模块二，Agent个性化模式的四个思考

📋 本文目录

• 一、前言

• 二、工具概览

• 三、工具详解

  • [3.1 用户画像提取器](#3.1 用户画像提取器)

  • [3.2 风格识别器](#3.2 风格识别器)

  • [3.3 响应个性化器](#3.3 响应个性化器)

  • [3.4 画像管理器](#3.4 画像管理器)

• 四、实战案例

• 五、工具链整合

• 六、总结

---

一、前言

1.1 工具化的个性化

个性化的核心是"记住"用户，然后根据用户的偏好调整响应。我们把这个过程拆成4个工具，每个工具负责一个环节。

1.2 你将学到什么？

• ✅ 从对话中提取用户画像

• ✅ 识别用户的沟通风格

• ✅ 根据偏好个性化响应

• ✅ 管理用户画像数据

---

二、工具概览

2.1 4个工具

工具	功能
用户画像提取器	从对话中提取兴趣、风格等
风格识别器	识别用户喜欢的沟通方式
响应个性化器	根据画像调整回复内容
画像管理器	管理和导出用户画像

2.2 文件结构

09_personalization/
├── shared_profile_store.py      # 共享存储
├── tool_1_profile_extractor.py
├── tool_2_style_recognizer.py
├── tool_3_response_personalizer.py
├── tool_4_profile_manager.py
├── personalization_demo.py      # 工具链演示
├── personalization_agent.py     # Agent演示
└── sample_conversations.json    # 示例数据

---

三、工具详解

3.1 用户画像提取器

功能说明：从用户的对话文本中，提取兴趣爱好、沟通风格、专业领域等信息，用来构建用户画像。

3.2 完整代码

from langchain.tools import tool
import sys
import os

sys.path.insert(0, os.path.dirname(os.path.abspath(__file__)))
from shared_profile_store import update_preference, get_profile, add_comparison


@tool
def profile_extractor(conversation_text: str, auto_update: bool = True):
    """用户画像提取器 - 从对话中提取用户特征和偏好

    参数:
        conversation_text: 对话文本内容
        auto_update: 是否自动更新用户画像

    返回:
        提取的用户画像摘要
    """
    from langchain_openai import ChatOpenAI
    from langchain_core.prompts import ChatPromptTemplate

    # 初始化LLM
    try:
        llm = ChatOpenAI(
            base_url="http://localhost:11434/v1",
            api_key="ollama",
            model="qwen2.5:3b-instruct",
            temperature=0.3
        )
    except Exception as e:
        return f"[ERROR] LLM初始化失败: {e}"

    # 构建提示
    prompt = ChatPromptTemplate.from_messages([
        ("system", """你是一个用户画像分析专家。从对话中提取以下信息：

请分析对话，提取用户的特征，按以下格式输出：

【兴趣偏好】
- 兴趣1: 描述
- 兴趣2: 描述

【沟通风格】
- 喜欢简洁回答/喜欢详细解释: 是/否
- 喜欢正式风格/喜欢随意风格: 是/否

【专业领域】
- 领域1: 描述
- 领域2: 描述

请只提取明确提到的信息，不要添加推测。"""),
        ("user", "对话内容：{conversation_text}")
    ])

    chain = prompt | llm
    result = chain.invoke({"conversation_text": conversation_text})

    # 简单解析并更新（模拟）
    extracted_info = {
        "conversation_length": len(conversation_text),
        "extraction_success": True
    }

    if auto_update:
        # 简单关键词匹配更新偏好
        if "编程" in conversation_text or "代码" in conversation_text:
            update_preference("interest_tech", True)
        if "简洁" in conversation_text or "简单" in conversation_text:
            update_preference("style_concise", True)
        if "详细" in conversation_text or "具体" in conversation_text:
            update_preference("style_detailed", True)

    output = []
    output.append("=" * 80)
    output.append("【用户画像提取器】")
    output.append("=" * 80)
    output.append(f"\n输入对话长度: {len(conversation_text)} 字符")
    output.append("\n" + "=" * 80)
    output.append("【提取结果】")
    output.append("=" * 80)
    output.append(result.content)
    output.append("\n" + "=" * 80)
    output.append("[TIP] 提取的信息可用于构建用户画像")
    output.append("=" * 80)

    return "\n".join(output)

3.3 使用示例

test_conversation = """
用户：你好，我是一个程序员，最近在学Python编程。
助手：你好！很高兴帮助你学习Python。
用户：我喜欢简洁明了的解释，不要太啰嗦。
助手：好的，我会尽量简洁地回答你的问题。
"""
result = profile_extractor.invoke({"conversation_text": test_conversation, "auto_update": True})
print(result)

