前几篇把 Agent 的零件都拆开讲完了：创建、传模型、绑工具、写提示词、结构化输出、流式输出。这一篇把它们拼成一个能用的东西——多功能智能助手。
项目需求
开发一个多功能智能助手，支持：
- 天气查询：查询城市天气
- 数学计算：复杂数学运算
- 时间查询：获取当前时间、日期计算
- 货币转换：多种货币之间转换
- 信息搜索：搜索产品、新闻等信息
代码分成四步，正好对应我们前面学过的内容：
| 步骤 | 对应知识点 |
|---|---|
| 1. 模型的初始化 | 模型的创建 |
| 2. 工具的定义 | Tools工具定义与调用 |
| 3. Agent 的创建（面向对象封装） | 创建第一个智能体 |
| 4. 主程序（演示 + 交互） | 这一篇的重点 |
第 1 步：模型初始化
python
import os
from dotenv import load_dotenv
from langchain.chat_models import init_chat_model
load_dotenv(override=True)
model = init_chat_model(
model="deepseek-v4-flash",
model_provider="openai",
api_key=os.getenv("DEEPSEEK_API_KEY"),
base_url=os.getenv("DEEPSEEK_BASE_URL"),
)第 2 步：定义五个工具
每个工具都只做一件事，并用规范的 docstring 写清 Args / Returns / Examples——这些文字就是模型选择工具、填参数的依据。
| 工具 | 参数 | 返回什么 |
|---|---|---|
get_weather(city) | 城市名称 | 温度、天气状况、空气质量 |
calculator(expression) | 数学表达式 | 计算结果 |
get_time_info(query_type) | current/date/tomorrow/yesterday/weekday | 时间信息 |
convert_currency(amount, from_curr, to_curr) | 金额 + 源/目标货币 | 转换结果 |
search_info(keyword, category) | 关键词 + 分类 | 产品/新闻搜索结果 |
几个值得学的写法：
python
from langchain_core.tools import tool
import math
from datetime import datetime, timedelta
@tool
def get_weather(city: str) -> str:
"""获取指定城市的实时天气信息
支持中国主要城市的天气查询
Args:
city: 城市名称，如"北京"、"上海"、"深圳"等
Returns:
包含温度、天气状况、空气质量的详细信息
Examples:
get_weather("北京") 返回 "多云，15-22℃，空气质量良"
"""
weather_db = {
"北京": "多云，15-22℃，空气质量良，湿度 45%",
"上海": "晴天，18-25℃，空气质量优，湿度 60%",
"深圳": "小雨，22-28℃，空气质量优，湿度 75%",
}
result = weather_db.get(city)
if result:
return f"{city}：{result}"
return f"抱歉，暂不支持查询{city}的天气信息。当前支持：北京、上海、深圳"① 查不到时要给出"可用的范围"——别只返回"没有数据"，模型没法据此修正。
python
@tool
def calculator(expression: str) -> str:
"""执行数学计算
支持基本运算符（+、-、*、/、**）和常用数学函数
Args:
expression: 数学表达式，可以包含：
- 基本运算：2 + 3, 10 * 5, 100 / 4
- 幂运算：2 ** 10
- 函数：sqrt(16), abs(-5), pow(2, 3)
Returns:
计算结果或错误信息
Examples:
calculator("2 + 3 * 4") 返回 "14"
calculator("sqrt(16)") 返回 "4.0"
"""
try:
safe_functions = {
"sqrt": math.sqrt, "pow": pow, "abs": abs, "round": round,
"sin": math.sin, "cos": math.cos, "tan": math.tan, "log": math.log,
"pi": math.pi, "e": math.e,
}
result = eval(expression, {"__builtins__": {}}, safe_functions)
return f"{expression} = {result}"
except Exception as e:
return f"计算出错：{str(e)}\n提示：请检查表达式格式，支持的函数有 sqrt, abs, pow, sin, cos, tan, log"② eval 要"锁死"环境：第二个参数传 {"__builtins__": {}}（禁用内置函数），第三个参数只放白名单数学函数——这是让模型能算数、又不至于执行任意代码的常见做法。
python
@tool
def get_time_info(query_type: str = "current") -> str:
"""获取时间相关信息
Args:
query_type: 查询类型
- "current": 当前时间
- "date": 今天日期
- "tomorrow": 明天日期
- "yesterday": 昨天日期
- "weekday": 星期几
