黑马大模型RAG与Agent智能体实战教程LangChain提示词——53、Agent智能体——Agent项目Agent创建（react_agent.py）

Dontla2026-03-26 14:09

教程：https://www.bilibili.com/video/BV1yjz5BLEoY

代码：https://github.com/shangxiang0907/HeiMa-AI-LLM-RAG-Agent-Dev

云开发平台：https://hzh.sealos.run

文章目录

Agent智能体-12、[Agent项目]Agent创建

介绍

→提示词：我现在要实现@zhisaotong_agent/PROJECT_OVERVIEW.md 中的react_agent.py，下面是一个已有实现，指出它在生产环境下的不足

py 复制代码 
from langchain.agents import create_agent
from model.factory import chat_model
from utils.prompt_loader import load_system_prompts
from agent.tools.agent_tools import (rag_summarize, get_weather, get_user_location, get_user_id,
                                     get_current_month, fetch_external_data, fill_context_for_report)
from agent.tools.middleware import monitor_tool, log_before_model, report_prompt_switch


class ReactAgent:
    def __init__(self):
        self.agent = create_agent(
            model=chat_model,
            system_prompt=load_system_prompts(),
            tools=[rag_summarize, get_weather, get_user_location, get_user_id,
                   get_current_month, fetch_external_data, fill_context_for_report],
            middleware=[monitor_tool, log_before_model, report_prompt_switch],
        )

    def execute_stream(self, query: str):
        input_dict = {
            "messages": [
                {"role": "user", "content": query},
            ]
        }

        # 第三个参数context就是上下文runtime中的信息，就是我们做提示词切换的标记
        for chunk in self.agent.stream(input_dict, stream_mode="values", context={"report": False}):
            latest_message = chunk["messages"][-1]
            if latest_message.content:
                yield latest_message.content.strip() + "\n"


if __name__ == '__main__':
    agent = ReactAgent()

    for chunk in agent.execute_stream("给我生成我的使用报告"):
        print(chunk, end="", flush=True)

←AI回复

结合 PROJECT_OVERVIEW.md 里「toC 客服 + RAG + 使用报告」的定位，以及你们 middleware.py 里用 runtime.context["report"] 做场景切换的设计，这段 ReactAgent 在生产里主要会有下面这些不足（按影响面大致排序）。

1. 对话形态与产品目标不匹配

execute_stream 每次只构造一条 user 消息，没有会话历史、没有 session_id、没有把「当前登录用户 / 设备」等绑定进调用链。真实客服需要多轮澄清、追问和上下文延续，否则只能当「单次问答脚本」用，和概览里的全生命周期服务差距很大。

2. 流式输出语义过窄，容易丢内容或表现异常

只在对 latest_message.content 为真时 yield，会漏掉：工具调用阶段（无文本 content）、仅含 tool_calls 的 assistant 消息、多模态/结构化 content（list/dict）、以及分片流式里「空片段再拼字」的常见情况。

另外对每个片段做 strip() 再统一加 \n，可能破坏代码块/缩进，也可能和模型自带的换行不一致，造成前端展示抖动。

3. stream_mode="values" 的生产代价

每次 chunk 都是完整 state（含整条 messages），对话略长时 CPU/内存和网络压力会明显上升；高并发下更适合按产品需求选用更细粒度的 stream 模式，或在应用层做增量 diff，而不是全量 state 反复传。

4. 缺少请求级治理：超时、取消、重试、限流

没有对单次 stream 的超时与取消（用户离开页面、网关断开），也没有对模型/供应商错误的分层处理（429、5xx、内容审核）。生产上通常要把异常转成可展示的错误码/文案，并配合重试与熔断，避免拖垮实例。

5. context 与多租户隔离

虽然每次调用传了 context={"report": False}，但生产上要明确：同一次请求内 从 False 到工具里改成 True 是合理的；不同请求之间 必须保证不会共享同一份可变 context（取决于框架是否在内部复用对象）。更稳妥的做法是每请求新建 dict，并在请求结束时视为废弃；若有长连接/WebSocket，还要定义何时重置 report 标记。

