docs: 添加 Java 开发者 Python 语法对照注释
This commit is contained in:
parent
12fc008337
commit
bc1a20caa5
@ -2,107 +2,151 @@
|
||||
LangGraph 第 5 步：真实 LLM 智能体
|
||||
ReAct 模式：思考(Reason) - 行动(Act) - 观察(Observe)
|
||||
配置见 config.py
|
||||
|
||||
【Java 开发者 Python 速查】
|
||||
- 没有分号 ; 结尾
|
||||
- 用缩进（4空格）表示代码块，不用 {}
|
||||
- def 定义函数（类似 Java 的方法）
|
||||
- class 定义类
|
||||
- import 导入模块（类似 Java 的 import）
|
||||
- 变量不用声明类型（但可以用 :str 做类型提示）
|
||||
- True/False/None（类似 Java 的 true/false/null）
|
||||
- list 类似 ArrayList，dict 类似 HashMap
|
||||
- for item in list: 遍历（类似 Java 的 for-each）
|
||||
"""
|
||||
|
||||
# ============================================================
|
||||
# 导入模块
|
||||
# ============================================================
|
||||
import sys # 命令行参数
|
||||
import requests # HTTP 请求（调用 LLM API）
|
||||
from langgraph.graph import StateGraph, START, END # LangGraph 核心组件
|
||||
from typing import TypedDict # 类型提示，用于定义状态结构
|
||||
# Java: import java.util.List;
|
||||
# Python: import 模块名
|
||||
import sys # 命令行参数（类似 Java 的 main 的 String[] args）
|
||||
import requests # HTTP 请求库（类似 Java 的 OkHttp/RestTemplate）
|
||||
from langgraph.graph import StateGraph, START, END # 从模块导入特定类
|
||||
from typing import TypedDict # 类型提示工具
|
||||
|
||||
# ============================================================
|
||||
# 1. 加载配置
|
||||
# ============================================================
|
||||
# 从 config.py 导入配置变量
|
||||
# Python 的 import 语句可以直接导入另一个 .py 文件中的变量
|
||||
# Java: 从配置文件读取
|
||||
# Python: 直接 import 另一个 .py 文件，像导入类一样
|
||||
from config import API_KEY, BASE_URL, MODEL, MAX_ITERATIONS, TEMPERATURE
|
||||
|
||||
# 检查用户是否修改了配置
|
||||
# if 条件判断
|
||||
# Java: if (condition) { ... }
|
||||
# Python: if condition:
|
||||
# 缩进表示代码块（4个空格）
|
||||
if API_KEY == "sk-...":
|
||||
print("请先在 config.py 中配置 API_KEY")
|
||||
exit(1) # 退出程序
|
||||
exit(1) # 退出程序（类似 Java 的 System.exit(1)）
|
||||
|
||||
# ============================================================
|
||||
# 2. 定义状态（State）
|
||||
# ============================================================
|
||||
"""
|
||||
TypedDict 是 Python 的类型提示工具，用来定义字典的结构。
|
||||
LangGraph 用 State 在节点之间传递数据，每个节点可以读取和修改它。
|
||||
TypedDict 是 Python 的类型提示工具。
|
||||
|
||||
为什么用 TypedDict 而不是普通 dict？
|
||||
- 编辑器可以提供自动补全
|
||||
- 可以检查键名是否正确
|
||||
- 代码更清晰，一看就知道有哪些字段
|
||||
Java 对比:
|
||||
// Java
|
||||
class AgentState {
|
||||
String question;
|
||||
List<String> thoughts;
|
||||
int iteration;
|
||||
}
|
||||
|
||||
// Python
|
||||
class AgentState(TypedDict):
|
||||
question: str # String
|
||||
thoughts: list # List<String>
|
||||
iteration: int # int
