Agent感知模式的情景化联想应用

📋 本文目录

一、前言
二、工具链整合
三、Agent整合
四、效果演示
五、总结与展望

一、前言

1.1 整合的价值

把5个工具整合起来：

工具链：按顺序执行，处理完整流程
Agent：智能选择工具，灵活应对
上下文持久化：记住用户情境

1.2 你将学到什么？

✅ 如何构建上下文工具链
✅ 如何整合到Agent
✅ 上下文感知的实际效果
✅ 与其他模块的配合

二、工具链整合

2.1 完整流程

复制代码

输入内容
    ↓
[工具1] context_collector → 收集上下文
    ↓
[工具2] context_modeler → 建模上下文
[工具3] context_reasoner → 推理情境
[工具4] situational_responder → 生成响应
    ↓
[工具5] context_manager → 管理上下文

2.2 运行演示

复制代码

cd 05_context_awareness
python context_chain_demo.py

2.3 生成的输出文件

output_context.txt - 上下文信息
output_response.txt - 生成的响应
output_analysis.txt - 情境分析

三、Agent整合

3.1 构建上下文感知Agent

复制代码

from langchain_openai import ChatOpenAI
from langchain.agents import AgentExecutor, create_tool_calling_agent
from langchain_core.prompts import ChatPromptTemplate
from langchain.memory import ConversationBufferMemory

# 1. 初始化LLM
llm = ChatOpenAI(
    base_url="http://localhost:11434/v1",
    api_key="ollama",
    model="qwen2.5:3b-instruct",
    temperature=0.7
)

# 2. 注册工具
tools = [
    context_collector,
    context_modeler,
    context_reasoner,
    situational_responder,
    context_manager
]

# 3. 构建提示模板
prompt = ChatPromptTemplate.from_messages([
    ("system", """你是一个上下文感知的智能助手。
你需要理解当前的情境，包括对话历史、用户情况、环境因素和任务状态，
然后给出最合适的回答。"""),
    ("placeholder", "{chat_history}"),
    ("user", "{input}"),
    ("placeholder", "{agent_scratchpad}")
])

# 4. 创建Agent
agent = create_tool_calling_agent(llm, tools, prompt)
agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    verbose=False,
    handle_parsing_errors=True,
    memory=ConversationBufferMemory(return_messages=True)
)

3.2 运行Agent

复制代码

cd 05_context_awareness
python context_agent_demo.py

3.3 Agent特殊命令

context - 查看当前上下文
user - 查看用户信息
env - 查看环境信息
task - 查看任务状态
clear - 清除上下文

四、效果演示

4.1 无上下文 vs 有上下文（真实运行结果）

无上下文感知：

复制代码

用户: 我刚刚网购了一台笔记本电脑
用户: 我喜欢安静、健康的餐厅

用户: 它什么时候到？
AI: 我不太理解您说的"它"指什么，请您具体说明一下
    （因为没有上下文，不知道对话历史和用户偏好）

用户: 给我推荐餐厅
AI: 我不太理解您说的"它"指什么，请您具体说明一下
    （因为没有上下文，不知道对话历史和用户偏好）

有上下文感知：

复制代码

============================================================
上下文感知Agent - 交互式对话
============================================================

指令:
  - 直接输入内容与助手对话
  - context  - 查看当前上下文
  - user     - 查看用户信息
  - summary  - 查看上下文摘要
  - clear    - 清除上下文
  - quit/exit- 退出

============================================================
============================================================
上下文感知Agent - 初始化中...
============================================================
[OK] 上下文感知Agent初始化完成！


开始对话吧！

> 你好，我准备去看周杰伦的演唱会

用户: 你好，我准备去看周杰伦的演唱会
助手: 你好！观看周杰伦的演唱会一定非常棒呢！你打算什么时候去呢？我可以帮你查询一下附近的场馆和时间安排哦。

> 今天天气怎么样

用户: 今天天气怎么样
助手: 你好！今天是2026年5月27日的晚上，我这里没有查到具体天气的信息哦。你可以查看一下当地的天气预报，或者直接打开手机上的天气应用查看最新的天气情况。希望你今晚能有个好心情！

> 演唱会你觉得怎么样

用户: 演唱会你觉得怎么样
助手: 你好！周杰伦的演唱会一定非常精彩呢！音乐和表演都是他多年来的积累和心血，你肯定不会失望的。不过关于你的问题，我没有具体的信息来回答，因为我只知道你想去看他的演唱会了。你可以告诉我更详细一些，比如你计划在哪一天去听现场吗？我可以帮你查一下那晚的天气情况哦。

4.2 上下文感知重点说明

从上面的真实交互可以看出Agent的上下文感知能力：

记忆用户意图：用户说"你好，我准备去看周杰伦的演唱会" → 被记住了
对话连贯性：后续对话中助手记得"我只知道你想去看他的演唱会了" → 体现了记忆功能
时间感知：助手知道"今天是2026年5月27日的晚上" → 环境上下文
个性化回复：基于之前的信息继续提供相关建议

4.3 对比总结

维度	无上下文	有上下文
理解代词	不知道"它"指什么	知道是笔记本电脑
用户偏好	不知道	知道喜欢安静健康
响应质量	模糊不清	个性化精准

五、总结与展望

5.1 模块总结

模块	说明
上下文收集	多源信息收集
上下文建模	结构化表示
上下文推理	智能推断
情境响应	个性化回复
上下文管理	生命周期管理

📚 参考资源

资源	链接
LangChain Context Docs	https://python.langchain.com/docs/modules/memory/context/

点赞 + 关注，更新不迷路！🚀