1、模型

# 加载环境变量
from dotenv import load_dotenv

load_dotenv()

一定不要忘加载

1、1初始化模型

 1、1、1自动推断---------根据模型名称自动推断模型、仅限于LangChain支持的模型

# 导入Langchain的初始化模型的函数
from langchain.chat_models import init_chat_model

# 调用init_chat_model函数初始化模型
# 参数model用来指定模型名称，Langchain会根据模型名字自动设定base_url，并从环境变量中获取api_key
model = init_chat_model(model="deepseek-chat")

1、1、2手动配置推断--------使用的是openai实际上是 openai调用的底层ai

# 我们收到加载环境变量中的base_url和api_key
import os

base_url = os.getenv("DASHSCOPE_BASE_URL")
api_key = os.getenv("DASHSCOPE_API_KEY")

model = init_chat_model(
    model="qwen-max",  # 模型名称，这里可以自定义，我们用的是阿里的qwen-max
    model_provider="openai",  # 如果是Langchain不支持的模型，需要指定模型提供者（虽然我们用的是阿里，但是阿里兼容openai，所以这里用openai）
    base_url=base_url,
    api_key=api_key
)

1、1、3当openai不兼容时使用model类

from langchain_community.chat_models.tongyi import ChatTongyi

# 使用Model类初始化模型
model = ChatTongyi(
    model="qwen-max"
    # 其它模型参数...
)

1、2调用模型

1、2、1、invoke---模型全部生成才返回

# 通过invoke函数访问模型，需要阻塞等待模型生成结果
response = model.invoke("你是谁？")
# 调用invoke函数，传入消息数组
response = model.invoke([
    {"role": "system", "content": "你扮演火箭队的武藏，以武藏的性格口吻回答用户的问题。"},
    {"role": "user", "content": "你是谁？"}
])

1、2、2、stream

invoke阻塞式调用需要等待较长时间才能看到AI返回的结果，而stream则是流式调用，可以实时看到AI返回的一个个词。

# 通过.stream函数实现流式访问
stream = model.stream("你是谁？")

1、2、3、在智能体中使用模型

I创建智能体

from langchain.agents import create_agent

# 1.使用初始化好的model创建Agent
agent = create_agent(model=model)

# 2.指定Model名称，由LangChain自动初始化模型
agent = create_agent(model="deepseek-chat")

II调用智能体

response = agent.invoke({
    "messages": [{"role": "user", "content": "你是谁？"}]
})
# 通过stream函数实现流式访问
messages = agent.stream(
    {"messages": [{"role": "user", "content": "你是谁？"}]},
    stream_mode="messages"
)

2、消息Message

在LangChain中，发送给LLM的消息、LLM返回的消息都统一被封装为BaseMessage，它是Agent中基本的上下文单元。

在LangChain中，我们并不需要自己创建BaseMessage对象，LangChain已经把常见消息根据角色（Role）创建了对应的BaseMessage的子类：
- SystemMessage：role是system，代表系统消息，用于设定模型角色和交互背景
- HumanMessage：role是user，代表用户输入的消息
- AIMessage：role是assistant，代表LLM生成的响应，包含：文本、工具调用、元数据
- ToolMessage：role是tool，代表工具调用时产生的结果

我们可以直接使用这些Messages类型来发送消息。

from langchain.agents import create_agent
from langchain.tools import tool
from langchain_core.messages import SystemMessage, HumanMessage, AIMessage

# 定义工具
@tool
def get_weather(location: str) -> str:
    """
    Get the weather in a given location.
    Args:
        location: city name or coordinates
    """
    return f"Current weather in {location} is sunny"

# 创建Agent
agent = create_agent(model="deepseek-chat", tools=[get_weather])

# 调用Agent，发送消息
response = agent.invoke({
    "messages": [
        SystemMessage("请使用工具来获取天气信息。"),
        HumanMessage("你好，我是龙哥."),
        AIMessage("你好，虎哥，很高兴认识你."),
        HumanMessage("北京今天天气如何？")
    ]
})

print(response)

