Agent感知模式的5个工具方向

本文目录一、前言二、工具概览三、工具1上下文收集器四、工具2上下文建模器五、工具3上下文推理器六、工具4情境响应器七、工具5上下文管理器八、完整实战演示九、思考与建议十、总结与下一步一、前言1.1 工具化的上下文感知把上下文感知功能拆分成5个独立工具灵活组合使用可以单独使用某个工具可以按顺序组合成工具链可以集成到Agent中1.2 你将学到什么✅ 实现上下文收集工具✅ 实现上下文建模工具✅ 实现上下文推理工具✅ 实现情境响应工具✅ 实现上下文管理工具二、工具概览2.1 5个工具工具文件作用上下文收集器tool_1_context_collector.py收集多源上下文信息上下文建模器tool_2_context_modeler.py构建上下文表示上下文推理器tool_3_context_reasoner.py基于上下文进行推断情境响应器tool_4_situational_responder.py生成情境相关响应上下文管理器tool_5_context_manager.py管理上下文生命周期2.2 文件结构05_context_awareness/ ├── shared_context.py # 共享存储 ├── tool_1_context_collector.py # 工具1 ├── tool_2_context_modeler.py # 工具2 ├── tool_3_context_reasoner.py # 工具3 ├── tool_4_situational_responder.py # 工具4 ├── tool_5_context_manager.py # 工具5 ├── context_chain_demo.py # 工具链演示 ├── context_agent_demo.py # Agent演示 └── sample_contexts.json # 示例数据三、工具1上下文收集器3.1 功能说明从多个来源收集上下文信息对话、用户、环境、任务。支持分类收集或一次性收集所有上下文。3.2 核心代码from langchain.tools import tool import sys import os sys.path.insert(0, os.path.dirname(os.path.abspath(__file__))) from shared_context import context_store, update_dialogue, update_user, update_environment, update_task, get_context, init_environment_context tool def context_collector(context_type, dataNone): 收集多源上下文信息 参数: context_type: 上下文类型 (dialogue/user/environment/task/all) data: 上下文数据字典格式可选 返回: 收集结果 results [] if context_type dialogue and data: # 收集对话上下文 role data.get(role, user) content data.get(content, ) update_dialogue(role, content) results.append(f对话上下文已更新: {role} - {content[:30]}...) elif context_type user and data: # 收集用户上下文 for key, value in data.items(): update_user(key, value) results.append(f用户上下文已更新: {, .join(data.keys())}) elif context_type environment: # 收集环境上下文自动更新 init_environment_context() env context_store[environment] results.append(f环境上下文已更新: {env.get(date, )} {env.get(time, )}) elif context_type task and data: # 收集任务上下文 for key, value in data.items(): update_task(key, value) results.append(f任务上下文已更新: {, .join(data.keys())}) elif context_type all: # 收集所有上下文 init_environment_context() if data: if user in data: for key, value in data[user].items(): update_user(key, value) if task in data: for key, value in data[task].items(): update_task(key, value) results.append(所有上下文已收集) else: results.append(f未知的上下文类型: {context_type}) return \n.join(results)3.3 使用示例# 收集环境上下文 result context_collector.invoke({context_type: environment}) print(result) # 收集用户上下文 user_data { name: 小明, age: 28, role: 开发工程师, preference: 喜欢Python编程 } result context_collector.invoke({ context_type: user, data: user_data }) print(result) # 收集对话上下文 dialogue_data { role: user, content: 你好我想了解一下上下文感知系统 } result context_collector.invoke({ context_type: dialogue, data: dialogue_data }) print(result)四、工具2上下文建模器4.1 功能说明把收集到的上下文信息组织成结构化表示支持单独建模某类上下文或全部上下文。