---

3.2 风格识别器

功能说明：分析用户的消息，识别用户喜欢的沟通风格：是简洁还是详细？是正式还是随意？是友好还是严肃？

完整代码：

from langchain.tools import tool
import sys
import os

sys.path.insert(0, os.path.dirname(os.path.abspath(__file__)))
from shared_profile_store import update_style, get_profile


@tool
def style_recognizer(user_messages: str, auto_update: bool = True):
    """风格识别器 - 识别用户偏好的交互风格

    参数:
        user_messages: 用户的消息历史（多行）
        auto_update: 是否自动更新用户风格

    返回:
        识别的风格摘要
    """
    output = []
    output.append("=" * 80)
    output.append("【风格识别器】")
    output.append("=" * 80)

    # 简单的关键词匹配识别风格
    messages_lower = user_messages.lower()

    recognized_styles = {
        "concise": False,
        "detailed": False,
        "formal": False,
        "casual": False,
        "technical": False,
        "friendly": False
    }

    # 简洁风格关键词
    if any(keyword in messages_lower for keyword in ["简洁", "简单", "短一点", "不要啰嗦", "别太长"]):
        recognized_styles["concise"] = True

    # 详细风格关键词
    if any(keyword in messages_lower for keyword in ["详细", "具体", "多讲一点", "解释清楚"]):
        recognized_styles["detailed"] = True

    # 正式/随意风格
    if any(keyword in messages_lower for keyword in ["您好", "请", "谢谢", "请问"]):
        recognized_styles["formal"] = True
    if any(keyword in messages_lower for keyword in ["嘿", "嗨", "嘛", "啦", "哦"]):
        recognized_styles["casual"] = True

    # 技术风格
    if any(keyword in messages_lower for keyword in ["代码", "编程", "技术", "开发", "算法"]):
        recognized_styles["technical"] = True

    # 友好风格
    if any(keyword in messages_lower for keyword in ["谢谢", "感谢", "好的", "很棒", "厉害"]):
        recognized_styles["friendly"] = True

    if auto_update:
        # 更新风格到用户画像
        for style_key, value in recognized_styles.items():
            if value:
                update_style(style_key, True)

    output.append(f"\n分析消息长度: {len(user_messages)} 字符")
    output.append("\n" + "=" * 80)
    output.append("【识别的风格】")
    output.append("=" * 80)

    style_names = {
        "concise": "偏好简洁回答",
        "detailed": "偏好详细解释",
        "formal": "沟通风格较正式",
        "casual": "沟通风格较随意",
        "technical": "关注技术内容",
        "friendly": "语气友好"
    }

    any_recognized = False
    for key, name in style_names.items():
        if recognized_styles[key]:
            output.append(f"  - {name}")
            any_recognized = True

    if not any_recognized:
        output.append("  暂未识别到明显风格特征")

    output.append("\n" + "=" * 80)
    output.append("[TIP] 识别的风格可用于个性化响应")
    output.append("=" * 80)

    return "\n".join(output)

4.3 使用示例

test_messages = """
你好，请帮我解释一下Python的装饰器，希望能详细一点，谢谢！
"""
result = style_recognizer.invoke({"user_messages": test_messages, "auto_update": True})
print(result)

---

3.3 响应个性化器

功能说明：拿到标准响应后，根据用户画像进行个性化调整：如果用户喜欢简洁，就缩短回复；如果用户喜欢友好，就添加友好语气。

完整代码：

from langchain.tools import tool
import sys
import os

sys.path.insert(0, os.path.dirname(os.path.abspath(__file__)))
from shared_profile_store import get_profile, add_interaction


@tool
def response_personalizer(base_response: str, use_profile: bool = True):
    """响应个性化器 - 基于用户画像个性化响应

    参数:
        base_response: 原始的标准响应
        use_profile: 是否使用用户画像进行个性化

    返回:
        个性化后的响应
    """
    profile = get_profile() if use_profile else {}

    output = []
    output.append("=" * 80)
    output.append("【响应个性化器】")
    output.append("=" * 80)
    output.append(f"\n是否使用画像: {'是' if use_profile else '否'}")

    if not use_profile:
        output.append("\n" + "=" * 80)
        output.append("【标准响应（无个性化）】")
        output.append("=" * 80)
        output.append(base_response)
        output.append("\n" + "=" * 80)
        output.append("[TIP] 使用用户画像可以让响应更贴心")
        output.append("=" * 80)
        return "\n".join(output)