{'messages': [SystemMessage(content='请使用工具来获取天气信息。', additional_kwargs={}, response_metadata={}, id='e377ae65-f552-4730-8f75-12baa71a1600'), HumanMessage(content='你好，我是龙哥.', additional_kwargs={}, response_metadata={}, id='a1ddfca6-f369-4e00-a1a6-42300e206f6e'), AIMessage(content='你好，虎哥，很高兴认识你.', additional_kwargs={}, response_metadata={}, id='dde71568-a66f-40e8-be29-8dab9b8b2443', tool_calls=[], invalid_tool_calls=[]), HumanMessage(content='北京今天天气如何？', additional_kwargs={}, response_metadata={}, id='5171a6a3-b4e2-4222-a6e6-3e898b82c502'), AIMessage(content='好的，我来查一下北京今天的天气情况。', additional_kwargs={'refusal': None}, response_metadata={'token_usage': {'completion_tokens': 53, 'prompt_tokens': 316, 'total_tokens': 369, 'completion_tokens_details': None, 'prompt_tokens_details': {'audio_tokens': None, 'cached_tokens': 256}, 'prompt_cache_hit_tokens': 256, 'prompt_cache_miss_tokens': 60}, 'model_provider': 'deepseek', 'model_name': 'deepseek-v4-flash', 'system_fingerprint': 'fp_8b330d02d0_prod0820_fp8_kvcache_20260402', 'id': '80d1a543-c772-43f0-bac1-18e4d6e7c8a5', 'finish_reason': 'tool_calls', 'logprobs': None}, id='lc_run--019e2cb6-7827-7281-ba10-e8d47f119330-0', tool_calls=[{'name': 'get_weather', 'args': {'location': '北京'}, 'id': 'call_00_ihW86R8C59zw5gJqhYgb6852', 'type': 'tool_call'}], invalid_tool_calls=[], usage_metadata={'input_tokens': 316, 'output_tokens': 53, 'total_tokens': 369, 'input_token_details': {'cache_read': 256}, 'output_token_details': {}}), ToolMessage(content='Current weather in 北京 is sunny', name='get_weather', id='c62c7730-3bfb-4d1a-b635-40ab59b4943a', tool_call_id='call_00_ihW86R8C59zw5gJqhYgb6852'), AIMessage(content='虎哥，北京今天天气是**晴天**☀️，阳光明媚，是个好天气！适合出去走走逛逛。', additional_kwargs={'refusal': None}, response_metadata={'token_usage': {'completion_tokens': 26, 'prompt_tokens': 388, 'total_tokens': 414, 'completion_tokens_details': None, 'prompt_tokens_details': {'audio_tokens': None, 'cached_tokens': 256}, 'prompt_cache_hit_tokens': 256, 'prompt_cache_miss_tokens': 132}, 'model_provider': 'deepseek', 'model_name': 'deepseek-v4-flash', 'system_fingerprint': 'fp_8b330d02d0_prod0820_fp8_kvcache_20260402', 'id': '8859d88d-0eb9-4761-9447-a219f35c392d', 'finish_reason': 'stop', 'logprobs': None}, id='lc_run--019e2cb6-7c53-7393-8331-9139de391b8e-0', tool_calls=[], invalid_tool_calls=[], usage_metadata={'input_tokens': 388, 'output_tokens': 26, 'total_tokens': 414, 'input_token_details': {'cache_read': 256}, 'output_token_details': {}})]}

for message in response['messages']:
    message.pretty_print()
================================ System Message ================================

请使用工具来获取天气信息。
================================ Human Message =================================

你好，我是龙哥.
================================== Ai Message ==================================

你好，虎哥，很高兴认识你.
================================ Human Message =================================

北京今天天气如何？
================================== Ai Message ==================================