4.2 核心代码from langchain.tools import tool import sys import os sys.path.insert(0, os.path.dirname(os.path.abspath(__file__))) from shared_context import context_store, get_context tool def context_modeler(context_typeNone): 构建上下文表示 参数: context_type: 上下文类型 (dialogue/user/environment/task/all)可选 返回: 结构化的上下文表示 context get_context() result [] if context_type is None or context_type all: types_to_process [dialogue, user, environment, task] else: types_to_process [context_type] for ctx_type in types_to_process: if ctx_type dialogue: # 对话上下文建模 dialogue context[dialogue] if dialogue: result.append(【对话上下文】) for i, msg in enumerate(dialogue[-5:], 1): # 只显示最近5条 result.append(f {i}. [{msg[role]}] {msg[content][:40]}...) else: result.append(【对话上下文】无对话记录) elif ctx_type user: # 用户上下文建模 user context[user] if user: result.append(【用户上下文】) for key, value in user.items(): result.append(f {key}: {value}) else: result.append(【用户上下文】无用户信息) elif ctx_type environment: # 环境上下文建模 env context[environment] if env: result.append(【环境上下文】) result.append(f 时间: {env.get(date, )} {env.get(time, )}) result.append(f 星期: {env.get(weekday, )}) result.append(f 时段: {上午 if env.get(hour, 0) 12 else 下午 if env.get(hour, 0) 18 else 晚上}) result.append(f 周末: {是 if env.get(is_weekend, False) else 否}) else: result.append(【环境上下文】无环境信息) elif ctx_type task: # 任务上下文建模 task context[task] if task: result.append(【任务上下文】) for key, value in task.items(): result.append(f {key}: {value}) else: result.append(【任务上下文】无任务信息) return \n.join(result)4.3 使用示例# 建模所有上下文 result context_modeler.invoke({}) print(result) # 只建模用户上下文 result context_modeler.invoke({context_type: user}) print(result)五、工具3上下文推理器5.1 功能说明基于上下文信息进行智能推断包括情境推理、意图推理和需求推理。5.2 核心代码from langchain.tools import tool import sys import os sys.path.insert(0, os.path.dirname(os.path.abspath(__file__))) from shared_context import context_store, get_context tool def context_reasoner(reasoning_typesituation): 基于上下文进行推断 参数: reasoning_type: 推理类型 (situation/intent/need/all) 返回: 推理结果 context get_context() results [] if reasoning_type situation or reasoning_type all: # 情境推理 results.append(【情境推理】) situation infer_situation(context) results.append(f 当前情境: {situation}) if reasoning_type intent or reasoning_type all: # 意图推理 results.append(【意图推理】) intent infer_intent(context) results.append(f 用户意图: {intent}) if reasoning_type need or reasoning_type all: # 需求推理 results.append(【需求推理】) needs infer_needs(context) results.append(f 用户需求: {needs}) return \n.join(results) def infer_situation(context): 推理当前情境 env context[environment] hour env.get(hour, 12) is_weekend env.get(is_weekend, False) if is_weekend: if 6 hour 12: return 周末上午可能比较放松 elif 12 hour 18: return 周末下午适合休闲活动 else: return 周末晚上休息时间 else: if 9 hour 12: return 工作日上午工作时间 elif 14 hour 18: return 工作日下午工作时间 elif 12 hour 14: return 工作日中午午休时间 else: return 非工作时间 def infer_intent(context): 推理用户意图 dialogue context[dialogue] if not dialogue: return 未知需要更多对话 last_msg dialogue[-1][content].lower() # 简单的关键词匹配 if any(keyword in last_msg for keyword in [学习, 了解, 知道, 什么]): return 获取信息或学习 elif any(keyword in last_msg for keyword in [帮助, 帮我, 求助]): return 寻求帮助 elif any(keyword in last_msg for keyword in [问题, 错误, bug]): return 解决问题 elif any(keyword in last_msg for keyword in [推荐, 建议, 选哪个]): return 寻求推荐 else: return 一般对话 def infer_needs(context): 推理用户需求 user context[user] needs [] # 基于用户信息推理需求 if user.get(role) 开发工程师: needs.append(技术相关内容) if Python in str(user.get(preference, )): needs.append(Python相关内容) # 基于情境推理需求 env context[environment] if not env.get(is_weekend, False) and 9 env.get(hour, 0) 18: needs.append(工作相关内容) if not needs: return 未明确特定需求 return , .join(needs)5.3 使用示例# 完整推理 result context_reasoner.invoke({reasoning_type: all}) print(result) # 只做情境推理 result context_reasoner.invoke({reasoning_type: situation}) print(result)六、工具4情境响应器6.1 功能说明根据上下文生成个性化的响应包括问候、情境建议和上下文相关的内容回复。