手 把 手 做 多 智 能 体 系 统 ！

{  "task": "使用AI代理生成医疗建议",  "planning": {    "inputs": {      "user_preferences": [        "主题",         "关键词",         "语气"       ],      "trending_data": "获取用户偏好的内容"    },    "workflow": [      {        "step": "收集输入",        "description": "收集用户偏好和热门数据",        "actions": [          "请求用户输入（例如，主题、关键词、语气）",          "从API获取话题和标签"        ]      },      {        "step": "生成推文",        "description": "根据输入和趋势创建推文",        "actions": [          "使用AI模型生成不超过280个字符的健康贴士",          "结合用户偏好和热门数据以提高相关性"        ]      },      {        "step": "优化参与度",        "description": "增强内容以提高参与度",        "actions": [          "添加相关标签和提及",          "调整语气和内容以实现最大参与度"        ]      },      {        "step": "验证内容",        "description": "确保推文符合指导原则",        "actions": [          "检查字符数和格式",          "确保内容符合平台的规则和社区原则"        ]      },      {        "step": "发布内容",        "description": "代表用户发布推文",        "actions": [          "使用API发布",          "确认内容已成功发布"        ]      },      {        "step": "反馈循环",        "description": "收集反馈并改进",        "actions": [          "监控推文参与度（点赞、转发、评论）",          "根据性能数据和用户反馈调整AI模型"        ]      }    ]  }}

## API发布推文{  "endpoint": "/api/post",  "method": "POST",  "description": "将生成的推文发布到小红书。",  "request": {    "body": {      "id": "字符串",      "user_id": "字符串",      "token": "字符串"    }  },  "response": {    "status": 200,    "body": {      "message": "推文发布成功。",      "post_id": "字符串"    }  }}## API获取数据{  "endpoint": "/api/trending",  "method": "GET",  "description": "从小红书获取热门话题和标签。",  "request": {    "query_parameters": {      "location": "字符串",      "limit": "数字"    }  },  "response": {    "status": 200,    "body": {      "trending_topics": [        {          "hashtag": "#示例",          "volume": 10000        }      ]    }  }}

## 使用包含参数的API进行调用{  "endpoint": "/api/trending",  "method": "GET",  "parameters": {    "location": "全球",  // 或者特定位置，如"中国"，以缩小范围    "limit": 10  // 要检索的热门话题数量  },  "response": {    "status": 200,    "body": {      "trending_topics": [        {          "hashtag": "#人工智能示例1",          "volume": 25000        },        {          "hashtag": "#人工智能示例2",          "volume": 18000        }        // 更多热门话题...      ]    }  }}
## 使用包含参数的POST推文API进行调用{  "endpoint": "/api/post",  "method": "POST",  "body": {    "text": "一意今天上市敲钟了！",    "user_id": "你的用户ID",  // 用户或应用的唯一ID    "token": "你的用户token"  // 用于API认证的令牌  },  "response": {    "status": 200,    "body": {      "message": "推文发布成功。",      "post_id": "123456789"    }  }}

conda create --name mas python=3.10

conda activate mas

cd F:\mas

conda install jupyter

jupyter notebook

agent_executor = create_react_agent(model, tools, checkpointer=memory)
config = {"configurable": {"thread_id": "123"}}
for chunk in agent_executor.stream(    {"messages": [HumanMessage(content="我是一意AI，一个长期专注AI工程师培养、AI技术支撑、降本增效，始终陪伴伙伴持续成长的学习平台")]}, config):    print(chunk)    print("----")

def create_agent(llm, tools, system_message: str):    """Create an agent."""    prompt = ChatPromptTemplate.from_messages(        [            (                "system",                " 你是一个有帮助的AI助手，与其他助手协作."                " 使用提供的工具来推动回答问题."                " 如果你无法完全回答，也没关系，其他具有不同工具的助手会接着你未完成的部分进行帮助."                " 尽你所能地执行，以取得进展."                " 如果你或其他助手有最终答案或交付成果，请在你的回应前加上[最终答案]."                " 这样团队就知道可以停止了."                " 你可以使用以下工具: {tool_names}.\n{system_message}",            ),            MessagesPlaceholder(variable_name="messages"),        ]    )    prompt = prompt.partial(system_message=system_message)    prompt = prompt.partial(tool_names=", ".join([tool.name for tool in tools]))    return prompt | llm.bind_tools(tools)

@tooldef python_repl(    code: Annotated[str, "生成图表的Python代码."],):    """如果你想要查看一个值的输出，使用这个来执行Python代码    你应该使用 print(...) 将其打印出来。这是用户可见的."""    try:        result = repl.run(code)    except BaseException as e:        return f"Failed to execute. Error: {repr(e)}"    result_str = f"Successfully executed:\n```python\n{code}\n```\nStdout: {result}"    return (        result_str + "\n\nIf 你已经完成了所有任务，合成最终答案.")

class AgentState(TypedDict):    messages: Annotated[Sequence[BaseMessage], operator.add]    sender: str

# 数据采集agentresearch_agent = create_agent(    llm,    [tavily_tool],    system_message="你应该为 chart_generator 提供准确的数据以供使用.",)research_node = functools.partial(agent_node, agent=research_agent, name="Researcher")# 图表生成agentchart_agent = create_agent(    llm,    [python_repl],    system_message="你展示的任何图表都将被用户看到.",)chart_node = functools.partial(agent_node, agent=chart_agent, name="chart_generator")

# 任何一个代理都可以决定结束from typing import Literal
def router(state) -> Literal["call_tool", "__end__", "continue"]:    # 路由    messages = state["messages"]    last_message = messages[-1]    if last_message.tool_calls:        # 前一个代理正在调用一个工具        return "call_tool"    if "FINAL ANSWER" in last_message.content:        # 任何代理都决定工作已经完成        return "__end__"    return "continue"

events = graph.stream(    {        "messages": [            HumanMessage(                content="获取过去1年中国广东的GDP并绘制一张示意图"            )        ],    },    # M在图中要采取的最大步骤数    {"recursion_limit": 150},)for s in events:    print(s)    print("----")