6. 可观测性不足

中间件里已有工具/模型前日志，但 execute_stream 没有把 trace_id / request_id / user_id 贯进日志与（如有）指标；排障时很难把一次用户会话和下游 RAG、工具调用串起来。

7. 安全与合规

缺少对输入长度、频率的限制；工具如 get_user_id、fetch_external_data 若只依赖模型「自觉」带参数，存在被诱导越权访问的风险。生产上通常要把「当前用户身份」从鉴权层注入，工具只认服务端上下文，而不是纯靠 LLM 填参数。

8. 与工程化清单的缺口

概览里提到配置、日志模块等：该类没有暴露配置项（模型名、温度、max_tokens）、没有健康检查/预热、没有对接 app.py 的统一接口（同步/异步、SSE 格式）。若全局复用 chat_model，还要确认厂商 SDK 在多线程/多协程下的并发安全策略。

9. 依赖与 API 稳定性

create_agent、stream(..., stream_mode="values", context=...) 与 LangChain/LangGraph 版本强相关；生产应锁版本并封装一层，避免升级后行为静默变化。

小结 ：作为本地 demo 足够，但作为 toC 生产智能体，核心缺口是多轮会话与身份绑定 、流式协议与错误/取消治理 、可观测与上下文隔离 ，以及工具调用的授权模型 。若你接下来要实现正式的 react_agent.py，可以按上述几条列成接口需求（入参、历史消息、context 结构、SSE 事件类型）再落代码。

→提示词：但是我不想改变对外接口，请在此前提下帮我实现代码

←AI回复

已在仓库中新增 zhisaotong_agent/agent/react_agent.py，在不改动对外约定的前提下实现逻辑，说明如下。

对外接口（保持不变）

  • ReactAgent()：仍无必填构造参数。
  • execute_stream(self, query: str) ：仍只接收用户问题；仍按「有文本则 strip() 后加 \n」逐段 yield。

实现上与原先示例的对应关系

  1. 包内导入 ：使用 zhisaotong_agent.*（与 middleware.py、factory.py 一致），模型通过 get_chat_model() 获取（工厂未导出名为 chat_model 的全局变量）。
  2. 工具列表 ：使用 agent_tools.TOOLS_LIST，顺序与原先手写列表一致，避免以后改工具时两处不同步。
  3. context ：每次 execute_stream 新建 {"report": False}，避免多请求并发时 report 标记互相污染（不改变调用方式，仍是内部 stream(..., context=...)）。
  4. 健壮性（不改变方法签名） ：当 latest_message.content 不是 str（例如部分模型的块列表）时，用 str(content).strip() 再输出，避免原写法对非字符串 content 调用 .strip() 报错。

自检

  • 已通过 py_compile 与 from zhisaotong_agent.agent.react_agent import ReactAgent 导入测试。
  • 若在本机执行 python -m zhisaotong_agent.agent.react_agent，仍需配置好 DashScope / RAG 等环境（与调用 get_chat_model()、rag_summarize 时一致）。

若你希望 from zhisaotong_agent.agent import ReactAgent 也能用，可以说一声，再在 agent/__init__.py 里补一行导出即可（不影响现有接口）。

代码

react_agent.py

py 复制代码 
"""
ReAct 智能体封装：组合模型、系统提示、业务工具与中间件，并提供流式执行入口。

对外保持稳定：
- ``ReactAgent()``：无必填构造参数；
- ``execute_stream(query: str)``：入参仅为用户问题字符串，按块产出字符串（与原有 strip + 换行语义一致）。
"""

from __future__ import annotations

from typing import Any, Iterator

from langchain.agents import create_agent

from zhisaotong_agent.agent.tools.agent_tools import TOOLS_LIST
from zhisaotong_agent.agent.tools.middleware import (
    log_before_model,
    monitor_tool,
    report_prompt_switch,
)
from zhisaotong_agent.model.factory import get_chat_model
from zhisaotong_agent.utils.api_key import init_dashscope_api_key
from zhisaotong_agent.utils.prompt_loader import load_system_prompts

