邓立国Agent开发入门必读书《AI Agent智能体开发实践》1~14章试读_《ai agent 智能体开发实践》在线阅读-CSDN博客
15.3.1 核心功能模块设计流程
系统的核心功能模块设计流程遵循“需求分析→模块拆分→接口设计→协同机制→异常处理”[wy1] [2] 路径：
（1）需求分析：明确客服场景核心需求（产品咨询、库存查询、用户信息/订单查询）。
（2）模块拆分：
- 将需求映射为专业化Agent（文档检索、用户数据库、库存查询）。
- 设计顶层协调Agent负责任务分发。
（3）接口标准化：
- 定义ToolAgent基类，统一get_tool()接口。
- 规范工具调用格式（JSON结构）和参数传递方式。
（4）协同机制设计：
- 顶层Agent通过React模式分析问题→选择工具→执行→生成回答。
- 引入对话记忆维护上下文，支持多轮交互中的信息延续。
（5）数据初始化与异常处理：
- 自动创建示例数据（文档、用户数据、库存数据）。
- 完善异常处理（文件缺失、API错误、格式错误等）。
（6）系统集成：
- 组装工具列表并注入顶层Agent。
- 设计用户交互入口（process_query方法）。
1. 自定义LLM模块（QwenLLM）
封装阿里云DashScope平台的Qwen大语言模型，作为系统的推理核心。
class QwenLLM(LLM):
model_name: str = "qwen-plus"
temperature: float = 0.0
max_tokens: int = 2048
def_call(self, prompt: str, stop: Optional[List[str]] = None) -> str:
#调用DashScope API进行文本生成
核心设计：
- 继承LangChain的LLM基类，实现自定义模型接入。
- 支持配置模型参数（temperature控制随机性，max_tokens控制输出长度）。
- 完整的错误处理机制，捕获API调用异常并返回友好提示。
2. 工具Agent基类（ToolAgent）
定义所有工具Agent的抽象接口，实现标准化设计。
class ToolAgent:
def__init__(self, name: str, description: str):
self.name = name
self.description = description
def get_tool(self) -> Tool:
raise NotImplementedError("子类必须实现此方法")
核心设计：
- 统一Agent命名和功能描述，便于顶层Agent理解工具用途。
- 抽象方法get_tool()强制子类实现工具转换，确保与LangChain兼容。
- 为系统扩展新Agent提供模板（只需继承并实现抽象方法）。
3. 文档检索Agent（DocumentRetrievalAgent）
实现RAG核心功能，基于预设文档回答产品咨询类问题。
核心设计：
- 自动创建docs目录并生成示例文档（智能手表使用说明）。
- 加载目录下所有TXT文档内容到内存，避免重复IO操作。
- 通过Qwen模型基于文档内容生成回答，严格限制“不编造信息”。
- 工具描述明确适用场景（产品细节、使用方法等）。
4. 用户数据库Agent（UserDatabaseAgent）
管理用户信息与订单历史，支持结构化查询。
核心设计：
- 使用CSV文件存储用户数据，首次运行自动生成示例数据（用户"张三"）。
- 支持两种查询类型：user_info（基本信息）和orders（订单历史）。
- 自定义输入格式解析（user_id:xxx,type:xxx），并提供格式校验。
- 处理用户ID不存在等边界情况，返回友好提示。
5. 库存查询Agent（InventoryAgent）
提供产品库存状态查询，支持库存数量和可用性检查。
核心设计：
- 基于CSV文件存储产品库存数据，包含产品ID、名称、数量、位置等字段。
- 自动判断库存状态（有货/缺货）并返回结构化信息。
- 输入为产品ID，输出包含完整产品信息和库存状态描述。
6. 顶层Agent（TopAgent）
系统核心协调器，负责理解用户需求并调度合适的工具Agent。
核心设计：
- 集成所有工具Agent，构建工具列表供决策使用。
- 使用ConversationBufferMemory保存对话历史，支持上下文理解。
- 自定义提示模板，指导Agent遵循“思考→选择工具→执行→回答”的React流程。
- 基于CHAT_CONVERSATIONAL_REACT_DESCRIPTION类型构建，支持多轮交互。
- 提供process_query统一入口，支持传入用户ID增强上下文。