|
||||
|
||||
注意: Python 的类型提示只是给编辑器看的，运行时不强制检查。
|
||||
TypedDict 本质上还是 dict（字典），只是加了类型说明。
|
||||
"""
|
||||
class AgentState(TypedDict):
|
||||
question: str # 用户的问题
|
||||
thoughts: list # 思考历史（list，记录每轮的思考）
|
||||
current_thought: str # 当前这轮的思考
|
||||
action: str # 要采取的行动（如 "calculator"）
|
||||
action_param: str # 行动的参数（如 "123*456"）
|
||||
observation: str # 行动后的观察结果
|
||||
final_answer: str # 最终答案
|
||||
iteration: int # 当前迭代轮次
|
||||
max_iterations: int # 最大迭代次数（防止无限循环）
|
||||
question: str # String - 用户的问题
|
||||
thoughts: list # List<String> - 思考历史
|
||||
current_thought: str # String - 当前这轮的思考
|
||||
action: str # String - 要采取的行动
|
||||
action_param: str # String - 行动的参数
|
||||
observation: str # String - 行动后的观察结果
|
||||
final_answer: str # String - 最终答案
|
||||
iteration: int # int - 当前迭代轮次
|
||||
max_iterations: int # int - 最大迭代次数
|
||||
|
||||
# ============================================================
|
||||
# 3. 定义工具（Tools）
|
||||
# ============================================================
|
||||
"""
|
||||
工具是智能体可以调用的函数。
|
||||
这里定义了两个工具：计算器和知识搜索。
|
||||
工具就是 Python 函数，智能体可以调用它们。
|
||||
|
||||
为什么工具是普通函数？
|
||||
- LangGraph 中工具就是 Python 函数
|
||||
- 智能体决定调用哪个工具、传什么参数
|
||||
- 工具执行后返回结果，智能体再根据结果决定下一步
|
||||
Java 对比:
|
||||
// Java: 需要定义接口和实现
|
||||
public interface Tool {
|
||||
String execute(String param);
|
||||
}
|
||||
|
||||
// Python: 直接就是函数
|
||||
def calculator(expression: str) -> str:
|
||||
...
|
||||
|
||||
Python 函数定义:
|
||||
def 函数名(参数: 类型) -> 返回类型:
|
||||
函数体（缩进）
|
||||
return 返回值
|
||||
"""
|
||||
|
||||
def calculator(expression: str) -> str:
|
||||
"""
|
||||
计算器工具
|
||||
|
||||
参数: expression - 数学表达式字符串，如 "2+3*4"
|
||||
返回: 计算结果字符串
|
||||
|
||||
为什么用 eval 而不是直接计算？
|
||||
- eval 可以解析任意数学表达式
|
||||
- 但 eval 有安全风险，所以传了空的 __builtins__ 限制权限
|
||||
expression: str - 参数类型提示（String）
|
||||
-> str - 返回类型提示（String）
|
||||
"""
|
||||
try:
|
||||
# eval() 把字符串当 Python 表达式执行
|
||||
# Java: 需要用脚本引擎，Python 直接 eval
|
||||
# {"__builtins__": {}} 是安全限制，防止执行危险代码
|
||||
result = eval(expression, {"__builtins__": {}}, {})
|
||||
|
||||
# f-string: Python 的字符串格式化
|
||||
# Java: String.format("结果: %s = %s", expression, result)
|
||||
# Python: f"结果: {expression} = {result}"
|
||||
return f"计算结果: {expression} = {result}"
|
||||
except Exception as e:
|
||||
# 如果计算出错（如除零、无效表达式），返回错误信息
|
||||
# try-catch 语法
|
||||
# Java: catch (Exception e) { ... }
|
||||
# Python: except Exception as e:
|
||||
return f"计算错误: {e}"
|
||||
|
||||
def search_knowledge(query: str) -> str:
|
||||
"""
|
||||
知识库搜索工具（模拟）
|
||||
|
||||
为什么用字典模拟而不是真实搜索？
|
||||
- 教学目的，先理解流程
|
||||
- 真实项目中可以替换为搜索引擎 API、向量数据库等