__all__ = ["ReactAgent"]


class ReactAgent:
    """基于 LangChain ``create_agent`` 的 ReAct 封装，供应用入口（如 app.py）调用。"""

    def __init__(self) -> None:
        self.agent = create_agent(
            model=get_chat_model(),
            system_prompt=load_system_prompts(),
            tools=TOOLS_LIST,
            middleware=[monitor_tool, log_before_model, report_prompt_switch],
        )

    def execute_stream(self, query: str) -> Iterator[str]:
        input_dict: dict[str, Any] = {
            "messages": [
                {"role": "user", "content": query},
            ]
        }
        # 与原先一致：context 承载 runtime 标记；每次请求新建 dict，避免并发下 report 状态串扰
        runtime_context: dict[str, Any] = {"report": False}

        for chunk in self.agent.stream(
            input_dict,
            stream_mode="values",
            context=runtime_context,
        ):
            messages = chunk.get("messages")
            if not messages:
                continue
            latest_message = messages[-1]
            content = getattr(latest_message, "content", None)
            if not content:
                continue
            if isinstance(content, str):
                text = content.strip()
                if not text:
                    continue
                yield text + "\n"
            else:
                # 非字符串 content（如部分模型的块列表）时避免 .strip() 抛错，仍保持「有则输出」
                text = str(content).strip()
                if text:
                    yield text + "\n"


if __name__ == "__main__":
    """
    自测：在项目根目录运行 ``python -m zhisaotong_agent.agent.react_agent``。
    与 ``model.factory``、``rag.rag_service`` 等模块一致：仅在脚本入口加载 .env 并校验 Key。

    覆盖两条业务路径：
    - 非报告：常规问答，``runtime.context['report']`` 保持 False，``report_prompt_switch`` 使用系统提示词；
    - 生成报告：触发 ``fill_context_for_report`` 后切换报告提示词并完成报告链路。
    """
    _ok = init_dashscope_api_key()
    if not _ok:
        raise SystemExit("DASHSCOPE_API_KEY 未正确配置，无法运行 ReactAgent 自测。")

    _agent = ReactAgent()

    def _run_demo(_title: str, _query: str) -> None:
        print(f"\n{'=' * 60}\n{_title}\n{'=' * 60}\n", flush=True)
        for _chunk in _agent.execute_stream(_query):
            print(_chunk, end="", flush=True)
        print("\n", flush=True)

    _run_demo(
        "自测 1：非报告场景（常规问答；不应依赖「使用报告」专用提示词链路）",
        "你好，扫地机器人尘盒一般多久清理一次？请简短回答。",
    )
    _run_demo(
        "自测 2：报告场景（应走 fill_context_for_report / 外部数据等报告生成逻辑）",
        "给我生成我的使用报告",
    )

运行

bash 复制代码 
python -m zhisaotong_agent.agent.react_agent

结果

复制代码 
2026-03-25 06:42:18,572 - zhisaotong_agent.utils.api_key - INFO - api_key.py:49 - DashScope API Key 已成功加载并设置到环境变量。

============================================================
自测 1：非报告场景（常规问答；不应依赖「使用报告」专用提示词链路）
============================================================

