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hw-agentarts-sdk、langgraph， langchain-openai等。

基于SDK的工具开发与应用实践

1. 下载AgentRuntime 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 TypedDict, Union
   from langgraph.graph import StateGraph, END
   from langchain_openai import ChatOpenAI
   from langchain_core.messages import HumanMessage, SystemMessage, AIMessage
   from langchain_core.tools import tool
   from hw-agentarts-sdk import HuaweiAgentRunApp
   from hw-agentarts-sdk.tools import code_session
   from langgraph.prebuilt import ToolNode
   app = HuaweiAgentRunApp()

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。

   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。

   @tool
   def execute_python_tool(code: str, description: str = "") -> str | None:
       with code_session("your_region", "your_code_interpreter_name") as code_client:
           response = code_client.invoke(
               operate_type="execute_code",
               arguments={
                   "code": code,
                   "language": "python",
                   "clear_context": False
               }
           )
       return json.dumps(response["result"])
   

5. 编写系统提示词。

   SYSTEM_PROMPT = """你是一个通过代码执行验证所有答案的优秀AI助手
   
   验证原则:
   1. 当需要代码、算法或计算来验算时，你需要编写代码来验证它们。
   2. 使用 execute_python 来测试数学计算、算法和逻辑。
   3. 返回答案之前，使用测试脚本来验证你的理解。
   4. 只能通过实际的代码执行展示工作过程。
   5. 如果存在不确定的情况，详细说明限制条件并做尽可能的验证
   
   方法:
   - 如果问题涉及编程的概念，就通过代码实现
   - 如果要求你计算，编写程序计算并显示具体代码
   - 如果需要实现算法，你还要编写测试用例来进行确认
   - 记录验证的过程展示给用户
   
   工具:
   - execute_python: 执行Python代码并获得输出
   
   响应格式: execute_python_tool工具将返回一个json响应，包括:
   - content: 内容对象的数组，每个对象包含type和text/data"""

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.bind_tools(tools)
   # 定义graph状态
   class AgentState(TypedDict):
       messages: list[Union[HumanMessage, SystemMessage, AIMessage]]
   def call_model(state: AgentState):
       """调用模型并返回响应"""
       # 只在初始消息为空时添加系统提示
       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):
       """判断是否需要继续使用工具"""
       last_message = state["messages"][-1]
       # 如果包含工具调用，则继续执行
       if last_message.tool_calls:
           return "tools"
   
       # 否则结束
       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():
       query = "告诉我1到100之间最大的随机质数"
   
       # 运行Agent
       result = agent.invoke({
           "messages": [HumanMessage(content=query)]
       })
       print(result["messages"][-1].content)
   if __name__ == '__main__':
       app.run()