6.2 核心代码from langchain.tools import tool import sys import os sys.path.insert(0, os.path.dirname(os.path.abspath(__file__))) from shared_context import context_store, get_context, get_context_summary tool def situational_responder(user_input): 生成情境相关响应 参数: user_input: 用户输入文本 返回: 个性化响应 context get_context() response_parts [] # 1. 根据时间问候 env context[environment] hour env.get(hour, 12) if 5 hour 12: greeting 早上好 elif 12 hour 18: greeting 下午好 else: greeting 晚上好 response_parts.append(greeting) # 2. 个性化称呼 user context[user] if user.get(name): response_parts.append(f{user[name]}) else: response_parts.append() # 3. 情境相关内容 situation get_situation_suggestion(context) if situation: response_parts.append(f\n{situation}) # 4. 响应用户输入 if user_input: response_parts.append(f\n关于您说的「{user_input}」) response_parts.append(get_contextual_reply(user_input, context)) return .join(response_parts) def get_situation_suggestion(context): 获取情境建议 env context[environment] hour env.get(hour, 12) is_weekend env.get(is_weekend, False) user context[user] suggestions [] # 基于时间的建议 if 11 hour 13: suggestions.append(现在是午餐时间记得按时吃饭哦) elif 17 hour 19: suggestions.append(现在是下班时间辛苦了) elif 22 hour or hour 6: suggestions.append(夜深了注意休息) # 基于用户角色的建议 if user.get(role) 开发工程师: if not is_weekend and 9 hour 18: suggestions.append(工作期间注意劳逸结合) return \n.join(suggestions) if suggestions else def get_contextual_reply(user_input, context): 获取上下文相关回复 user context[user] user_input_lower user_input.lower() # 基于用户偏好的回复 if python in user_input_lower and Python in str(user.get(preference, )): return 我知道您喜欢Python编程Python是一门很棒的语言广泛应用于AI、数据科学等领域。 # 基于对话历史的回复 dialogue context[dialogue] if len(dialogue) 1: return 我会记住我们的对话为您提供连贯的服务。 return 我正在努力理解您的需求让我为您提供最好的帮助6.3 使用示例# 测试问候响应 result situational_responder.invoke({}) print(result) # 测试用户输入响应 result situational_responder.invoke({user_input: 我想学习Python}) print(result)七、工具5上下文管理器7.1 功能说明管理上下文的生命周期查看、更新、清除、导出等操作。7.2 核心代码from langchain.tools import tool import sys import os sys.path.insert(0, os.path.dirname(os.path.abspath(__file__))) from shared_context import context_store, get_context, clear_context, get_context_summary tool def context_manager(command, keyNone, valueNone): 管理上下文生命周期 参数: command: 命令 (get/set/delete/clear/summary/export) key: 键名用于set/delete value: 值用于set 返回: 操作结果 if command get: # 获取上下文 if key: # 获取特定上下文 parts key.split(.) if len(parts) 1: result context_store.get(parts[0], {}) else: result context_store.get(parts[0], {}).get(parts[1], 未找到) return f【{key}】\n{result} else: # 获取所有上下文摘要 return context_summary() elif command set: # 设置上下文 if not key or value is None: return 设置操作需要提供key和value参数 parts key.split(.) if len(parts) 2: ctx_type, ctx_key parts if ctx_type in context_store: if isinstance(context_store[ctx_type], dict): context_store[ctx_type][ctx_key] value return f已设置 {key} {value} return f设置失败: {key} elif command delete: # 删除上下文 if not key: return 删除操作需要提供key参数 parts key.split(.) if len(parts) 2: ctx_type, ctx_key parts if ctx_type in