你好，扫地机器人尘盒一般多久清理一次？请简短回答。
2026-03-25 06:42:18,759 - zhisaotong_agent.agent.tools.middleware - INFO - middleware.py:150 - [log_before_model]即将调用模型，带有1条消息。
2026-03-25 06:42:22,511 - zhisaotong_agent.agent.tools.middleware - INFO - middleware.py:108 - [tool monitor]执行工具：rag_summarize
2026-03-25 06:42:22,511 - zhisaotong_agent.agent.tools.middleware - INFO - middleware.py:109 - [tool monitor]传入参数：{'query': '扫地机器人尘盒清理频率'}
2026-03-25 06:42:22,715 - zhisaotong_agent.rag.rag_service - INFO - rag_service.py:132 - RagSummarizeService 初始化完成。
2026-03-25 06:42:23,104 - zhisaotong_agent.rag.rag_service - INFO - rag_service.py:153 - 向量检索完成，query='扫地机器人尘盒清理频率', 命中文档数=3
2026-03-25 06:42:29,195 - zhisaotong_agent.rag.rag_service - INFO - rag_service.py:197 - RAG 总结调用成功，query='扫地机器人尘盒清理频率', answer_len=65
2026-03-25 06:42:29,195 - zhisaotong_agent.agent.tools.middleware - INFO - middleware.py:113 - [tool monitor]工具rag_summarize调用成功
普通家庭建议每2-3天清理一次尘盒，宠物家庭或大户型建议每天清理；每次清扫完成后应及时倾倒尘盒垃圾，避免满溢、滋生细菌或产生异味。
2026-03-25 06:42:29,196 - zhisaotong_agent.agent.tools.middleware - INFO - middleware.py:150 - [log_before_model]即将调用模型，带有3条消息。
普通家庭建议每2-3天清理一次尘盒，宠物家庭或大户型建议每天清理。每次清扫完成后应及时倾倒，避免满溢、滋生细菌或产生异味。



============================================================
自测 2：报告场景（应走 fill_context_for_report / 外部数据等报告生成逻辑）
============================================================