好的，我来查一下北京今天的天气情况。
Tool Calls:
  get_weather (call_00_ihW86R8C59zw5gJqhYgb6852)
 Call ID: call_00_ihW86R8C59zw5gJqhYgb6852
  Args:
    location: 北京
================================= Tool Message =================================
Name: get_weather

Current weather in 北京 is sunny
================================== Ai Message ==================================

2、1、多模态消息

2、1、1线上图片

from langchain.chat_models import init_chat_model
import os

# 初始化模型
model = init_chat_model(
    model="qwen3.5-plus",  # 模型名称，这里选择qwen3.5-plus，这是一个多模态模型，支持图片、文本、音频、视频
    model_provider="openai",
    base_url=os.getenv("DASHSCOPE_BASE_URL"),
    api_key=os.getenv("DASHSCOPE_API_KEY")
)

# 创建Agent
agent = create_agent(model=model)
# 准备多模态消息
message = HumanMessage([
        {"type": "text", "text": "描述以下这张图片的内容."},
        {"type": "image", "url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241022/emyrja/dog_and_girl.jpeg"},
    ])
stream = agent.stream(
    {"messages": [message]},
    stream_mode="messages"
)
for chunk, metadata in stream:
    if chunk.content:   ---这句话是判断是否有值
        print(chunk.content, end="", flush=True)

======================================================================================
这张图片捕捉了一个非常温馨、治愈的瞬间，主要包含以下内容：

**1. 主体人物与动作：**
*   **一位年轻女性**：她侧身坐在沙滩上，留着长发，身穿黑白格纹的衬衫和深色长裤（裤脚卷起）。她脸上洋溢着开心的笑容，正伸出右手。
*   **一只金色的狗**（看起来像拉布拉多或金毛寻回犬）：它乖巧地坐在女子对面，身上戴着带有彩色图案的胸背带。它抬起一只前爪，正在与女子进行“击掌”（High-five）或者握手的互动。
*   **互动**：两者的动作非常同步，展现了人与宠物之间亲密无间的默契和快乐。

**2. 环境与背景：**
*   **地点**：显然是在海边沙滩上。前景是细腻的沙子，上面有一些脚印。
*   **大海**：背景是平静的大海，可以看到白色的浪花正在轻轻拍打着海岸。
*   **光线**：阳光从画面右侧照射过来（可能是日落或日出时的“黄金时刻”），光线非常柔和且温暖。这束光给女子的头发和侧脸，以及狗狗的背部都镀上了一层金色的轮廓光，营造出一种梦幻、宁静的氛围。

**3. 细节：**
*   狗的红色牵引绳随意地散落在沙地上，说明他们正在放松地玩耍。
*   女子的手腕上戴着一只白色的手表或手环。

总的来说，这是一张展现人与动物和谐相处、享受海边美好时光的照片。

2、1、2本地图片

首先先添加上传图片的工具

from ipywidgets import FileUpload
from IPython.display import display

uploader = FileUpload(accept='*', multiple=False)
display(uploader)

LangChain规定必须是base64格式

# 读取图片，转为base64字符串
import base64

# 获取第一个（也是唯一一个）上传的文件
uploaded_file = uploader.value[0]

# 获取其内存视图
content_mv = uploaded_file["content"]

# 转换内存视图->字节
img_bytes = bytes(content_mv)  # or content_mv.tobytes()

# base64编码
img_b64 = base64.b64encode(img_bytes).decode("utf-8")

# 组织多模态消息
multimodal_question = HumanMessage(content=[
    {
        "type": "image",
        "base64": img_b64,
        "mime_type": "image/jpeg",
    },
    {"type": "text", "text": "给我讲讲图片中的颜色"}
])

for chunk, metadata in agent.stream(
    {"messages": [multimodal_question]},
    stream_mode="messages"
):
    print(chunk.content, end="", flush=True)