Returns:
时间信息字符串
Examples:
get_time_info("current") 返回 "2025年1月25日 14:30:25"
get_time_info("weekday") 返回 "星期六"
"""
now = datetime.now()
if query_type == "current":
return now.strftime("当前时间：%Y年%m月%d日 %H:%M:%S")
elif query_type == "date":
return now.strftime("今天是：%Y年%m月%d日")
elif query_type == "tomorrow":
return (now + timedelta(days=1)).strftime("明天是：%Y年%m月%d日")
elif query_type == "yesterday":
return (now - timedelta(days=1)).strftime("昨天是：%Y年%m月%d日")
elif query_type == "weekday":
weekdays = ["星期一", "星期二", "星期三", "星期四", "星期五", "星期六", "星期日"]
return f"今天是{weekdays[now.weekday()]}"
return f"不支持的查询类型：{query_type}。支持：current, date, tomorrow, yesterday, weekday"③ 用"枚举式参数"代替多个工具：一个 get_time_info 顶五个时间工具——工具越少，模型越不容易选错（第 14 篇的常见问题）。
python
@tool
def convert_currency(amount: float, from_curr: str, to_curr: str) -> str:
"""货币转换工具
支持主要货币之间的实时汇率转换
Args:
amount: 金额数值
from_curr: 源货币代码（CNY/USD/EUR/GBP/JPY/HKD）
to_curr: 目标货币代码（CNY/USD/EUR/GBP/JPY/HKD）
Returns:
转换结果
Examples:
convert_currency(100, "CNY", "USD") 返回 "100 CNY = 14.00 USD"
"""
exchange_rates = {"CNY": 1.0, "USD": 0.14, "EUR": 0.13, "GBP": 0.11, "JPY": 20.8, "HKD": 1.09}
currency_names = {"CNY": "人民币", "USD": "美元", "EUR": "欧元",
"GBP": "英镑", "JPY": "日元", "HKD": "港币"}
from_curr, to_curr = from_curr.upper(), to_curr.upper()
if from_curr not in exchange_rates:
return f"不支持的源货币：{from_curr}。支持的货币：CNY, USD, EUR, GBP, JPY, HKD"
if to_curr not in exchange_rates:
return f"不支持的目标货币：{to_curr}。支持的货币：CNY, USD, EUR, GBP, JPY, HKD"
cny_amount = amount / exchange_rates[from_curr] # 先换成 CNY 再换目标货币
result_amount = cny_amount * exchange_rates[to_curr]
return f"{amount} {currency_names[from_curr]}（{from_curr}）= {result_amount:.2f} {currency_names[to_curr]}（{to_curr}）"python
@tool
def search_info(keyword: str, category: str = "all") -> str:
"""搜索各类信息
Args:
keyword: 搜索关键词
category: 搜索分类
- "product": 搜索产品
- "news": 搜索新闻
- "all": 搜索所有
Returns:
搜索结果
"""
products = {
"手机": "iPhone 15 (¥5999), 小米14 (¥3999), 华为Mate60 (¥6999)",
"笔记本": "MacBook Pro (¥12999), ThinkPad X1 (¥9999), 华为MateBook (¥7999)",
"耳机": "AirPods Pro (¥1999), Sony WH-1000XM5 (¥2499)",
}
news = {
"AI": "1. GPT-5 即将发布 2. AI 芯片市场增长 30% 3. 新AI法规出台",
"科技": "1. 量子计算新突破 2. 6G 技术测试 3. 新能源汽车销量创新高",
}
results = []
if category in ["product", "all"]:
for key, value in products.items():
if keyword in key:
results.append(f"【产品】{key}：{value}")
if category in ["news", "all"]:
for key, value in news.items():
if keyword in key or keyword in value:
results.append(f"【新闻】{key} 相关：{value}")
return "\n".join(results) if results else f"未找到关于 '{keyword}' 的{category}信息"TIP