|
||||
Python dict（字典）对比 Java Map:
|
||||
# Java: Map<String, String> map = new HashMap<>();
|
||||
# map.put("key", "value");
|
||||
|
||||
# Python: dict = {"key": "value"}
|
||||
"""
|
||||
# 一个简单的知识库（字典）
|
||||
knowledge = {
|
||||
"langgraph": "LangGraph 是 LangChain 团队开发的框架，用于构建有状态、基于图的 AI 应用。",
|
||||
"python": "Python 是一种高级编程语言，广泛用于 AI、Web 开发、数据分析等领域。",
|
||||
"langchain": "LangChain 是构建 LLM 应用的框架，提供 Prompt 管理、Chain、Agent 等组件。",
|
||||
"ai": "人工智能 (AI) 是计算机科学的一个分支，致力于创建能执行智能任务的系统。",
|
||||
"langgraph": "LangGraph 是 LangChain 团队开发的框架...",
|
||||
"python": "Python 是一种高级编程语言...",
|
||||
"langchain": "LangChain 是构建 LLM 应用的框架...",
|
||||
"ai": "人工智能 (AI) 是计算机科学的一个分支...",
|
||||
}
|
||||
# 遍历知识库，查找匹配的关键词
|
||||
|
||||
# for 循环遍历字典
|
||||
# Java: for (Map.Entry<String, String> entry : knowledge.entrySet())
|
||||
# Python: for key, value in knowledge.items():
|
||||
for key, value in knowledge.items():
|
||||
if key in query.lower(): # 转小写后匹配
|
||||
if key in query.lower(): # .lower() 转小写（类似 Java 的 toLowerCase()）
|
||||
return f"搜索到: {value}"
|
||||
return f"未找到关于 '{query}' 的精确信息"
|
||||
|
||||
# 把工具放进字典，方便通过名称查找
|
||||
# 键是工具名（LLM 输出的），值是函数对象
|
||||
# 工具注册表：dict 映射 工具名 -> 函数
|
||||
# Java: Map<String, Function<String, String>> tools = new HashMap<>();
|
||||
# Python: tools = {"name": function}
|
||||
tools = {
|
||||
"calculator": calculator,
|
||||
"search": search_knowledge,
|
||||
@ -111,71 +155,58 @@ tools = {
|
||||
# ============================================================
|
||||
# 4. LLM 调用函数
|
||||
# ============================================================
|
||||
"""
|
||||
为什么不用 OpenAI SDK 而用 requests？
|
||||
- 某些 API 网关与 OpenAI SDK 不兼容
|
||||
- requests 更灵活，可以直接控制请求格式
|
||||
- 原理相同，只是底层 HTTP 调用方式不同
|
||||
"""
|
||||
def call_llm(messages, max_tokens=300):
|
||||
"""
|
||||
调用 LLM API
|
||||
|
||||
参数:
|
||||
messages: 消息列表，格式为 [{"role": "system/user/assistant", "content": "..."}]
|
||||
max_tokens: 最大生成 token 数
|
||||
|
||||
返回: LLM 生成的文本
|
||||
max_tokens=300 是默认参数
|
||||
Java: 需要方法重载
|
||||
Python: 直接在参数列表中给默认值
|
||||
"""
|
||||
# 构建 API 请求
|
||||
url = f"{BASE_URL}/chat/completions" # 拼接完整的 API 地址
|
||||
url = f"{BASE_URL}/chat/completions"
|
||||
headers = {
|
||||
"Content-Type": "application/json", # 告诉服务器发送 JSON
|
||||
"Authorization": f"Bearer {API_KEY}" # API 认证
|
||||
"Content-Type": "application/json",
|
||||
"Authorization": f"Bearer {API_KEY}"
|
||||
}
|
||||
body = {
|
||||
"model": MODEL, # 使用哪个模型
|
||||
"messages": messages, # 对话消息
|
||||
"max_tokens": max_tokens, # 最大生成长度
|
||||
"temperature": TEMPERATURE, # 创造性（0=确定，1=随机）
|
||||