我们可以从上到下把颜色拆解来看：

1.  **顶部（亮部）：**
    *   最上方是**极淡的米白色**或**奶油色**，带有一点点暖黄色的倾向。这看起来像是阳光照射下来的感觉，或者是天空的高光部分。

2.  **中上部（过渡区）：**
    *   颜色开始慢慢变成**淡黄绿色**和**薄荷绿**。这些颜色非常柔和、透亮，给人一种轻盈、透气的感觉。

3.  **中部（主体区）：**
    *   这里进入了明显的**青绿色（Teal）**和**翡翠绿**区域。这是图片的主色调，既有绿色的生机，又有蓝色的冷静。这种颜色通常让人联想到清澈的浅海湖水。

4.  **底部（暗部）：**
    *   颜色逐渐加深，变成了**深蓝绿色**、**孔雀蓝**，最底部甚至接近**深海军蓝**或**午夜蓝**。这部分提供了视觉上的重量感，让画面显得稳重。

**总结来说：**
这张图使用了一个**垂直的色彩渐变**，从顶部的“光”过渡到底部的“深海”。这种配色方案（Analogous colors，类似色搭配）非常经典，常用于科技背景、网页设计或作为让人放松的壁纸，因为它模拟了自然界中从天空到海洋或森林的层次感。

3、提示词

提示词（Prompts）

发送给大模型的所有消息都可以称为**提示词（Prompt）**，它直接影响模型的输出结果。

系统提示词
在所有发送给LLM的消息中，System Message最为重要，它设定了模型的角色和聊天的背景。会影响到后续所有的对话。我们将其称之为**系统提示词（System Prompt）**。

在创建智能体时，就可以直接指定系统提示词。

from langchain.agents import create_agent
from langchain.messages import HumanMessage

# 创建智能体
agent = create_agent(
    model = "deepseek-chat",
    system_prompt="你以海盗的口吻来回答用户问题。"----------系统提示词
)

# 调用智能体
for token, metadata in agent.stream(
    {"messages": [HumanMessage(content="你是谁？")]},
    stream_mode="messages"
):
    print(token.content, end="", flush=True)

系统提示词（System Prompt)

会包含以下几个部分
- **身份角色（Identity）**：描述AI的职责、沟通风格和总体目标。
- **指令说明（Instructions）**：请指导模型如何生成所需的响应。它应该遵循哪些规则？模型应该做什么，以及模型绝对不能做什么？
- **对话示例（Examples）**：提供可能的输入示例，以及模型期望的输出。
- **背景信息（Context）**：向模型提供生成响应所需的任何额外信息，例如RAG的额外知识库数据，或您认为特别相关的任何其他数据。

system_prompt = """
# 身份
- 你是一个编程助手，你帮助用户编写Python代码。

# 指令
- 定义变量时，使用snake case命名法，而不是camel case命名法。 ---用下划线而不是驼峰
- 不要返回markdown格式说明，仅仅返回代码即可。   ---更简洁节省token

"""

# 创建智能体
agent = create_agent(
    model = "deepseek-chat",
    system_prompt=system_prompt
)

for token, metadata in agent.stream(
    {"messages": [HumanMessage(content="怎样定义string变量记录学校名字，例如`黑马程序员`")]},
    stream_mode="messages"
):
    print(token.content, end="", flush=True)

省钱技巧---对系统提示词更加详细

对话示例（Few-Shot examples）

Few-shot示例是一种为模型提供多个示例的方法，以便它可以学习行为模式并生成更准确的响应。

system_prompt = """
# 身份
- 你是一个科幻作家，根据用户的要求创建一个太空之都。

# 示例
user：月球的首都是什么？
assistant：月华城（Lunara）—— 镶嵌在月球静海环形山中的水晶穹顶都市，其核心是一座利用月球潮汐能驱动的巨型生态循环塔。

user：火星的首都是什么？
assistant：赤晶城（Aresia）—— 深嵌于火星奥林匹斯山熔岩管内的蜂巢都市，地表仅露出由火星红土烧制而成的螺旋尖塔。
"""