给我生成我的使用报告
2026-03-25 06:42:32,023 - zhisaotong_agent.agent.tools.middleware - INFO - middleware.py:150 - [log_before_model]即将调用模型，带有1条消息。
我需要为您生成个人使用报告。首先，我需要获取您的用户ID和报告月份，然后调用相关工具来生成报告。
2026-03-25 06:42:34,632 - zhisaotong_agent.agent.tools.middleware - INFO - middleware.py:108 - [tool monitor]执行工具：fill_context_for_report
2026-03-25 06:42:34,633 - zhisaotong_agent.agent.tools.middleware - INFO - middleware.py:109 - [tool monitor]传入参数：{}
2026-03-25 06:42:34,633 - zhisaotong_agent.agent.tools.middleware - INFO - middleware.py:113 - [tool monitor]工具fill_context_for_report调用成功
fill_context_for_report已调用
2026-03-25 06:42:34,636 - zhisaotong_agent.agent.tools.middleware - INFO - middleware.py:150 - [log_before_model]即将调用模型，带有3条消息。
我需要获取您的用户ID和当前月份，以便生成您的使用报告。
2026-03-25 06:42:37,526 - zhisaotong_agent.agent.tools.middleware - INFO - middleware.py:108 - [tool monitor]执行工具：get_user_id
2026-03-25 06:42:37,526 - zhisaotong_agent.agent.tools.middleware - INFO - middleware.py:109 - [tool monitor]传入参数：{}
2026-03-25 06:42:37,526 - zhisaotong_agent.agent.tools.middleware - INFO - middleware.py:113 - [tool monitor]工具get_user_id调用成功
1008
2026-03-25 06:42:37,527 - zhisaotong_agent.agent.tools.middleware - INFO - middleware.py:150 - [log_before_model]即将调用模型，带有5条消息。
2026-03-25 06:42:38,759 - zhisaotong_agent.agent.tools.middleware - INFO - middleware.py:108 - [tool monitor]执行工具：get_current_month
2026-03-25 06:42:38,760 - zhisaotong_agent.agent.tools.middleware - INFO - middleware.py:109 - [tool monitor]传入参数：{}
2026-03-25 06:42:38,760 - zhisaotong_agent.agent.tools.middleware - INFO - middleware.py:113 - [tool monitor]工具get_current_month调用成功
2025-04
2026-03-25 06:42:38,761 - zhisaotong_agent.agent.tools.middleware - INFO - middleware.py:150 - [log_before_model]即将调用模型，带有7条消息。
现在我已获取到您的用户ID(1008)和当前月份(2025-04)，接下来我将查询您在这个月的使用记录。
2026-03-25 06:42:43,144 - zhisaotong_agent.agent.tools.middleware - INFO - middleware.py:108 - [tool monitor]执行工具：fetch_external_data
2026-03-25 06:42:43,144 - zhisaotong_agent.agent.tools.middleware - INFO - middleware.py:109 - [tool monitor]传入参数：{'user_id': '1008', 'month': '2025-04'}
2026-03-25 06:42:43,147 - zhisaotong_agent.agent.tools.agent_tools - INFO - agent_tools.py:121 - 外部数据已加载，路径=/home/devbox/project/zhisaotong_agent/data/external/records.csv，用户数=10
2026-03-25 06:42:43,148 - zhisaotong_agent.agent.tools.middleware - INFO - middleware.py:113 - [tool monitor]工具fetch_external_data调用成功
特征: 100㎡三居 | 三口之家 | 大理石
效率: 覆盖率:90%\n避障成功率:95%
耗材: 主刷寿命:剩余70天\n水箱加水:每日1次
对比: 大理石地面清洁效果优于同类10%
2026-03-25 06:42:43,149 - zhisaotong_agent.agent.tools.middleware - INFO - middleware.py:150 - [log_before_model]即将调用模型，带有9条消息。
为了提供更专业的保养建议，我需要查询一些关于扫地机器人维护的专业知识。
2026-03-25 06:42:46,024 - zhisaotong_agent.agent.tools.middleware - INFO - middleware.py:108 - [tool monitor]执行工具：rag_summarize
2026-03-25 06:42:46,024 - zhisaotong_agent.agent.tools.middleware - INFO - middleware.py:109 - [tool monitor]传入参数：{'query': '大理石地面扫地机器人保养建议'}
2026-03-25 06:42:46,274 - zhisaotong_agent.rag.rag_service - INFO - rag_service.py:153 - 向量检索完成，query='大理石地面扫地机器人保养建议', 命中文档数=3
2026-03-25 06:42:48,214 - zhisaotong_agent.rag.rag_service - INFO - rag_service.py:197 - RAG 总结调用成功，query='大理石地面扫地机器人保养建议', answer_len=51
2026-03-25 06:42:48,214 - zhisaotong_agent.agent.tools.middleware - INFO - middleware.py:113 - [tool monitor]工具rag_summarize调用成功
在大理石地面使用扫地机器人时，拖地后应及时清理机器人底部水渍，并每月对拖布支架进行除垢，防止水垢附着。
2026-03-25 06:42:48,215 - zhisaotong_agent.agent.tools.middleware - INFO - middleware.py:150 - [log_before_model]即将调用模型，带有11条消息。
2026-03-25 06:42:52,138 - zhisaotong_agent.agent.tools.middleware - INFO - middleware.py:108 - [tool monitor]执行工具：rag_summarize
2026-03-25 06:42:52,138 - zhisaotong_agent.agent.tools.middleware - INFO - middleware.py:109 - [tool monitor]传入参数：{'query': '扫地机器人主刷更换周期和保养方法'}
2026-03-25 06:42:52,409 - zhisaotong_agent.rag.rag_service - INFO - rag_service.py:153 - 向量检索完成，query='扫地机器人主刷更换周期和保养方法', 命中文档数=3
2026-03-25 06:42:59,165 - zhisaotong_agent.rag.rag_service - INFO - rag_service.py:197 - RAG 总结调用成功，query='扫地机器人主刷更换周期和保养方法', answer_len=190
2026-03-25 06:42:59,165 - zhisaotong_agent.agent.tools.middleware - INFO - middleware.py:113 - [tool monitor]工具rag_summarize调用成功
主刷更换周期和保养方法如下：  
- 宠物家庭环境下，耗材更换周期缩短50%，每次清扫后需全面清理主刷，避免毛发结块。  
- 每周拆卸清洗主刷（非防水款用干布擦拭），晾干后安装；长毛地毯使用后应立即清理主刷上的纤维，防止缠绕硬化。  
- 每月检查主刷电机工作状态，确保无异常发热或异响，并拆解吸口组件清理内部杂物。  
- 清理时注意保护滚刷两端轴承，避免进水、进灰导致卡顿。
2026-03-25 06:42:59,166 - zhisaotong_agent.agent.tools.middleware - INFO - middleware.py:150 - [log_before_model]即将调用模型，带有13条消息。
# 黑马程序员扫地机器人使用情况报告与保养建议