"model": MODEL,
|
||||
"messages": messages,
|
||||
"max_tokens": max_tokens,
|
||||
"temperature": TEMPERATURE,
|
||||
}
|
||||
|
||||
# 发送 HTTP POST 请求
|
||||
# requests.post() 发送 HTTP POST 请求
|
||||
# Java: 需要 OkHttp/RestTemplate 几行代码
|
||||
# Python: 一行搞定
|
||||
response = requests.post(url, headers=headers, json=body, timeout=30)
|
||||
response.raise_for_status() # 如果 HTTP 状态码不是 200，抛出异常
|
||||
data = response.json() # 把响应解析为 JSON
|
||||
response.raise_for_status() # 检查 HTTP 状态码
|
||||
data = response.json() # 解析 JSON（类似 Java 的 Jackson/Gson）
|
||||
|
||||
# 从 JSON 响应中提取 LLM 生成的文本
|
||||
# 响应结构: {"choices": [{"message": {"content": "生成的文本"}}]}
|
||||
# 访问嵌套 JSON
|
||||
# Java: data.get("choices").get(0).get("message").get("content")
|
||||
# Python: data["choices"][0]["message"]["content"]
|
||||
return data["choices"][0]["message"]["content"]
|
||||
|
||||
# ============================================================
|
||||
# 5. 定义节点（Nodes）
|
||||
# ============================================================
|
||||
"""
|
||||
节点是 LangGraph 图中的处理单元。
|
||||
每个节点是一个函数，接收 State，返回更新后的 State。
|
||||
LangGraph 节点：接收 State，返回更新后的 State。
|
||||
|
||||
为什么每个节点都要 state = state.copy()？
|
||||
- Python 字典是可变对象，直接修改会影响原始数据
|
||||
- .copy() 创建浅拷贝，确保每个节点操作的是自己的副本
|
||||
- 这是 LangGraph 的最佳实践
|
||||
- Python 字典是可变对象（mutable）
|
||||
- 直接修改会影响原始数据
|
||||
- .copy() 创建浅拷贝（类似 Java 的 new HashMap<>(original)）
|
||||
"""
|
||||
|
||||
def think_node(state: AgentState):
|
||||
"""
|
||||
思考节点 - 让 LLM 决定下一步
|
||||
"""思考节点 - 让 LLM 决定下一步"""
|
||||
state = state.copy() # 创建副本
|
||||
state['iteration'] += 1 # 迭代次数 +1（类似 Java 的 state.iteration++）
|
||||
|
||||
这是 ReAct 模式的核心：
|
||||
1. 把问题和历史发给 LLM
|
||||
2. LLM 输出 [思考] 和 [行动] 或 [回答]
|
||||
3. 解析 LLM 的输出，提取行动或答案
|
||||
"""
|
||||
state = state.copy() # 创建副本，避免修改原始状态
|
||||
state['iteration'] += 1 # 迭代次数 +1
|
||||
|
||||
# 构建系统提示词（System Prompt）
|
||||
# f-string 中的 {state['iteration']} 会被替换为实际值
|
||||
# 多行字符串（三引号）
|
||||
# Java: "line1\n" + "line2\n"
|
||||
# Python: """line1\nline2"""
|
||||
system_prompt = f"""你是一个智能助手，可以使用以下工具:
|
||||
1. calculator - 数学计算，参数是数学表达式如 "2+3*4"
|
||||
2. search - 搜索知识，参数是搜索关键词
|
||||
@ -193,13 +224,16 @@ def think_node(state: AgentState):
|
||||
[思考] 我已经知道答案了
|
||||
[回答] 你的最终答案"""
|
||||
|
||||
# 构建消息列表（Messages）
|
||||
# OpenAI API 的消息格式：角色 + 内容
|
||||
# 构建消息列表
|
||||
# Java: List<Map<String, String>> messages = new ArrayList<>();
|
||||
# messages.add(Map.of("role", "system", "content", prompt));
|
||||
# Python: messages = [{"role": "system", "content": prompt}]
|
||||
messages = [{"role": "system", "content": system_prompt}]
|