# 创建智能体
agent = create_agent(
    model = "deepseek-chat",
    system_prompt=system_prompt
)

for token, metadata in agent.stream(
    {"messages": [HumanMessage(content="金星的首都是什么?")]},
    stream_mode="messages"
):
    print(token.content, end="", flush=True)
---------------------------------------------------------------------------------------
**云冕城（Aphrodia）**——悬浮于金星硫酸云层上空的浮岛集群都市，由反重力引擎与太阳帆阵列共同维持，其核心是一座能将大气二氧化碳转化为钻石穹顶的巨型催化塔。

结构化输出----基于提示词的结构化输出----自定义

模型擅长自然语言交流和非结构化数据识别，但是传统程序识别结构化的数据会更加方便。所以有时候我们希望模型也能输出固定结构的内容，方便我们解析。

这可以通过系统提示词来实现，我们可以在提示词中指定模型的输出格式，从而使模型的输出更易于解析和使用。

system_prompt = """
# 身份
- 你是一个科幻作家，根据用户的要求创建一个太空之都。

# 指令
- 请务必以JSON格式输出，不要加任何markdown样式。

# 示例：
user: 月球的首都是什么？
assistant:
{
    "name": "月华市（Lunaria）",
    "location": "位于月球正面赤道附近的静海基地遗址之上，依托巨大的穹顶与地下网络建成",
    "vibe": "冷冽、高效、革新",
    "economy": "氦-3能源开采、量子通信枢纽、尖端生物圈农业"
}
"""

agent = create_agent(
    model="deepseek-chat",
    system_prompt=system_prompt
)

response = agent.invoke(
    {"messages": [HumanMessage(content="金星的首都是什么?")]},
)
print(response['messages'][-1].content)

---------------------------------------------------------------------------------------
{
    "name": "硫磺城（Sulfura）",
    "location": "悬浮于金星浓厚大气层中距地表约50公里的高空，由巨大的反重力浮空平台群构成",
    "vibe": "高压、炽热、坚韧",
    "economy": "大气资源提炼（二氧化碳、硫酸）、极端环境材料制造、太阳能巨型阵列"
}

基于Model的结构化输出---LangChain简化版

在LangChain中，实现结构化输出会更加简单。我们无需自己在提示词中添加描述实现结构化输出，而仅仅是两步即可：
1- 定义一个数据类型（基于pydantic）

from pydantic import BaseModel

# 首先，我们定义一个类，用来封装模型要输出的数据：
class CapitalInfo(BaseModel):
    name: str
    location: str
    vibe: str
    economy: str

2- 创建智能体，设置输出格式

# 我们可以创建智能体时设置结构化输出的格式，LangChain会自动帮我们完成提示词改造和响应结果解析。
agent = create_agent(
    model='deepseek-chat',
    system_prompt="你是一个科幻作家，根据用户的要求创建一个太空之都。",
    response_format=CapitalInfo # 设置结构化输出的格式
)

