本文想解决一个问题，理解Agent有啥具体的作用？ 所谓读书千遍，不如动手一试，我们还是借助于上一篇，让AI给你写代码（四）—— 初步利用LangChain Agent根据输入生成，保存，执行，可以根据提示（prompt）生成代码的Agent，来解决本系列一开始的问题，提取股票信息的一些信息，例如当前股价。
一. 代码说明
我们对代码稍作修改，一个是支持多次人工输入，而不是一次性的预先输入，另一个是重点修改descrription描述，以指导agent以更快的方式生成代码，代码如下
import dashscope
import os
from langchain_community.llms import tongyi
from langchain.agents import initialize_agent
from langchain.tools import tool
from langchain.utilities.python import PythonREPL
import textwrap
from langchain.agents import (
Tool,
AgentExecutor,
agent,
)
import time
import random
dashscope.api_key="sk-bb1e64ed39b64aa49195280a8a52cfae"
#新增解析返回数据
def output_response(response: str) -> None:
if not response:
exit(0)
for line in textwrap.wrap(response, width=60):
for word in line.split():
for char in word:
print(char, end="", flush=True)
time.sleep(0.1) # Add a delay of 0.1 seconds between each character
print(" ", end="", flush=True) # Add a space between each word
print() # Move to the next line after each line is printed
print("----------------------------------------------------------------")
def saveFile(replyMessages: str):
print('... to save the file ...')
python_path="/home/cfets/eclipse-workspace/TestAI/testchain/"
now_time = time.strftime('%Y-%m-%d_%H:%M:%S', time.localtime())
i = random.randint(1, 100)
code_file = python_path + "pyAITest_" + now_time + '_' + str(i) + ".py"
# 保存至文件
res_content=False
try:
with open(code_file, 'w') as f:
f.write(replyMessages)
res_content =True
except Exception as e:
print('Error: %s' % e)
return res_content
@tool
def py_repl_tool(code: str):
"""Returns the result of execution."""
_, after = code.split("```python")
realcode = after.split("```")[0]
py_repl=PythonREPL()
#print('realcode: %s' % realcode)
#保存文件
if saveFile(realcode):
print('file is saved ... ')
return py_repl.run(realcode)
if __name__ == '__main__':
os.environ["DASHSCOPE_API_KEY"] = dashscope.api_key
tools = [
Tool(
name = "python_1",
func=py_repl_tool.run,
description="""请使用python，通过akshare接口获取市场行情，然后按指定的股票代码过滤该股票的行情，
要求：
1,请使用以em结尾的方法接口，不要使用新浪接口
2,返回字段使用中文“代码” 筛选，再按“最新价”
3,最后用print方法打印行情
代码格式为
e.g.:
```python
....
```"""
), #修改描述
]
agent = initialize_agent(
llm=tongyi.Tongyi(model_name="qwen-max",temperature=0),
tools=tools,
verbose=True,
max_iterations=5,
)
#agent.run("What is the 10th fibonacci number?")
#agent.run("股票300001现在的市场价格是多少？")
# 支持多次人工输入
while True:
try:
user_input = input("请输入6位股票代码 ：")
response = agent.run(user_input)
output_response(response)
except KeyboardInterrupt:
break
我们重点看一下agent的description，根据之前踩坑的经验，告诉AI几条
1 用什么工具（python）什么库（akshare库），按什么规则解决什么问题（获取市场行情，然后按指定的股票代码过滤该股票的行情）
2 几条要求，实际上是避免踩坑
1） 要求其使用stock_zh_a_spot_em()接口（注意，如果直接写，可能更稳定一些）
2） 避免AI使用英语列名导致错误
3） 要打印结果
这更像是技术设计的描述，越接近于代码生成的代码越是准确，当然如果过度的话，那么自动生成代码的意义就不大了…
另外需要说明的是max_iterations=5 这个参数表示迭代次数（5次），从实际运用的角度看，就是如果一次生成后，py_repl.run(realcode)执行报异常，会再次生成代码并执行，直到不报异常； 每一轮执行都会生成一个代码并保存
二 执行验证
我们可以看一下执行结果
执行了两次，分别差了300015和002389
再执行生成保存的代码验证一下（002389）
这个应用看上去非常简单，那有没有实际意义呢？
我们通过直接执行通义千问试试，要求他按股票代码给出现在的股价，结果是不支持的… 原因也写了
通过这个案例，我们可以理解，直接应用大模型对话，大模型提供的回答实际上是基于数据空间，不一定是真实世界。 但如果应用Agent，则可以驱动大模型通过一定的工具在现实世界里找到答案…
是这样吗？ 我再尝试一下文心一言，同样是找现实股票当下的股价
文心一言给出了答案… 那Agent能不能做到文心一言对话也做不到的任务呢？
继续，我们进一步要求，按股票代码按最近5天的K线数据，结果是… 做不到
我们看看Agent能否做到
description="""请使用python，通过akshare接口获取指定股票最近5天的行情
包括：
1,如果股票代码包含“300”，请转换为“sz300***”，如果股票包含“600”，请转换为“sh600***”
2,请先用最新历史行情接口，按个股获取最近5天的开盘价、收盘价，最高价，最低价，返回列表，并用print方法打印数据
代码格式为
e.g.:
```python
....
```"""
稍作说明，
- py_repl.run暂时不支持作图，所以仅要求提供5天的K线数据，包括开盘价、收盘价，最高价，最低价，
- 第一条要求主要是对应akshare相关历史行情接口，比较变态的入参要求 ak.stock_zh_a_daily(symbol=“sz000001”, start_date=“19910403”, end_date=“20231027”, adjust=“qfq”)
print(stock_zh_a_daily_qfq_df)
我们看执行效果和生成代码
AI折腾了几轮，终于折腾出结果…
说明： 仅有三组是因为最近5天包含了周末两天…
我们看一下最后自动生成的代码执行结果，完全一致
终于，大模型通过Agent，向我们张开双臂，欢迎走进现实世界，您现在可以用对话驱动现实世界干活了…
下一步的改进，应该是要解决几个问题，1 能否实现，先测试后存盘，即依据测试正确结果保存代码 2 进一步，输入现有的代码，在此基础上按新的需求进行修改，再测试，再存盘 3 更进一步，如何利用现有代码资产实现需求，如果现有代码不能满足需求，再生成新的代码 …