context_store and ctx_key in context_store[ctx_type]: del context_store[ctx_type][ctx_key] return f已删除 {key} return f删除失败: {key} elif command clear: # 清除所有上下文 clear_context() return 所有上下文已清除 elif command summary: # 获取摘要 return context_summary() elif command export: # 导出上下文 import json return json.dumps(get_context(), ensure_asciiFalse, indent2) else: return f未知命令: {command}支持的命令: get/set/delete/clear/summary/export def context_summary(): 生成上下文摘要 context get_context() summary [] summary.append( * 40) summary.append(上下文摘要) summary.append( * 40) # 对话 dialogue_count len(context[dialogue]) summary.append(f对话: {dialogue_count}条) if dialogue_count 0: last_msg context[dialogue][-1] summary.append(f 最新: [{last_msg[role]}] {last_msg[content][:30]}...) # 用户 user_count len(context[user]) summary.append(f用户: {user_count}项) if user_count 0: user_info , .join([f{k}{v} for k, v in list(context[user].items())[:3]]) summary.append(f 信息: {user_info}) # 环境 env context[environment] summary.append(f环境: {env.get(date, )} {env.get(time, )}) # 任务 task_count len(context[task]) summary.append(f任务: {task_count}项) summary.append( * 40) return \n.join(summary)7.3 使用示例# 获取摘要 result context_manager.invoke({command: summary}) print(result) # 获取特定上下文 result context_manager.invoke({command: get, key: user.name}) print(result) # 设置上下文 result context_manager.invoke({command: set, key: user.age, value: 25}) print(result) # 导出上下文 result context_manager.invoke({command: export}) print(result) # 清除上下文 result context_manager.invoke({command: clear}) print(result)八、完整实战演示8.1 工具链演示我们将5个工具组合成完整的上下文处理流程from tool_1_context_collector import context_collector from tool_2_context_modeler import context_modeler from tool_3_context_reasoner import context_reasoner from tool_4_situational_responder import situational_responder from tool_5_context_manager import context_manager # 步骤1: 收集上下文 user_data { name: 小明, age: 28, role: 开发工程师, preference: 喜欢Python编程 } context_collector.invoke({context_type: user, data: user_data}) task_data { current_task: 学习上下文感知系统, progress: 开始阶段, priority: high } context_collector.invoke({context_type: task, data: task_data}) # 收集对话 context_collector.invoke({ context_type: dialogue, data: {role: user, content: 你好我叫小明} }) # 步骤2: 建模上下文 context_model context_modeler.invoke({}) print(context_model) # 步骤3: 推理上下文 analysis context_reasoner.invoke({reasoning_type: all}) print(analysis) # 步骤4: 生成响应 response situational_responder.invoke({user_input: 我想学习上下文感知系统}) print(response) # 步骤5: 管理上下文 summary context_manager.invoke({command: summary}) print(summary)8.2 运行演示cd 05_context_awareness python context_chain_demo.py8.3 演示内容收集多种上下文信息用户、任务、对话构建结构化的上下文模型基于上下文进行智能推理情境、意图、需求生成个性化的情境响应管理上下文生命周期九、思考与建议9.1 从这5个工具中获得的启发我们设计这5个上下文工具时遵循了单一职责原则和模块化设计。每个工具只做一件事但组合起来就能完成复杂的上下文感知任务。9.2 在你的业务中如何应用思考一下你的业务场景电商客服可以用上下文收集器记住用户浏览过的商品用推理器分析用户意图用响应器推荐相关商品学习助手可以用上下文管理器记住用户的学习进度用情境响应器在合适的时间提醒复习智能办公可以用环境上下文工作日/周末、工作时间/休息时间来调整回复的紧急程度9.3 扩展思路当前的实现是基础版你可以根据需求扩展接入真实传感器环境上下文不只是时间还可以接入GPS、天气API等更智能的推理可以接入大模型来做更复杂的意图识别和需求分析持久化存储可以把用户上下文保存到数据库下次用户回来时还能记住多用户支持当前是单用户可以扩展为多用户上下文管理9.4 建议动手试试先运行本文中的示例看看效果尝试修改工具代码加入你自己的业务逻辑把这些工具集成到你现有的应用中十、总结与下一步10.1 本文要点要点说明✅ 上下文收集多源信息收集✅ 上下文建模结构化表示✅ 上下文推理智能推断✅ 情境响应个性化回复✅ 上下文管理生命周期管理点赞 关注更新不迷路