response = agent.invoke(
    {"messages": [HumanMessage(content="月球的首都是什么?")]}
)
# 输出结果
print(response)
-----------------------------------------------------------------------------------------
{'messages': [HumanMessage(content='月球的首都是什么?', additional_kwargs={}, response_metadata={}, id='bdc4c411-a8d5-4351-939a-d6f6e5689a54'), 
AIMessage(content='', additional_kwargs={'refusal': None}, response_metadata={'token_usage': {'completion_tokens': 134, 'prompt_tokens': 355, 'total_tokens': 489, 'completion_tokens_details': None, 'prompt_tokens_details': {'audio_tokens': None, 'cached_tokens': 320}, 'prompt_cache_hit_tokens': 320, 'prompt_cache_miss_tokens': 35}, 'model_provider': 'deepseek', 'model_name': 'deepseek-chat', 'system_fingerprint': 'fp_eaab8d114b_prod0820_fp8_kvcache_new_kvcache', 'id': '668ea94a-cfd7-4547-8039-f82b22edf755', 'finish_reason': 'tool_calls', 'logprobs': None}, id='lc_run--019d230e-e690-7652-ad8b-87703c39fbb5-0', tool_calls=[{'name': 'CapitalInfo', 'args': {'name': '月宫', 'location': '月球南极-艾特肯盆地边缘', 'vibe': '未来主义与古典东方美学融合，低重力环境下的优雅建筑，透明穹顶下的花园城市', 'economy': '氦-3开采与精炼、月球旅游、零重力制造、科学研究、稀有金属贸易'}, 'id': 'call_00_i68mFAfCzaCGVA8POKixhIxO', 'type': 'tool_call'}], invalid_tool_calls=[], usage_metadata={'input_tokens': 355, 'output_tokens': 134, 'total_tokens': 489, 'input_token_details': {'cache_read': 320}, 'output_token_details': {}}), ToolMessage(content="Returning structured response: name='月宫' location='月球南极-艾特肯盆地边缘' vibe='未来主义与古典东方美学融合，低重力环境下的优雅建筑，透明穹顶下的花园城市' economy='氦-3开采与精炼、月球旅游、零重力制造、科学研究、稀有金属贸易'", name='CapitalInfo', id='00a81454-bed9-487f-b49f-6296c21923b1', tool_call_id='call_00_i68mFAfCzaCGVA8POKixhIxO')], 'structured_response': CapitalInfo(name='月宫', location='月球南极-艾特肯盆地边缘', vibe='未来主义与古典东方美学融合，低重力环境下的优雅建筑，透明穹顶下的花园城市', economy='氦-3开采与精炼、月球旅游、零重力制造、科学研究、稀有金属贸易')}

city = response['structured_response']----返回值中会有这个结构化的变量对它处理
printf
--------------------------------------------------------
CapitalInfo(name='月宫', location='月球南极-艾特肯盆地边缘', vibe='未来主义与古典东方美学融合，低重力环境下的优雅建筑，透明穹顶下的花园城市', economy='氦-3开采与精炼、月球旅游、零重力制造、科学研究、稀有金属贸易')

print(f"{city.name}位于{city.location}，是一座{city.vibe}的城市，其主要产业包括{city.economy}。")
-----------------------------------------------------------------------------------------
月宫位于月球南极-艾特肯盆地边缘，是一座未来主义与古典东方美学融合，低重力环境下的优雅建筑，透明穹顶下的花园城市的城市，其主要产业包括氦-3开采与精炼、月球旅游、零重力制造、科学研究、稀有金属贸易。

4、工具

一个完整的Agent至少要包含两个关键的部分：
- **模型**：是Agent的大脑，负责推理、分析，规划任务步骤
- **工具**：是Agent的手脚，负责执行任务，与外界交互

因此，定义带有工具的Agent的基本流程如下：
- 定义工具
- 初始化模型
- 初始化Agent，绑定模型和工具

 1.自定义工具

所谓的**工具（Tool）**，本质就是一个可调用的**函数**，但是这个函数不是我们自己去调用，而是给模型调用。因此除了定义函数外，我们还需要清晰描述这个工具，让模型知道这个工具如何使用。包括下列信息：
- 工具名
- 工具的作用
- 工具需要的参数

1---基于tool描述工具
在LangChain中，定义工具需要用到@tool装饰器，我们可以通过装饰器来定义工具名、工具的作用：

from langchain_core.tools import tool

@tool("square_root", description="Calculate the square root of a number")
def tool1(x: float) -> float:
    return x ** 0.5

.2----使用函数名和文档注释描述工具---推荐

如果不@tool装饰器没有定义工具名和作用描述，此时：
- 工具名：默认就是函数名
- 工具所需的参数：默认就是函数的参数列表
- 工具作用的描述：默认就是函数的文档注释

from langchain_core.tools import tool
# 通过tool装饰器定义工具
@tool
def square_root(x: float) -> float:
    """Calculate the square root of a number"""
    return x ** 0.5