||||
messages.append({"role": "user", "content": state['question']})
|
||||
|
||||
# 如果有上一次的观察结果，也发给 LLM
|
||||
# 这样 LLM 可以根据工具返回的结果做下一步决定
|
||||
# .get() 安全访问
|
||||
# Java: String obs = state.get("observation");
|
||||
# Python: obs = state.get('observation') # 不存在返回 None
|
||||
if state.get('observation'):
|
||||
messages.append({"role": "assistant", "content": f"[观察] {state['observation']}"})
|
||||
|
||||
@ -209,48 +243,51 @@ def think_node(state: AgentState):
|
||||
# 保存思考历史
|
||||
state['current_thought'] = thought_text
|
||||
state['thoughts'] = state.get('thoughts', []) + [thought_text]
|
||||
# .get('thoughts', []) - 如果不存在返回空列表 []
|
||||
|
||||
# 打印调试信息
|
||||
print(f"\n{'='*50}") # {'='*50} 生成 50 个等号
|
||||
print(f"\n{'='*50}") # '='*50 生成 50 个等号（类似 Java 的 String.repeat(50)）
|
||||
print(f"[思考] 第 {state['iteration']} 轮:")
|
||||
print(thought_text)
|
||||
|
||||
# 解析 LLM 的输出
|
||||
# LLM 输出类似:
|
||||
# [思考] 我需要计算这个数学题
|
||||
# [行动] calculator|2+3*4
|
||||
for line in thought_text.split('\n'): # 按行分割
|
||||
if '[行动]' in line: # 找到行动行
|
||||
# 替换掉 "[行动]"，然后用 "|" 分割
|
||||
# .split('\n') 按换行符分割字符串
|
||||
# Java: String[] lines = thought_text.split("\n");
|
||||
# Python: lines = thought_text.split('\n')
|
||||
for line in thought_text.split('\n'):
|
||||
if '[行动]' in line: # 'in' 检查子字符串（类似 Java 的 contains()）
|
||||
# .replace() 替换字符串
|
||||
# .strip() 去前后空格（类似 Java 的 trim()）
|
||||
# .split('|') 按 | 分割
|
||||
parts = line.replace('[行动]', '').strip().split('|')
|
||||
if len(parts) == 2: # 确保有工具名和参数
|
||||
state['action'] = parts[0].strip() # 工具名
|
||||
state['action_param'] = parts[1].strip() # 参数
|
||||
return state # 返回，让路由函数决定下一步
|
||||
if '[回答]' in line: # 找到回答行
|
||||
if len(parts) == 2: # len() 获取长度（类似 Java 的 .length()）
|
||||
state['action'] = parts[0].strip()
|
||||
state['action_param'] = parts[1].strip()
|
||||
return state
|
||||
if '[回答]' in line:
|
||||
state['final_answer'] = line.replace('[回答]', '').strip()
|
||||
return state
|
||||
|
||||
# 如果没解析到行动或回答，清空 action
|
||||
state['action'] = ""
|
||||
return state
|
||||
|
||||
def act_node(state: AgentState):
|
||||
"""
|
||||
行动节点 - 执行工具
|
||||
|
||||
1. 从 state 中获取工具名和参数
|
||||
2. 在 tools 字典中查找对应的函数
|
||||
3. 调用函数，保存结果到 observation
|
||||
"""
|
||||
"""行动节点 - 执行工具"""
|
||||
state = state.copy()
|
||||
action = state.get('action', '') # 工具名，如 "calculator"
|
||||
param = state.get('action_param', '') # 参数，如 "123*456"
|
||||
|
||||
# .get() 带默认值
|
||||
# Java: String action = state.getOrDefault("action", "");
|
||||
# Python: action = state.get('action', '')
|
||||
action = state.get('action', '')
|
||||