注意 search_info 的 category: str = "all" 和 get_time_info 的 query_type: str = "current"——参数带默认值时，模型可以不传（第 11 篇的"默认值"特性在工具里同样适用）。
第 3 步：用类封装 Agent
这一步是实战精华：把"模型 + 工具 + 提示词 + 对话历史"打包成一个类，对外只暴露 chat() 和 reset()。
python
from langchain.agents import create_agent
class SmartAssistant:
"""多功能智能助手"""
def __init__(self):
self.model = model
self.tools = [get_weather, calculator, get_time_info, convert_currency, search_info]
system_prompt = """你是一个多功能智能助手，可以帮助用户：
🌤️ 查询天气：使用 get_weather 工具
🔢 数学计算：使用 calculator 工具
⏰ 时间查询：使用 get_time_info 工具
💱 货币转换：使用 convert_currency 工具
🔍 信息搜索：使用 search_info 工具
重要提示：
1. 仔细阅读用户问题，确定需要使用哪个工具
2. 如果需要多个工具，按顺序调用
3. 总是用友好、专业的语气回答
4. 如果工具返回了数据，要用通俗易懂的语言解释给用户
5. 如果无法完成任务，诚实地告诉用户原因
请始终使用中文回答。"""
self.agent = create_agent(
model=self.model,
tools=self.tools,
system_prompt=system_prompt,
)
self.messages = [] # 对话历史
def chat(self, user_input: str) -> str:
"""对话接口"""
self.messages.append({"role": "user", "content": user_input}) # 1. 追加用户消息
result = self.agent.invoke({"messages": self.messages}) # 2. 调用 agent（带上历史）
self.messages = result["messages"] # 3. 用返回的完整消息列表更新历史
for msg in reversed(self.messages): # 4. 从后往前找最后一条有内容的 AI 消息
if msg.type == "ai" and msg.content:
return msg.content
return "抱歉，我无法处理这个请求。"
def reset(self):
"""重置对话历史"""
self.messages = []这段代码里有四个必须理解的细节：
| 细节 | 为什么这么写 |
|---|---|
self.messages 一直保留 | Agent 本身不带记忆，想让它"记得上文"就得每次把历史一起传进去 |
用 result["messages"] 覆盖历史 | 返回的是含工具调用全过程的完整列表，覆盖后才和模型看到的上下文一致 |
reversed(...) 从后往前找 | 最后一条消息不一定是"有内容的 AI 消息"（可能是工具调用的空 content） |
msg.content 判空 | AIMessage 在"发起工具调用"时 content 是空的，不能直接当回答返回 |
TIP
再加上第 17 篇的流式输出，就能把这个助手升级成"打字机式"回复——chat() 里把 invoke 换成 stream(..., stream_mode="messages") 再逐片打印即可。
第 4 步：主程序
python
def main():
assistant = SmartAssistant()
print("=" * 40)
print("🤖 多功能智能助手（LangChain 1.2）")
print("=" * 40)
print("\n输入 'quit' 退出，输入 'reset' 重置对话\n")
# 先自动跑几条演示，确认每个工具都能被正确调用
demos = [
"北京今天天气怎么样？",
"帮我算一下 (25 + 17) * 3",
"现在几点了？",
"100 美元等于多少人民币？",
]
for demo in demos:
print(f"👤 {demo}")
response = assistant.chat(demo)
print(f"🤖 {response}\n")
assistant.reset()
# 交互模式
while True:
user_input = input("\n👤 你: ")
if user_input.lower() == "quit":
print("再见！👋")
break
if user_input.lower() == "reset":
assistant.reset()
print("✅ 对话已重置")
continue
if not user_input.strip():
continue
print(f"🤖 助手: {assistant.chat(user_input)}")
if __name__ == "__main__":
main()设计上值得抄的两点：
demos自动演示：每次运行先把每个工具跑一遍——既是演示，也是"冒烟测试"，一眼看出哪个工具挂了quit/reset指令：一个退出、一个清空对话历史；reset在调试"多轮对话跑偏"时特别有用
跑起来长什么样
课程运行后打出来的完整输出（2026-06-03 那次运行，四条 demo 都命中了工具）：
text