# 定义一个查询天气的tool
@tool
def get_weather(location: str, units: str = "celsius", include_forecast: bool = False) -> str:
    """
    Get current weather and optional forecast.
    Args:
        location: city name or coordinates
        units: unit of degrees
        include_forecast: does it include the weather forecast
    """
    temp = 22 if units == "celsius" else 72
    result = f"Current weather in {location}: {temp} degrees {units[0].upper()}"
    if include_forecast:
        result += "\nNext 5 days: Sunny"
    return result

3----定义Pydantic Model描述参数---参数复杂时
如果函数的参数比较多，而且比较复杂，此时建议通过pydantic model来描述参数列表。

# 通过自定义model来约束入参
from pydantic import BaseModel, Field
from typing import Literal


# 例如一个查询天气的tool
class WeatherInput(BaseModel):
    """查询天气的输入参数."""
    location: str = Field(description="City name or coordinates")
    units: Literal["celsius", "fahrenheit"] ---枚举
    = Field(
        default="celsius",
        description="Temperature unit preference, default is celsius."
    )
    include_forecast: bool = Field(
        default=False,
        description="Include 5-day forecast"
    )

# 定义一个查询天气的tool
@tool(args_schema=WeatherInput)
def get_weather(location: str, units: str = "celsius", include_forecast: bool = False) -> str:
    """Get current weather and optional forecast."""
    temp = 22 if units == "celsius" else 72
    result = f"Current weather in {location}: {temp} degrees {units[0].upper()}"
    if include_forecast:
        result += "\nNext 5 days: Sunny"
    return result

from langchain.agents import create_agent
from langchain.messages import HumanMessage

agent = create_agent(
    model="deepseek-chat",
    tools=[square_root, get_weather],
    system_prompt="你可以使用工具回答用户问题，调用工具时尽量使用默认参数，除非用户特别指定。"
)
for token, metadata in agent.stream(
    {"messages": [HumanMessage(content="杭州接下来几天天气如何?")]},
    stream_mode="messages"
):
    print(token.content, end="", flush=True)
----------------------------------------------------------------------------------------
我来帮您查询杭州接下来几天的天气情况。Current weather in 杭州: 22 degrees C
Next 5 days: Sunny根据查询结果，杭州当前的天气是22摄氏度。接下来5天的天气预报显示都是晴天。

看起来天气情况很不错，接下来几天杭州都会是晴朗的天气，温度适宜。建议您可以安排一些户外活动，但也要注意防晒哦！
========================================================================================
response = agent.invoke(
    {"messages": [HumanMessage(content="467和529的平方根是多少?")]},
)

for message in response['messages']:
    print(message.pretty_print())
----------------------------------------------------------------------------------------
================================ Human Message =================================

467和529的平方根是多少?
None
================================== Ai Message ==================================

我来帮你计算467和529的平方根。
Tool Calls:
  square_root (call_00_aQ0QNpiJNd4qKupaSlDGchGM)
 Call ID: call_00_aQ0QNpiJNd4qKupaSlDGchGM
  Args:
    x: 467
None
================================= Tool Message =================================
Name: square_root

21.61018278497431
None
================================== Ai Message ==================================
Tool Calls:
  square_root (call_00_PprajYbdstDClKsLlloiFr0j)
 Call ID: call_00_PprajYbdstDClKsLlloiFr0j
  Args:
    x: 529
None
================================= Tool Message =================================
Name: square_root

23.0
None
================================== Ai Message ==================================

计算结果如下：

- **467的平方根** ≈ 21.6102
- **529的平方根** = 23.0（因为529是23的平方，所以结果是精确的整数）

529是一个完全平方数（23² = 529），所以它的平方根是精确的23。

5、记忆