LLM Agent 架构设计与 LangChain 实战¶

// agent/research-agent.ts
import { ChatOpenAI } from '@langchain/openai';
import { DynamicStructuredTool } from '@langchain/core/tools';
import { z } from 'zod';
import { AgentExecutor, createOpenAIToolsAgent } from 'langchain/agents';
import { ChatPromptTemplate, MessagesPlaceholder } from '@langchain/core/prompts';

// 1. 初始化模型
const model = new ChatOpenAI({
  modelName: 'gpt-4o',
  temperature: 0.1, // 降低随机性，确保工具参数生成的严谨度
});

// 2. 声明具备严格 Zod Schema 校验的自定义业务工具
const stockPriceTool = new DynamicStructuredTool({
  name: 'get_stock_price',
  description: '用于实时查询指定股票代码的当前股价与涨跌幅',
  schema: z.object({
    ticker: z.string().describe('股票代码，如 AAPL, MSFT, BABA'),
  }),
  func: async ({ ticker }) => {
    // 模拟调用金融行情真实 API
    console.log(`[Tool Call] 正在查询股票代码: ${ticker}`);
    return JSON.stringify({
      ticker,
      price: 189.5,
      changePercent: '+2.3%',
      currency: 'USD',
    });
  },
});

const tools = [stockPriceTool];

// 3. 构建 Agent 核心 Prompt 模板
const prompt = ChatPromptTemplate.fromMessages([
  ['system', '你是一个具备严谨逻辑的金融分析 Agent。你可以自主调用外部工具获取实时数据，并给出结构化的投资分析。'],
  new MessagesPlaceholder('chat_history'),
  ['human', '{input}'],
  new MessagesPlaceholder('agent_scratchpad'),
]);

// 4. 组装并启动 Agent 执行器
export async function runAgentQuery(userInput: string) {
  const agent = await createOpenAIToolsAgent({
    llm: model,
    tools,
    prompt,
  });

  const executor = new AgentExecutor({
    agent,
    tools,
    verbose: true, // 输出完整的 Thought / Action 决策链
    maxIterations: 5, // 防止陷入死循环的最大迭代次数
  });

  const result = await executor.invoke({
    input: userInput,
    chat_history: [],
  });

  return result.output;
}