param = state.get('action_param', '')
|
||||
|
||||
print(f"\n[行动] 执行 {action}({param})")
|
||||
|
||||
if action in tools: # 检查工具是否存在
|
||||
result = tools[action](param) # 调用对应的函数
|
||||
# 检查键是否存在
|
||||
# Java: if (tools.containsKey(action))
|
||||
# Python: if action in tools
|
||||
if action in tools:
|
||||
result = tools[action](param) # 调用函数
|
||||
state['observation'] = result
|
||||
print(f"[观察] {result}")
|
||||
else:
|
||||
@ -260,21 +297,16 @@ def act_node(state: AgentState):
|
||||
return state
|
||||
|
||||
def answer_node(state: AgentState):
|
||||
"""
|
||||
回答节点 - 生成最终答案
|
||||
|
||||
两种情况：
|
||||
1. LLM 已经在 think_node 中给出了 [回答]，直接用
|
||||
2. 达到最大迭代次数，让 LLM 总结现有信息
|
||||
"""
|
||||
"""回答节点 - 生成最终答案"""
|
||||
state = state.copy()
|
||||
|
||||
# 情况 1：LLM 已经给出了最终答案
|
||||
if state.get('final_answer'):
|
||||
print(f"\n[回答] {state['final_answer']}")
|
||||
return state
|
||||
|
||||
# 情况 2：需要 LLM 总结
|
||||
# 列表推导式（类似 Java 的 Stream）
|
||||
# Java: String.join("\n", thoughts)
|
||||
# Python: "\n".join(thoughts)
|
||||
messages = [
|
||||
{"role": "system", "content": "请根据以下信息给出简洁的最终答案"},
|
||||
{"role": "user", "content": f"问题: {state['question']}\n\n思考过程:\n" + "\n".join(state.get('thoughts', []))}
|
||||
@ -288,72 +320,36 @@ def answer_node(state: AgentState):
|
||||
# 6. 路由函数（Router）
|
||||
# ============================================================
|
||||
"""
|
||||
路由函数决定图走到哪里。
|
||||
它接收当前 State，返回下一步要去的节点名。
|
||||
路由函数：接收 State，返回字符串（下一步节点名）。
|
||||
|
||||
为什么需要路由函数？
|
||||
- 固定边：永远走同一条路
|
||||
- 条件边：根据 State 的内容动态决定走哪条路
|
||||
- 智能体需要"判断"能力，所以用条件边
|
||||
Java 对比:
|
||||
// Java: String route(AgentState state) { ... return "act"; }
|
||||
// Python: def route(state: AgentState) -> str: ... return "act"
|
||||
"""
|
||||
def route(state: AgentState):
|
||||
"""
|
||||
决定下一步去哪里
|
||||
|
||||
返回 "act" -> 去执行工具
|
||||
返回 "answer" -> 去生成答案（结束）
|
||||
"""
|
||||
# 如果 LLM 已经给出了最终答案，直接结束
|
||||
"""决定下一步去哪里"""
|
||||
if state.get('final_answer'):
|
||||
return "answer"
|
||||
|
||||
# 如果达到最大迭代次数，强制结束（防止无限循环）
|
||||
if state['iteration'] >= state['max_iterations']:
|
||||
return "answer"
|
||||
|
||||
# 如果有行动要执行，去 act 节点
|
||||
if state.get('action'):
|
||||
return "act"
|
||||
|
||||
# 默认去 answer 节点
|
||||
return "answer"
|
||||
|
||||
# ============================================================
|
||||
# 7. 构建图（Build Graph）
|
||||
# ============================================================
|
||||
"""
|
||||
StateGraph(State) - 创建图，指定 State 类型
|
||||
add_node(name, func) - 添加节点
|
||||
add_edge(from, to) - 添加固定边
|
||||
add_conditional_edges(node, router, mapping) - 添加条件边
|
||||
