分解能力✅ ReAct 循环机制✅ 模块化Prompt工程✅ 多工具集成架构✅ 短期长期记忆管理这不仅是技术练习更是对未来AI工作方式的一次预演。接下来你可以继续深化加入Python REPL让它能运行脚本分析数据引入Plan-and-Execute模式减少无效试探实现失败重试与容错机制使用GPT-4提升推理稳定性添加可视化执行轨迹日志完整项目代码已打包上传至CSDN资源站 下载地址包含-/prompts/所有Prompt模板-/data/示例数据集-main.py主程序入口-requirements.txt依赖列表如果你也在探索AI Agent的边界欢迎一起交流。毕竟未来的AI不是一个人造出来而是一群人共同进化出来的。我是同学小张专注AI实战分享下期见创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考