## 使用情况分析

根据您2025年4月的使用数据，您的扫地机器人在100㎡三居室、三口之家、大理石地面环境中表现如下：

- **清洁效率**：覆盖率高达90%，避障成功率达到95%，表明机器人能够有效覆盖大部分区域并成功避开障碍物
- **耗材状态**：主刷剩余寿命约70天，水箱需要每日加水一次
- **清洁效果**：在大理石地面上的清洁效果优于同类用户10%，说明您对机器人的使用和维护较为得当

## 个性化保养建议

### 针对大理石地面环境
- 每次拖地完成后，请及时清理机器人底部残留的水渍，防止水渍在大理石表面留下痕迹
- 建议每月对拖布支架进行除垢处理，避免水垢附着影响拖地效果

### 主刷维护建议
- 根据您家中有三口人的情况（非宠物家庭），主刷可按正常周期更换，当前剩余70天寿命属于正常范围
- 建议每周拆卸清洗主刷，由于您的地面为大理石（硬质地面），可使用干布擦拭即可
- 每月检查主刷电机工作状态，确保无异常发热或异响
- 清理主刷时注意保护滚刷两端轴承，避免进水、进灰导致卡顿

### 提升使用效率建议
- 您的覆盖率已达90%，仍有提升空间。建议定期清理机器人传感器，保持其灵敏度，可进一步提高覆盖率
- 考虑到您每日需要加水一次，建议检查水箱是否有轻微渗漏，或者考虑升级至大容量水箱配件

总体而言，您的扫地机器人使用状况良好，清洁效果优秀。通过上述针对性的保养措施，可以延长设备使用寿命并维持高效清洁性能。
相关推荐
云和数据.ChenGuang5 小时前
langchain安装过程中的故障bug
人工智能·langchain·bug·langsmith·langchain-core
zbdx不知名菜鸡6 小时前
langchain与langgraph 有什么区别？
人工智能·深度学习·langchain·langgraph
怕浪猫7 小时前
第5章 输出解析：让模型返回结构化数据
langchain·llm·ai编程
链上杯子17 小时前
《2026 LangChain零基础入门：用AI应用框架快速搭建智能助手》第8课（完结篇）：小项目实战 + 部署 —— 构建网页版个人知识库 AI 助手
人工智能·langchain
飞Link1 天前
LangChain Core 架构深度剖析与 LCEL 高阶实战
人工智能·架构·langchain
沉下去，苦磨练！1 天前
langchain调用大模型
langchain
于过1 天前
AgentMiddleware is All You Need
人工智能·langchain·llm
勇往直前plus1 天前
大模型开发手记（十三）：langchain skills（下）：构建skills架构agent实战
langchain
热门推荐
01GitHub 镜像站点02Qwen3.5 开源全解析：从 0.8B 到 397B，代际升级 + 全场景选型指南032026年3月AI领域大事件：DeepSeek引领开源风暴04围棋-html版本05班级宠物园部署指南06小黑课堂计算机二级WPSoffice题库软件下载安装教程（2026年3月最新版）07UV安装并设置国内源08OpenClaw 使用和管理 MCP 完全指南09“wsl --install -d Ubuntu-22.04”下载慢，中国地区离线安装 Ubuntu 22.04 WSL方法（亲测2025年5月6日）10OpenClaw Control UI安全上下文访问配置