========================================
🤖 多功能智能助手（LangChain 1.2）
========================================
我可以帮你：
🌤️ 查询天气
🔢 数学计算
⏰ 时间查询
💱 货币转换
🔍 信息搜索
输入 'quit' 退出，输入 'reset' 重置对话
👤 北京今天天气怎么样？
🤖 北京今天天气是：**多云，15–22℃**，**空气质量良**，湿度 **45%**。
整体来说比较适合外出，建议穿**轻薄外套**会更舒服。
👤 帮我算一下 (25 + 17) * 3
🤖 计算结果是：**126**。
👤 现在几点了？
🤖 现在是：**2026年06月03日 19:45:40**。
👤 100 美元等于多少人民币？
🤖 **100 美元（USD）约等于 714.29 人民币（CNY）**。
========================================
🤖 进入交互模式
========================================
再见！👋NOTE
输出里"进入交互模式"那一行的 emoji 在课程 PDF 里没能还原出来（🤖 / 💬 都可能），不影响任何逻辑——照上面主程序的写法跑一遍，自己看到的就是真实的。
对照代码能看到几件事：
| 输出片段 | 说明 |
|---|---|
🤖 北京今天天气是：**多云，15–22℃**…建议穿**轻薄外套** | 工具返回的是原始数据（多云，15-22℃，空气质量良，湿度 45%），最后这句"建议穿轻薄外套"是模型自己加的——这就是系统提示词里"用通俗易懂的语言解释给用户"的效果 |
计算结果是：**126** | (25+17)*3 = 126，calculator 工具算对了（工具返回是 (25 + 17) * 3 = 126，模型复述时只留了数字） |
100 美元（USD）约等于 714.29 人民币（CNY） | 用 convert_currency 的汇率表手算能对上：100 / 0.14 × 1.0 = 714.29 |
末尾的 再见！👋 | 进入交互模式后直接输入 quit 的退出语 |
NOTE
上面贴的是精简版主程序的运行效果。课程原版 main() 在循环前后各多打印了一块内容：
python
print("\n我可以帮你：")
print(" 🌤️ 查询天气")
print(" 🔢 数学计算")
print(" ⏰ 时间查询")
print(" 💱 货币转换")
print(" 🔍 信息搜索")
...
print("=" * 40)
print("🤖 进入交互模式")
print("=" * 40)也就是输出里"我可以帮你："那一段和"进入交互模式"前后的两条分隔线——想让界面更像"产品"，照抄这两块即可（不影响任何逻辑）。
相关
练习题
一、知识回顾（读完直接做下面的实践题）
- 这个项目要支持五种能力：天气查询、数学计算、时间查询、货币转换、信息搜索；代码分四步：模型的初始化 → 工具的定义 → Agent 的创建（用类封装）→ 主程序
- 每个工具都只做一件事；工具的 docstring 要按
Args/Returns/ Examples 规范写全——这些文字就是模型选择（该用哪个）工具、填参数的依据 - 工具查不到数据时，返回值里要给出可用的范围（支持哪些）（如"当前支持北京、上海、深圳"）——别只返回"没有数据"，模型没法据此修正（改参数重试）
calculator用eval时要"锁死"环境：第二个参数传{"__builtins__": {}}禁用内置函数，第三个参数只放白名单里的数学函数- 用"枚举式参数"（如时间工具的
query_type）代替多个工具的好处：工具越少，模型越不容易选错 - 货币转换的算法是"先换成CNY（人民币）、再换目标货币"；汇率表里每个币种的值都是相对它的换算系数，所以 100 美元 ≈ 714.29 人民币（手算：
100 / 0.14） - 参数带默认值时模型可以不传——
search_info的category和get_time_info的query_type都用了这个特性 SmartAssistant类对外只暴露chat()和reset()两个方法；self.messages用来保存对话历史，因为 Agent 本身不带记忆，想让助手"记得上文"就得每次把历史一起传进去chat()里用result["messages"]覆盖历史（返回的是含工具调用全过程的完整列表）；取回答时用reversed(...)从后往前找msg.type == "ai" and msg.content——因为发起工具调用时 AI 消息的 content 是**空（''）**的- 主程序里
demos列表既做演示、也相当于一次"冒烟测试"；quit指令退出、reset指令清空对话历史；课程输出里"建议穿轻薄外套"这类话是模型自己加的（系统提示词里"用通俗易懂的语言解释给用户"的效果）
二、裸写题
- 提示（先自己想，实在想不出再点开）
一级 · 思路：工具"能不能被正确调用"取决于 docstring 写得清不清楚；参数默认值可以让模型少填一个参数 二级 · 方法：
@tool+ 写全Args/Returns/Examples，再把它加进self.tools三级 · 骨架：先把新工具单独invoke一次确认逻辑没问题，再交给 Agent；确认被调用可以用[c["name"] for m in result["messages"] for c in (getattr(m, "tool_calls", None) or [])]- 提示（先自己想，实在想不出再点开）
一级 · 思路：
