示例：基于SDK的工具开发与应用实践

前提条件

已安装必须的Python包，包括agentarts-sdk、langgraph、 langchain-openai等。

• 管理面（控制面）：使用AK/SK认证，通过HUAWEICLOUD_SDK_AK和HUAWEICLOUD_SDK_SK设置环境变量。获取AK/SK请参考如何获取华为云AK/SK。
• 数据面：使用API_KEY认证，通过HUAWEICLOUD_SDK_CODE_INTERPRETER_API_KEY设置环境变量(可选，也可作为客户端参数传入)，SDK内部自动处理。获取API_KEY请参考如何获取沙箱工具的API_KEY。

  配置访问端点：通过AGENTARTS_CODEINTERPRETER_DATA_ENDPOINT设置环境变量 ，访问端点获取请参考终端节点，获取到终端节点后，在配置使用时，请配置为http://{域名}。

基于SDK的工具开发与应用实践

1. 安装agentarts-sdk包及其它依赖包。

   pip install agentarts-sdk
   pip install langgraph
   pip install langchain-openai

2. 导入代码解释器及其它包。

   import json
   import os
   from typing import Annotated, TypedDict
   from langchain_core.messages import AIMessage, BaseMessage, HumanMessage, SystemMessage
   from langchain_core.tools import tool
   from langchain_openai import ChatOpenAI
   from langgraph.graph import END, StateGraph
   from langgraph.graph.message import add_messages
   from langgraph.prebuilt import ToolNode
   from agentarts.sdk import AgentArtsRuntimeApp
   from agentarts.sdk.tools import code_session
   app = AgentArtsRuntimeApp()

3. 创建工具。

   代码解释器工具创建需要时间拉起，拉起时间大约为5s。

   from agentarts.sdk.tools import CodeInterpreter
   
   def create():
       client = CodeInterpreter(region="your_region")
       code_interpreter = client.create_code_interpreter(
           name="your_code_interpreter_name",
           api_key_name="your_api_key_name"
       )

4. 开发工具。
   此步骤以开发一个执行python代码的工具为例，工具接受模型生成的代码和描述，执行代码并返回代码的执行结果。获取API_KEY请参考如何获取沙箱工具的API_KEY。

   @tool
   def execute_python_tool(code: str, description: str = "") -> str | None:
       """Execute Python Code in the sandbox"""
       api_key = "your_actual_api_key" # your api key
       with code_session("your_region", "your_code_interpreter_name", api_key=api_key) as code_client:
           response = code_client.invoke(
               operate_type="execute_code",
               api_key=api_key,
               arguments={
                   "code": code,
                   "language": "python",
                   "clear_context": False
               }
           )
       return json.dumps(response["result"])
   

5. 编写系统提示词。

   SYSTEM_PROMPT = """你是一个AI助手，可以使用Python代码执行工具来解决问题。
   
   可用工具：
   - execute_python_tool(code: str, description: str): 执行Python代码
   
   使用原则：
   1. 仅在需要精确计算或复杂逻辑时使用工具
   2. 简单问题直接回答，无需工具验证
   3. 工具调用最多1-2次，避免重复验证
   4. 获得结果后立即返回答案
   """

6. 开发Agent并集成工具。

   在此步骤中，请填写拥有使用权限的模型（例如：DeepSeek-V3），并补充模型的api_key 和 base_url。您还可以根据需要自定义模型参数，并将自定义工具集成到Agent中。

   # 创建Agent
   llm = ChatOpenAI(
       model="DeepSeek-V3",
       api_key=os.environ.get("MODEL_API_KEY", ""),
       base_url=os.environ.get("BASE_URL", ""),
       max_tokens=1000,
       temperature=0.7,
   )
   # 创建工具列表
   tools = [execute_python_tool]
   # 工具绑定Agent
   llm = llm.bind_tools(tools)
   # 定义graph状态
   class AgentState(TypedDict):
       messages: Annotated[list[BaseMessage], add_messages]
   def call_model(state: AgentState):
       """调用模型并返回响应"""
       if not state["messages"] or all(
           not isinstance(msg, SystemMessage) for msg in state["messages"]
       ):
           messages = [SystemMessage(content=SYSTEM_PROMPT)] + state["messages"]
       else:
           messages = state["messages"]
       response = llm.invoke(messages)
       return {"messages": [response]}
   def should_continue(state):
       """判断是否继续使用工具"""
       last_message = state["messages"][-1]
       if isinstance(last_message, AIMessage):
           has_tool_calls = bool(last_message.tool_calls)
           if has_tool_calls:
               return "tools"
   
       return END
   # 创建LangGraph工作流
   workflow = StateGraph(AgentState)
   workflow.add_node("agent", call_model)
   workflow.add_node("tools", ToolNode(tools))
   # 设置入口
   workflow.set_entry_point("agent")
   # 添加边
   workflow.add_conditional_edges("agent", should_continue, {"tools": "tools", "__end__": "__end__"})
   workflow.add_edge("tools", "agent")
   agent = workflow.compile()

   至此，已经完成了一个简易的Agent开发。

7. 使用Agent。

   @app.entrypoint
   def agent_chat(payload: dict):
       query = "告诉我1到100之间最大的质数"
   
       # 运行Agent
       result = agent.invoke({
           "messages": [HumanMessage(content=query)]
       })
       return result["messages"][-1].content
   
   if __name__ == '__main__':
       app.run()
   

   启动后，可通过在命令行执行 curl --location http://localhost:8080/invocations --data-raw "{}"来获取请求的结果，此处以部署在本地8080端口为例，请根据实际情况填写url信息。