compile() - 编译图，创建可执行的应用
|
||||
graph = StateGraph(AgentState)
|
||||
|
||||
图的结构：
|
||||
START -> think -> [条件边] -> act -> think (循环)
|
||||
|
|
||||
+-> answer -> END
|
||||
"""
|
||||
graph = StateGraph(AgentState) # 创建图
|
||||
graph.add_node("think", think_node)
|
||||
graph.add_node("act", act_node)
|
||||
graph.add_node("answer", answer_node)
|
||||
|
||||
# 添加三个节点
|
||||
graph.add_node("think", think_node) # 思考节点
|
||||
graph.add_node("act", act_node) # 行动节点
|
||||
graph.add_node("answer", answer_node) # 回答节点
|
||||
graph.add_edge(START, "think")
|
||||
graph.add_conditional_edges("think", route, {"act": "act", "answer": "answer"})
|
||||
graph.add_edge("act", "think")
|
||||
graph.add_edge("answer", END)
|
||||
|
||||
# 添加边
|
||||
graph.add_edge(START, "think") # 开始 -> 思考
|
||||
|
||||
# 条件边：从 think 出发，根据 route 函数的返回值决定走向
|
||||
graph.add_conditional_edges(
|
||||
"think", # 从 think 节点出发
|
||||
route, # 用 route 函数做判断
|
||||
{"act": "act", "answer": "answer"} # 返回值 -> 节点名的映射
|
||||
)
|
||||
|
||||
graph.add_edge("act", "think") # 行动完回到思考（形成循环！）
|
||||
graph.add_edge("answer", END) # 回答完结束
|
||||
|
||||
# 编译图
|
||||
app = graph.compile()
|
||||
|
||||
# ============================================================
|
||||
@ -370,30 +366,30 @@ print(" START -> think -> [有行动?] -> act -> think (循环)")
|
||||
print(" |")
|
||||
print(" +-> [无行动/达到限制] -> answer -> END")
|
||||
|
||||
# 命令行参数处理
|
||||
# sys.argv 是命令行参数列表，sys.argv[0] 是脚本名
|
||||
# 命令行参数
|
||||
# Java: public static void main(String[] args)
|
||||
# Python: sys.argv[0] 是脚本名，sys.argv[1:] 是参数
|
||||
if len(sys.argv) > 1:
|
||||
# 有参数：用参数作为问题
|
||||
questions = [" ".join(sys.argv[1:])] # 把所有参数拼成一个字符串
|
||||
else:
|
||||
# 无参数：使用内置测试问题
|
||||
questions = [
|
||||
"计算一下 123 * 456",
|
||||
"什么是 LangGraph？",
|
||||
]
|
||||
|
||||
# 遍历每个问题，依次运行
|
||||
# for 循环
|
||||
# Java: for (String q : questions) { ... }
|
||||
# Python: for q in questions:
|
||||
for q in questions:
|
||||
print(f"\n{'#'*50}")
|
||||
print(f"问题: {q}")
|
||||
print(f"{'#'*50}")
|
||||
|
||||
# app.invoke() 运行图
|
||||
# 传入初始 State，图会一步步处理，最终返回完整 State
|
||||
result = app.invoke({
|
||||
"question": q,
|
||||
"thoughts": [], # 空列表，记录思考历史
|
||||
"iteration": 0, # 从 0 开始
|
||||
"thoughts": [],
|
||||
"iteration": 0,
|
||||
"max_iterations": MAX_ITERATIONS,
|
||||
"action": "",
|
||||
"observation": "",
|
||||
@ -401,7 +397,6 @@ for q in questions:
|
||||
"action_param": "",
|
||||
})
|
||||
|
||||
# 打印最终结果
|
||||
print(f"\n{'='*50}")
|
||||
print(f"最终答案: {result['final_answer']}")
|
||||
print(f"{'='*50}")
|
||||
Loading…
x
Reference in New Issue
Block a user