eval是"能算数但危险"的典型，锁环境和白名单要一起做；枚举式参数把五个功能合成一个工具，模型更不容易选错 二级 · 方法：eval(expression, {"__builtins__": {}}, safe_functions)；@tool def get_time_info(query_type: str = "current")+datetime.now()/timedelta(days=1)三级 · 骨架：单独验证就是工具.invoke({"expression": "..."})——返回字符串、不会真的执行系统命令（__import__也被禁掉了）；时间格式用strftime("当前时间：%Y年%m月%d日 %H:%M:%S")，星期几用weekdays[now.weekday()]- 提示（先自己想，实在想不出再点开）
一级 · 思路：四个细节决定它能不能"记得上文"——历史要一直留着、历史要用返回值覆盖、找回答要从后往前、AI 消息要判空 二级 · 方法：
create_agent(model=..., tools=..., system_prompt=...)；result["messages"]；reversed(self.messages)+msg.type == "ai" and msg.content三级 · 骨架：初始化里self.messages = []；自测用inspect.signature(SmartAssistant.chat)打印签名，完全不需要跑模型- 提示（先自己想，实在想不出再点开）
一级 · 思路：这类"纯逻辑工具"不必动用模型，直接调用能最快验证算法对不对 二级 · 方法：
convert_currency.invoke({"amount": 100, "from_curr": "USD", "to_curr": "CNY"})三级 · 骨架：算法是"先换成 CNY 再换目标货币"，所以 100 USD →100 / 0.14 × 1.0；金额格式化用f"{result:.2f}"；代码还做了.upper()，小写也能认
三、综合题
- 把第 1-4 步的代码拼成一个完整脚本（
.env里配好密钥），运行并确认 4 条演示（天气 / 计算 / 时间 / 货币）都能得到正确回答 - 进入交互模式，先问"北京天气怎么样"，再问"那杭州呢"，观察第二轮能否理解"那……呢"指的是天气
- 输入
reset后再问"那杭州呢"，看它是不是失去了上下文 - 在
chat()里加一行打印消息条数，观察每次问答后消息列表涨了几条（想想为什么会涨这么多）
- 提示（先自己想，实在想不出再点开）
一级 · 思路：这道题的重点是"看见历史是怎么起作用的" 二级 · 方法：多轮对话能否连贯，全靠
self.messages里带着上文；reset()清空后再问同一句话就会"失忆" 三级 · 骨架：print(f"[消息列表现在有 {len(self.messages)} 条]")；一轮里"用户消息 + AI 工具调用 + 工具返回 + 最终回答"都会进去，条数增长很快——这正是第 9 章要解决的"上下文太长"问题- 把第 1-4 步的代码拼成一个完整脚本（
- 参考答案（做完再点开）
python
# ==================== 2-1 第 6 个工具（单位换算）====================
from langchain_core.tools import tool
@tool
def convert_unit(value: float, from_unit: str = "米", to_unit: str = "厘米") -> str:
"""单位换算工具
Args:
value: 要换算的数值
from_unit: 源单位，支持：米/厘米/千米/千克/克
to_unit: 目标单位，支持：米/厘米/千米/千克/克
Returns:
换算结果
Examples:
convert_unit(2, "米", "厘米") 返回 "2.0 米 = 200.0 厘米"
"""
factors = {"米": 1.0, "厘米": 0.01, "千米": 1000.0, "千克": 1.0, "克": 0.001}
if from_unit not in factors or to_unit not in factors:
return f"不支持的单位：{from_unit} → {to_unit}。支持的：{', '.join(factors)}"
return f"{value} {from_unit} = {value * factors[from_unit] / factors[to_unit]} {to_unit}"
print(convert_unit.invoke({"value": 2, "from_unit": "米", "to_unit": "厘米"})) # 2.0 米 = 200.0 厘米
# 加进 self.tools 后问"2 米等于多少厘米？"，消息链里的工具调用名就是 convert_unit
# ==================== 2-2 两个"安全"的工具 ====================
import math
from datetime import datetime, timedelta
@tool
def calculator(expression: str) -> str:
"""执行数学计算
Args:
expression: 数学表达式，支持 + - * / ** 与 sqrt/pow/abs/round/sin/cos/tan/log、pi/e
"""
safe_functions = {
"sqrt": math.sqrt, "pow": pow, "abs": abs, "round": round,
"sin": math.sin, "cos": math.cos, "tan": math.tan, "log": math.log,
"pi": math.pi, "e": math.e,
}
try:
result = eval(expression, {"__builtins__": {}}, safe_functions)
