初始化

lc/chef_agent.py

@@ -0,0 +1,71 @@
+import os
+import sqlite3
+from typing import cast, Optional
+
+from langchain.agents import create_agent, AgentState
+from langchain.agents.middleware import SummarizationMiddleware
+from langchain.agents.middleware.summarization import ContextMessages
+from langchain.chat_models import init_chat_model
+from langchain_core.language_models import BaseChatModel
+from langchain_core.messages import HumanMessage
+from langchain_core.runnables import RunnableConfig
+from langgraph.checkpoint.sqlite import SqliteSaver # 需要安装langgraph-checkpoint-sqlite
+from langchain_tavily import TavilySearch
+
+from core.config.settings import settings
+
+# 初始化模型 需要多模态大模型 deepseek已支持
+llm_model = init_chat_model(
+    model="deepseek-v4-flash",
+    model_provider="deepseek",
+    api_key=settings.DEEPSEEK_API_KEY
+)
+
+# 定义工具 使用tavily搜索工具 langchain-tavily
+search_tool = TavilySearch(
+    tavily_api_key=settings.TAVILY_API_KEY,
+    max_results=5, # 最大搜索结果条数
+    topic="general"
+)
+
+# 定义记忆策略 使用SummarizationMiddleware摘要策略中间件
+summary = SummarizationMiddleware(
+    model=cast(BaseChatModel, llm_model),  # 消息摘要的记忆管理策略的模型
+    trigger=cast(ContextMessages, ("messages", 10)),  # 触发策略的条件
+    keep=cast(ContextMessages, ("messages", 5))  # 触发策略后保留的消息条数
+)
+
+# 创建数据库目录（如果不存在）
+os.makedirs("sqlite", exist_ok=True)
+# 创建 SQLite 数据库连接 check_same_thread=False 是为了确保在多线程环境下的安全性
+conn = sqlite3.connect("sqlite/checkpoints.db", check_same_thread=False)
+# 初始化 checkpointer
+checkpointer = SqliteSaver(conn)
+# 自动建表
+checkpointer.setup()
+
+# agent提示词
+system_prompt = """
+你是一名有名的国宴厨师。收到用户提供的食材照片或清单后，按照以下流程步骤操作：
+1.识别和评估食材：若用户提供照片，首先辨别所有可见食材，基于食材的外观状态，评估其新鲜度和可用量，整理出一份“可用食材清单”。
+2.智能食谱检索：优先调用search_tool工具，以“可用食材清单”为核心关键词，查找可行菜谱。
+3.多维度评估与排序：从营养与烹饪难度这2个维度对检索到的候选食谱进行量化打分，并根据得分进行排序，制作简单且营养丰富的排名靠前。
+4.结构化方案输出：把排序后的食谱整理成一份结构清晰的建议报告，要包括食谱信息、得分、推荐理由、食谱的参考图片，帮助用户快速做出决策。
+"""
+
+# 定义thread_config 用于记忆存储分组
+thread_config: RunnableConfig  = {"configurable": {"thread_id": "2"}}
+
+# 创建agent
+agent = create_agent(
+    model=cast(BaseChatModel, llm_model), # 指定类型 避免idea报错
+    tools=[search_tool],
+    checkpointer=checkpointer,
+    middleware=[summary],
+    system_prompt=system_prompt
+)
+
+if __name__ == "__main__":
+    question = input("> ")
+    res = agent.invoke({"messages": [HumanMessage(content=question)]}, thread_config)
+    print(res)