    # 获取用户风格
    style = profile.get("style", {})
    preferences = profile.get("preferences", {})

    personalized_response = base_response

    # 应用风格调整
    if style.get("concise"):
        # 简洁化处理
        sentences = base_response.split("。")
        if len(sentences) > 2:
            personalized_response = "。".join(sentences[:2]) + "。"

    if style.get("friendly"):
        # 添加友好语气
        if not personalized_response.startswith("好的") and not personalized_response.startswith("当然"):
            personalized_response = "好的！" + personalized_response

    if style.get("technical"):
        # 技术风格，可以添加更多技术细节
        pass

    output.append("\n" + "=" * 80)
    output.append("【标准响应】")
    output.append("=" * 80)
    output.append(base_response)

    output.append("\n" + "=" * 80)
    output.append("【个性化响应】")
    output.append("=" * 80)
    output.append(personalized_response)

    # 显示应用的调整
    output.append("\n" + "=" * 80)
    output.append("【应用的个性化调整】")
    output.append("=" * 80)
    applied = []
    if style.get("concise"):
        applied.append("- 简洁化处理")
    if style.get("friendly"):
        applied.append("- 增加友好语气")
    if style.get("technical"):
        applied.append("- 技术风格适配")

    if applied:
        for item in applied:
            output.append(item)
    else:
        output.append("无特定调整")

    output.append("\n" + "=" * 80)
    output.append("[TIP] 个性化让AI更懂用户")
    output.append("=" * 80)

    # 记录交互
    add_interaction({
        "type": "personalization",
        "base_response": base_response,
        "personalized_response": personalized_response,
        "profile_used": use_profile
    })

    return "\n".join(output)

5.3 使用示例

test_response = """
Python装饰器是一种设计模式，用于在不修改原函数代码的情况下，给函数添加额外功能。
装饰器的语法是使用@符号放在函数定义上方。
装饰器本质上是一个接受函数作为参数并返回新函数的高阶函数。
"""
result = response_personalizer.invoke({"base_response": test_response, "use_profile": True})
print(result)

---

3.4 画像管理器

功能说明：管理用户画像：查看详情、获取摘要、清空数据、导出数据、手动更新偏好。

完整代码：

from langchain.tools import tool
import sys
import os
import json

sys.path.insert(0, os.path.dirname(os.path.abspath(__file__)))
from shared_profile_store import (
    get_profile, get_all_comparisons, get_interaction_history,
    clear_profile_store, format_profile_summary, update_preference, update_style
)


@tool
def profile_manager(command: str, data: dict = None):
    """画像管理器 - 管理和更新用户画像

    参数:
        command: 命令类型 (view/summary/clear/export/update)
        data: 相关数据（用于update命令）

    返回:
        操作结果
    """
    if command == "view":
        # 查看完整画像
        profile = get_profile()
        output = ["=" * 80, "【用户画像详情】", "=" * 80]
        output.append(f"\n用户ID: {profile['user_id']}")
        output.append(f"创建时间: {profile['created_at']}")
        output.append(f"更新时间: {profile['updated_at']}")

        preferences = profile["preferences"]
        output.append(f"\n偏好设置 ({len(preferences)} 项):")
        if preferences:
            for key, value in preferences.items():
                output.append(f"  - {key}: {value}")
        else:
            output.append("  (暂无偏好设置)")

        style = profile["style"]
        output.append(f"\n风格偏好 ({len(style)} 项):")
        if style:
            for key, value in style.items():
                output.append(f"  - {key}: {value}")
        else:
            output.append("  (暂无风格偏好)")

        output.append("\n" + "=" * 80)
        return "\n".join(output)

    elif command == "summary":
        # 获取摘要
        return format_profile_summary()

    elif command == "clear":
        # 清空
        clear_profile_store()
        return "[OK] 已清空用户画像"

    elif command == "export":
        # 导出
        data_to_export = {
            "profile": get_profile(),
            "comparisons": get_all_comparisons(),
            "interactions": get_interaction_history()
        }
        output_file = "output_user_profiles.json"
        with open(output_file, "w", encoding="utf-8") as f:
            json.dump(data_to_export, f, ensure_ascii=False, indent=2)
        return f"[OK] 已导出到 {output_file}"

    elif command == "update" and data:
        # 更新画像
        if "preference" in data:
            key = data["preference"]["key"]
            value = data["preference"]["value"]
            update_preference(key, value)
            return f"[OK] 已更新偏好: {key} = {value}"
        if "style" in data:
            key = data["style"]["key"]
            value = data["style"]["value"]
            update_style(key, value)
            return f"[OK] 已更新风格: {key} = {value}"
        return "[ERROR] 无效的更新数据"

    else:
        return f"[ERROR] 未知命令: {command}\n可用命令: view/summary/clear/export/update"

