# Agent

**Repository Path**: protect-xiaozhou/agent

## Basic Information

- **Project Name**: Agent
- **Description**: 学习 Agent 智能体开发
- **Primary Language**: Python
- **License**: MulanPSL-2.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-04-28
- **Last Updated**: 2026-05-22

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# agent

一个基于 LangChain 的多模型技能路由示例工程。

当前项目重点解决两个问题：

1. 将大模型接入从业务代码中解耦，支持按配置切换不同模型。
2. 将 Skill 的提示词能力做成可扩展的路由结构，方便后续继续增加技能。

## 功能概览

当前已支持：

1. 通义千问 `Tongyi`
2. OpenAI 兼容模型
3. DeepSeek
4. 基于关键字的 Skill 路由
5. 使用 `.env` 管理模型配置

## 目录结构

```text
agent/
├─ .env.example
├─ README.md
├─ 01_LLM应用.ipynb
└─ skill/
   ├─ MySkill.py
   └─ llm/
      ├─ __init__.py
      ├─ base.py
      ├─ config.py
      ├─ factory.py
      ├─ skill.py
      ├─ skill_router.py
      ├─ tongyi_strategy.py
      ├─ openai_strategy.py
      ├─ deepseek_strategy.py
      └─ openai_compatible_strategy.py
```

## 核心设计

### 1. 模型策略层

`skill/llm/base.py` 中定义了统一模型枚举和策略抽象：

```python
class ModelName(str, Enum):
    TONGYI_QWEN_PLUS = "tongyi_qwen_plus"
    OPENAI_GPT_4O_MINI = "openai_gpt_4o_mini"
    DEEPSEEK_CHAT = "deepseek_chat"
```

```python
class LLMStrategy(ABC):
    @abstractmethod
    def invoke(self, prompt):
        pass
```

`skill/llm/factory.py` 负责根据 `ModelName` 创建具体模型实例。

这样业务层只依赖：

1. `ModelName`
2. `LLMFactory`

不直接依赖具体模型 SDK。

### 2. 配置集中管理

`skill/llm/config.py` 统一负责：

1. 读取 `.env`
2. 获取默认模型
3. 获取 Tongyi / OpenAI / DeepSeek 的配置

### 3. Skill 路由层

`skill/llm/skill.py` 定义技能结构。

`skill/llm/skill_router.py` 负责：

1. 注册技能列表
2. 根据关键字匹配技能
3. 返回匹配原因
4. 生成技能描述摘要

`skill/MySkill.py` 只负责：

1. 创建模型
2. 调用路由器选择技能
3. 组装 Prompt
4. 发起模型调用

## 环境配置

先参考 `.env.example` 创建 `.env`。

示例：

```env
DEFAULT_MODEL_NAME=tongyi_qwen_plus

TONGYI_API_KEY=your_tongyi_key
TONGYI_MODEL=qwen-plus

OPENAI_API_KEY=your_openai_key
OPENAI_MODEL=gpt-4o-mini
OPENAI_BASE_URL=https://api.openai.com/v1

DEEPSEEK_API_KEY=your_deepseek_key
DEEPSEEK_MODEL=deepseek-chat
DEEPSEEK_BASE_URL=https://api.deepseek.com/v1
```

## 安装依赖

项目当前至少需要：

```bash
pip install langchain langchain-community python-dotenv dashscope
```

说明：

1. Tongyi 依赖 `langchain-community`
2. `.env` 读取依赖 `python-dotenv`
3. OpenAI 和 DeepSeek 当前通过兼容 HTTP 接口调用，不依赖 `openai` SDK

## 使用方式

### 1. 使用默认模型

默认模型由 `.env` 中的 `DEFAULT_MODEL_NAME` 决定。

```python
from skill.MySkill import MySkill

skill = MySkill()
result = skill.execute("帮我写一个 Python 二分查找")
print(result)
```

### 2. 显式指定模型

```python
from skill.MySkill import MySkill
from skill.llm import ModelName

skill = MySkill(ModelName.TONGYI_QWEN_PLUS)
print(skill.execute("帮我写一个 Python 二分查找"))

skill = MySkill(ModelName.OPENAI_GPT_4O_MINI)
print(skill.execute("帮我优化一条 SQL 查询"))

skill = MySkill(ModelName.DEEPSEEK_CHAT)
print(skill.execute("写一个 SQL join 示例"))
```

### 3. Notebook 示例

`01_LLM应用.ipynb` 中演示了：

1. 通过环境变量读取 `TONGYI_API_KEY`
2. 使用 `PromptTemplate`
3. 调用 Tongyi 模型

## 当前内置技能

`MySkill.py` 当前内置两个技能：

1. `python_expert`
2. `sql_expert`

每个技能包含：

1. `name`
2. `description`
3. `keywords`
4. `content`

示例结构：

```python
PYTHON_SKILL = {
    "name": "python_expert",
    "description": "Python 编程、算法、工程化",
    "keywords": ["python", "函数", "类", "算法"],
    "content": """
    你是资深 Python 工程师：
    1. 输出完整可运行代码，带注释
    2. 优先使用标准库，必要时用主流库
    3. 提供测试用例与错误处理
    """
}
```

## 如何新增一个 Skill

新增技能时，通常只需要两步：

1. 新增一个技能字典
2. 将它加入 `ALL_SKILLS`

示例：

```python
JAVA_SKILL = {
    "name": "java_expert",
    "description": "Java 编程、Spring、并发",
    "keywords": ["java", "spring", "jvm", "线程", "并发"],
    "content": """
    你是资深 Java 工程师：
    1. 输出完整可运行代码
    2. 解释设计思路
    3. 注意异常处理和工程实践
    """
}

ALL_SKILLS = [PYTHON_SKILL, SQL_SKILL, JAVA_SKILL]
```

## 如何新增一个模型

新增模型时，通常只需要：

1. 在 `ModelName` 中增加枚举值
2. 新增一个策略类
3. 在 `LLMFactory.create()` 中注册
4. 在 `config.py` 中增加对应配置读取

## 运行说明

直接运行：

```bash
python skill/MySkill.py
```

如果在 Windows 终端输出中文或特殊字符出现编码问题，当前脚本入口已做 `utf-8` 输出处理。

## 后续可扩展方向

1. 将每个 Skill 独立拆到单独文件
2. 支持自动扫描并注册插件技能
3. 支持让模型先做 Skill 分类，再路由到具体技能
4. 增加更多模型接入，例如 Claude
5. 为 `SkillRouter` 增加更细粒度匹配策略