update

2025.11.02_langchain/.env

@@ -1,2 +1,2 @@
 OPENAI_API_KEY=xxx
-DASHSCOPE_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
+DASHSCOPE_BASE_URL=xxx

2025.11.04_langchain_running_code/.env

@@ -1,2 +1,2 @@
 OPENAI_API_KEY=xxx
-DASHSCOPE_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
+DASHSCOPE_BASE_URL=xxx

2025.11.09_autogen/.env

@@ -1,2 +1,2 @@
 OPENAI_API_KEY=xxx
-DASHSCOPE_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
+DASHSCOPE_BASE_URL=xxx

2025.12.15_langchain_tools_test/.env

@@ -1,2 +1,2 @@
 OPENAI_API_KEY=xxx
-DASHSCOPE_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
+DASHSCOPE_BASE_URL=xxx

2026.04.01_python_agent/.env

@@ -0,0 +1,2 @@
+OPENAI_API_KEY=xxx
+DASHSCOPE_BASE_URL=xxx

2026.04.01_python_agent/python_agent.py

@@ -0,0 +1,108 @@
+import json
+import os
+from datetime import datetime
+from openai import OpenAI
+
+# --- 1. 配置 ---
+import dotenv
+dotenv.load_dotenv(".env")
+client = OpenAI(
+    api_key=os.getenv("OPENAI_API_KEY"),
+    base_url=os.getenv("DASHSCOPE_BASE_URL"),
+)
+MODEL = "ark-code-latest"
+
+# --- 2. 工具定义 ---
+def get_current_time():
+    return datetime.now().strftime("%Y-%m-%d %H:%M:%S")
+
+def calculate(expression: str):
+    try:
+        return str(eval(expression))
+    except Exception as e:
+        return f"Error: {e}"
+
+TOOLS = {
+    "get_current_time": get_current_time,
+    "calculate": calculate
+}
+
+# --- 3. 动态构建 Prompt ---
+def build_system_prompt():
+    # 自动从 TOOLS 字典生成描述
+    tool_desc = "\n".join([f"- {name}: {func.__doc__ or '无描述'}" for name, func in TOOLS.items()]) 
+    system_prompt = f"""你是一个智能助手。可用工具：
+{tool_desc}
+
+请直接返回纯 JSON 格式，不要使用 Markdown 代码块。
+注意：input 字段必须是一个 JSON 对象，而不是字符串。
+格式：
+{{
+    "thought": "思考过程 或 最终回复给用户的话"
+    "action": "工具名 或 final",
+    "input": "参数字典 或 null",
+}}"""
+    return system_prompt
+
+# --- 4. 核心逻辑 ---
+def run_agent(user_input):
+    messages = [
+        {"role": "system", "content": build_system_prompt()},
+        {"role": "user", "content": user_input}
+    ]
+
+    print(f"\n🚀 任务: {user_input}\n" + "-"*50)
+
+    for step in range(5):
+        print(f"\n[步骤 {step+1}] 调用大模型...\n")
+
+        try:
+            print(f'📄 模型原始输入（Raw Prompt）：\n{json.dumps(messages, indent=4, ensure_ascii=False)}')
+        except:
+            print(f'📄 模型原始输入（Raw Prompt）：\n{messages}')
+        
+        # 调用模型
+        response = client.chat.completions.create(model=MODEL, messages=messages, temperature=0)
+        raw_response = response.choices[0].message.content.strip()
+
+        # --- 打印原始回复 ---
+        print(f"\n📄 模型原始回复 (Raw Response):\n{raw_response}")
+
+        # 解析与执行
+        try:
+            data = json.loads(raw_response)
+            action = data.get("action")
+            thought = data.get("thought")
+            input_params = data.get("input")
+
+            print('\n解析得到：')
+            print(f"（1）思考: {thought}")
+            print(f"（2）动作: {action}")
+            print(f"（3）参数: {input_params}")
+
+            if action == "final":
+                print()
+                print("-" * 50)
+                print(f"\n✅ 最终结果: {thought}\n")
+                print("-" * 50)
+                print()
+                return
+
+            # 执行工具
+            if action in TOOLS:
+                # 自动解包参数，如果没有参数则直接调用
+                result = TOOLS[action](**input_params) if input_params else TOOLS[action]()
+                print(f"\n工具输出: {result}")
+
+                # 记录历史
+                messages.append({"role": "assistant", "content": raw_response})
+                messages.append({"role": "user", "content": f"工具执行结果: {result}"})
+            else:
+                print("❌ 未知工具")
+                
+        except Exception as e:
+            print(f"❌ 执行错误: {e}")
+            return
+
+if __name__ == "__main__":
+    run_agent("现在几点了？帮我算算 5*20 等于多少？")