6.3 使用示例

# 查看用户画像
result = profile_manager.invoke({"command": "view"})
print(result)

# 获取摘要
result = profile_manager.invoke({"command": "summary"})
print(result)

---

四、实战案例

4.1 工具链演示

运行完整的工具链演示：

cd 09_personalization
python personalization_demo.py

4.2 工具功能对比表

工具	核心功能	适用场景	优势
用户画像提取器	从对话提取用户特征	用户初次交互	自动构建画像
风格识别器	识别用户沟通风格	持续交互中	适应用户偏好
响应个性化器	根据画像调整响应	生成回复时	个性化体验
画像管理器	管理用户画像数据	运维管理	便于维护

4.3 实际应用案例

案例1：提取用户画像

对话文本：

用户：你好，我是一个程序员，最近在学Python编程。
助手：你好！很高兴帮助你学习Python。
用户：我喜欢简洁明了的解释，不要太啰嗦，谢谢！

提取结果：

【用户画像】
用户ID: user_default
偏好设置:
  - 职业: 程序员
  - 兴趣: Python编程
  - 学习阶段: 初学者

风格偏好:
  - concise: True (喜欢简洁)

代码调用：

from tool_1_profile_extractor import profile_extractor

conversation = """
用户：你好，我是一个程序员，最近在学Python编程。
助手：你好！很高兴帮助你学习Python。
用户：我喜欢简洁明了的解释，不要太啰嗦，谢谢！
"""
result = profile_extractor.invoke({
    "conversation_text": conversation,
    "auto_update": True
})
print(result)

案例2：识别用户风格

用户消息：请帮我解释一下Python的装饰器，希望能详细一点，谢谢！

识别结果：

【风格识别结果】
详细程度偏好: 详细 (detailed)
正式程度偏好: 正式 (formal)
技术程度偏好: 技术 (technical)

建议响应方式: 详细、正式、技术化

代码调用：

from tool_2_style_recognizer import style_recognizer

test_messages = """
你好，请帮我解释一下Python的装饰器，希望能详细一点，谢谢！
"""
result = style_recognizer.invoke({
    "user_messages": test_messages,
    "auto_update": True
})
print(result)

案例3：个性化响应

标准响应：Python装饰器是一种设计模式，用于在不修改原函数代码的情况下添加额外功能。

个性化后响应（简洁风格）：装饰器：不修改代码给函数加功能。

代码调用：

from tool_3_response_personalizer import response_personalizer

test_response = """
Python装饰器是一种设计模式，用于在不修改原函数代码的情况下，给函数添加额外功能。
装饰器的语法是使用@符号放在函数定义上方。
"""
result = response_personalizer.invoke({
    "base_response": test_response,
    "use_profile": True
})
print(result)

4.4 完整工具链调用示例

我们将4个工具组合成完整的个性化流程：

from tool_1_profile_extractor import profile_extractor
from tool_2_style_recognizer import style_recognizer
from tool_3_response_personalizer import response_personalizer
from tool_4_profile_manager import profile_manager

# 步骤1：从对话提取用户画像
conversation = """
用户：你好，我是一个程序员，最近在学Python编程。
助手：你好！很高兴帮助你学习Python。
用户：我喜欢简洁明了的解释，不要太啰嗦，谢谢！
"""
extract_result = profile_extractor.invoke({"conversation_text": conversation, "auto_update": True})
print(extract_result)

# 步骤2：识别用户风格
style_result = style_recognizer.invoke({"user_messages": conversation, "auto_update": True})
print(style_result)

# 步骤3：查看用户画像
profile_summary = profile_manager.invoke({"command": "summary"})
print(profile_summary)

# 步骤4：测试个性化响应
standard_response = """
Python装饰器是一种设计模式，用于在不修改原函数代码的情况下，给函数添加额外功能。
装饰器的语法是使用@符号放在函数定义上方。
装饰器本质上是一个接受函数作为参数并返回新函数的高阶函数。
在实际开发中，装饰器常用于日志记录、性能计时、权限校验等场景。
"""
personalized_result = response_personalizer.invoke({
    "base_response": standard_response,
    "use_profile": True
})
print(personalized_result)

---

五、工具链整合

5.1 个性化工具链架构

用户消息
    ↓
[用户画像提取器] 提取用户特征和偏好
    ↓
[风格识别器] 识别用户沟通风格
    ↓
[响应个性化器] 根据画像调整响应
    ↓
[画像管理器] 存储和管理用户画像

5.2 工具协作流程

步骤	工具	作用
1	用户画像提取器	从对话提取用户特征
2	风格识别器	识别用户沟通风格
3	响应个性化器	个性化调整响应内容
4	画像管理器	存储和维护画像

---

六、总结

6.1 本文要点

工具	核心能力	价值
✅ 用户画像提取器	从对话提取用户特征	自动构建画像
✅ 风格识别器	识别用户沟通风格	适应用户偏好
✅ 响应个性化器	根据画像调整响应	个性化体验
✅ 画像管理器	管理用户画像数据	便于维护

---

点赞 + 关注，更新不迷路！🚀