手把手教你写AI智能体！Function Calling版

最近想花点时间重新熟悉一下Agent构建框架LangChain，其实如果大家记得的话，我两年多前ChatGPT和LangChain刚出来的时候我就分享过不少LangChain的编程知识。但时隔多年，很多功能都已经改变了。现在他们主要的功能编程AI智能体Agent的开发了。如果有长期关注我的，应该知道，我们不用LangChain，直接通过大语言模型的function calling也能做Agent啊，为什么非要用它呢？其实我们还真不是非要用。我们知道框架和库的作用其实就是帮我们做好了封装，让我们用起来更容易而已。今天，我们先试下直接用nodejs来写一个简单的取天气的智能体，让大家先了解下智能体开发的基础流程，然后再下一个视频再用LangChain来做同样事情，大家就会很清楚LangChain带给我们的好处了。我这里用的是DeepSeek的API来实现的。大家先看下…

代码:

/**
 * 纯 Node.js Agent 示例 (不依赖 LangChain)
 *
 * 此文件演示了 Agent 的核心逻辑，并使用 DeepSeek API 的真实结构进行调用。
 * 目标：通过多轮 API 调用，让 LLM (DeepSeek) 调用本地工具 getWeather 来回答用户问题。
 *
 * 注意：要实际运行此文件，您需要：
 * 1. 在代码中替换 YOUR_DEEPSEEK_API_KEY 为您的密钥。
 * 2. 确保运行环境支持 Node.js 的 fetch 或安装 node-fetch 库。
 */

// ----------------------------------------------------
// 1. 工具函数定义 (Execution Logic) - 本地可执行的代码
// ----------------------------------------------------

/**
 * 实际执行获取天气数据的函数。
 * 这是一个模拟函数，返回固定格式的字符串。
 * @param {string} cityName - 要查询天气的城市名称。
 * @returns {string} 模拟的天气结果。
 */
function getWeather(cityName) {
    // f-string 的 JavaScript 版本是模板字符串 `...${variable}...`
    return `天气总是晴朗的，位于 ${cityName}!`;
}

// ----------------------------------------------------
// 2. 工具的 JSON Schema 定义 (供 LLM 理解)
// ----------------------------------------------------

// LLM 需要的标准 JSON Schema 格式。这段定义告知 LLM:
// - 有一个名为 "get_weather" 的函数
// - 它需要一个名为 "cityName" 的字符串参数
const toolSchema = {
    type: "function", // 必须指定类型为 function
    function: {
        name: "get_weather", // 工具名称，必须与 availableTools 映射的键一致
        description: "查询指定城市的天气情况。", // 描述，LLM 依赖此信息决定是否调用
        parameters: {
            type: "object",
            properties: {
                cityName: {
                    type: "string",
                    description: "要查询天气的城市名称",
                },
            },
            required: ["cityName"], // 必须包含 cityName 参数
        },
    },
};

// ----------------------------------------------------
// 3. DeepSeek API 调用函数 (实际的 API Wrapper)
// ----------------------------------------------------

/**
 * 调用 DeepSeek API 进行 Chat Completions。
 * 负责与远程 LLM 进行通信。
 * @param {Array<Object>} messages - 当前的对话历史。
 * @param {Array<Object>} tools - 传入的工具 Schema 列表。
 * @returns {Promise<Object>} API 响应的 message 对象，包含 content 或 tool_calls。
 */
async function callDeepSeekApi(messages, tools) {
    // 替换为您实际的 DeepSeek API 密钥
    const apiKey = "xxxx";
    // DeepSeek 兼容 OpenAI API 的 endpoint
    const apiUrl = "https://api.deepseek.com/v1/chat/completions";
    const model = "deepseek-chat"; // 模型选择


    const payload = {
        model: model,
        messages: messages, // 传入整个对话历史
        // 只有当 LLM 需要工具时才将 tools 数组发送
        tools: tools.length > 0 ? tools : undefined,
        temperature: 0.0, // 温度设为 0 以确保推理稳定
    };

    try {
        const response = await fetch(apiUrl, {
            method: 'POST',
            headers: {
                'Content-Type': 'application/json',
                'Authorization': `Bearer ${apiKey}`,
            },
            body: JSON.stringify(payload),
        });

        if (!response.ok) {
            const errorText = await response.text();
            throw new Error(`API 调用失败: ${response.status} - ${errorText}`);
        }

        const jsonResponse = await response.json();

        // 返回 LLM 最终的 message 对象 (其中包含 content 或 tool_calls)
        return jsonResponse.choices[0].message;

    } catch (error) {
        console.error("DeepSeek API 调用出错:", error.message);
        throw error;
    }
}

// ----------------------------------------------------
// 4. Agent 运行循环 (复制 LangChain 的核心逻辑 - 状态机)
// ----------------------------------------------------

async function runAgent(userQuery) {
    // 1. 初始化对话历史，包含系统提示词和用户查询
    let messages = [
        { role: "system", content: "你是一个乐于助人的助手，擅长使用工具来获取信息并用中文回复。" },
        { role: "user", content: userQuery },
    ];

    // 2. 定义可用的工具映射 (将工具名映射到实际的函数)
    const availableTools = {
        get_weather: getWeather,
    };

    // Agent 循环开始 (限制步数，防止无限循环)
    let maxSteps = 3;
    let step = 0;
    while (step < maxSteps) {
        step++;
        console.log(`\n--- Agent 步骤 ${step} ---`);

        let apiResponse;
        try {
            // Step A: 调用 LLM，传入当前所有消息和可用工具
            apiResponse = await callDeepSeekApi(messages, [toolSchema]);
        } catch (e) {
            console.error("Agent 运行中断。", e.message);
            break;
        }

        // Step B: 检查 LLM 的回复：是调用工具还是最终回复？
        if (apiResponse.tool_calls && apiResponse.tool_calls.length > 0) {
            // 路径 1: LLM 决定调用工具 (Tool Call)

            // 记录 LLM 的决策消息到历史中
            messages.push(apiResponse);

            const toolCall = apiResponse.tool_calls[0];
            const toolName = toolCall.function.name;

            try {
                // LLM 返回的 arguments 是一个 JSON 字符串，需要解析成 JavaScript 对象
                const args = JSON.parse(toolCall.function.arguments);
                const toolFunc = availableTools[toolName];

                if (toolFunc) {
                    console.log(`LLM 请求工具: ${toolName}, 参数: ${JSON.stringify(args)}`);

                    // Step C: 关键步骤：执行本地函数
                    const toolResult = toolFunc(args.cityName);

                    console.log(`工具执行结果: ${toolResult}`);

                    // Step D: 将工具结果包装成 "tool" 消息，添加到历史中，准备下次调用 LLM
                    messages.push({
                        role: "tool", // 角色必须是 "tool"
                        tool_call_id: toolCall.id, // 必须携带 LLM 返回的 tool call ID
                        name: toolName,
                        content: toolResult,
                    });

                } else {
                    console.error(`错误：找不到工具 ${toolName}`);
                    break;
                }
            } catch (e) {
                console.error(`解析参数或工具执行出错: ${e.message}`);
                break;
            }

        } else {
            // 路径 2: LLM 给出最终回复 (Final Answer)
            messages.push(apiResponse);
            console.log("\n--- Agent 最终回复 ---");
            console.log(apiResponse.content);
            break; // 结束 Agent 循环
        }
    }
}

// ----------------------------------------------------
// 5. 运行程序
// ----------------------------------------------------
runAgent("东京的天气怎么样？");