return f"{expression} = {result}"
except Exception as e:
return f"计算出错：{e}\n提示：支持的函数有 sqrt, abs, pow, sin, cos, tan, log"
@tool
def get_time_info(query_type: str = "current") -> str:
"""获取时间相关信息
Args:
query_type: current 当前时间 / date 今天日期 / tomorrow 明天 / yesterday 昨天 / weekday 星期几
"""
now = datetime.now()
if query_type == "date":
return now.strftime("今天是：%Y年%m月%d日")
elif query_type == "tomorrow":
return (now + timedelta(days=1)).strftime("明天是：%Y年%m月%d日")
elif query_type == "yesterday":
return (now - timedelta(days=1)).strftime("昨天是：%Y年%m月%d日")
elif query_type == "weekday":
weekdays = ["星期一", "星期二", "星期三", "星期四", "星期五", "星期六", "星期日"]
return f"今天是{weekdays[now.weekday()]}"
elif query_type == "current":
return now.strftime("当前时间：%Y年%m月%d日 %H:%M:%S")
return f"不支持的查询类型：{query_type}。支持：current, date, tomorrow, yesterday, weekday"
# 单独验证（不走模型）
print(calculator.invoke({"expression": "(25 + 17) * 3"})) # (25 + 17) * 3 = 126
print(calculator.invoke({"expression": "sqrt(16) + abs(-5)"})) # sqrt(16) + abs(-5) = 9.0
print(calculator.invoke({"expression": "__import__('os').system('echo hi')"}))
# 计算出错：name '__import__' is not defined … ← 内置函数被禁掉了
print(get_time_info.invoke({})) # 当前时间：…（默认值 current 生效）
print(get_time_info.invoke({"query_type": "不存在的类型"})) # 不支持的查询类型：…
# ==================== 2-3 SmartAssistant 类 ====================
import inspect
from langchain.agents import create_agent
class SmartAssistant:
"""多功能智能助手"""
def __init__(self):
self.tools = [get_weather, calculator, get_time_info, convert_currency, search_info]
self.agent = create_agent(
model=model,
tools=self.tools,
system_prompt=(
"你是一个多功能智能助手。请先判断该用哪个工具，再调用它；"
"如果需要多个工具，按顺序调用；用友好专业的语气、通俗易懂的语言回答；"
"无法完成时如实说明原因。请始终使用中文回答。"
),
)
self.messages = [] # 对话历史
def chat(self, user_input: str) -> str:
"""对话接口"""
self.messages.append({"role": "user", "content": user_input}) # 1. 追加用户消息
result = self.agent.invoke({"messages": self.messages}) # 2. 带上历史调用
self.messages = result["messages"] # 3. 用返回的完整列表覆盖历史
for msg in reversed(self.messages): # 4. 从后往前找最后一条有内容的 AI 消息
if msg.type == "ai" and msg.content:
return msg.content
return "抱歉，我无法处理这个请求。"
def reset(self):
"""重置对话历史"""
self.messages = []
# 不调模型的自测
assistant = SmartAssistant()
print(inspect.signature(SmartAssistant.chat)) # (self, user_input: str) -> str
print(inspect.signature(SmartAssistant.reset)) # (self)
assistant.messages = [{"role": "user", "content": "假消息"}]
assistant.reset()
print(len(assistant.messages)) # 0 ← reset 生效
# ==================== 2-4 手算校验货币转换 ====================
print(convert_currency.invoke({"amount": 100, "from_curr": "USD", "to_curr": "CNY"}))
# 100.0 美元（USD）= 714.29 人民币（CNY） ← 手算 100 / 0.14 * 1.0 = 714.29 ✓
print(convert_currency.invoke({"amount": 1000, "from_curr": "CNY", "to_curr": "JPY"}))
# 1000.0 人民币（CNY）= 20800.00 日元（JPY） ← 手算 1000 / 1.0 * 20.8 = 20800.0 ✓
print(convert_currency.invoke({"amount": 100, "from_curr": "KRW", "to_curr": "CNY"}))
# 不支持的源货币：KRW。支持的货币：CNY, USD, EUR, GBP, JPY, HKD ← 不抛异常
# ==================== 3-1 完整脚本 ====================
import math
import os
from datetime import datetime, timedelta
from dotenv import load_dotenv
from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
from langchain_core.tools import tool
load_dotenv(override=True)
model = init_chat_model(
model="deepseek-v4-flash",
model_provider="openai",
api_key=os.getenv("DEEPSEEK_API_KEY"),
base_url=os.getenv("DEEPSEEK_BASE_URL"),
)
# ---------- 工具定义（天气 / 搜索，其余三个见上）----------
@tool
def get_weather(city: str) -> str:
"""获取指定城市的实时天气信息
Args:
city: 城市名称，如"北京"、"上海"、"深圳"等
"""
weather_db = {"北京": "多云，15-22℃，空气质量良", "杭州": "晴天，17-24℃，空气质量优"}
if city in weather_db:
return f"{city}：{weather_db[city]}"
return f"抱歉，暂不支持查询{city}的天气信息。当前支持：北京、杭州"
@tool
def search_info(keyword: str, category: str = "all") -> str:
"""搜索各类信息
Args:
keyword: 搜索关键词
category: 搜索分类：product 产品 / news 新闻 / all 全部
"""
products = {"手机": "iPhone 15 (¥5999), 小米14 (¥3999)", "耳机": "AirPods Pro (¥1999)"}
news = {"AI": "1. GPT-5 即将发布 2. AI 芯片市场增长 30%"}
results = []
if category in ["product", "all"]:
results += [f"【产品】{k}：{v}" for k, v in products.items() if keyword in k]
if category in ["news", "all"]:
results += [f"【新闻】{k} 相关：{v}" for k, v in news.items() if keyword in k or keyword in v]
return "\n".join(results) if results else f"未找到关于 '{keyword}' 的{category}信息"
# ---------- 主程序 ----------
def main():
assistant = SmartAssistant()
print("=" * 40)
print("🤖 多功能智能助手（LangChain 1.2）")
print("=" * 40)
print("\n输入 'quit' 退出，输入 'reset' 重置对话\n")
demos = [
"北京今天天气怎么样？",
"帮我算一下 (25 + 17) * 3",
"现在几点了？",
"100 美元等于多少人民币？",
]
for demo in demos:
print(f"👤 {demo}")
print(f"🤖 {assistant.chat(demo)}\n")
assistant.reset() # 让 demo 不污染交互
print("=" * 40)
print("🤖 进入交互模式")
print("=" * 40)
while True:
user_input = input("\n👤 你: ")
if user_input.lower() == "quit":
print("再见！👋")
break
if user_input.lower() == "reset":
assistant.reset()
print("✅ 对话已重置")
continue
if not user_input.strip():
continue
print(f"🤖 助手: {assistant.chat(user_input)}")
if __name__ == "__main__":
main()
# 3-1 第 4 问：在 chat() 里加一行 print(f"[消息列表现在有 {len(self.messages)} 条]")
# 一轮问答后通常是 4 条（用户消息 + AI 工具调用 + 工具返回 + 最终回答）