当前位置：首页 > article >正文

openai agent实践

article 2025/3/25 3:11:07

rag系列文章目录

文章目录

rag系列文章目录
前言
一、openai agent简介
二、openai agent实践
总结

前言

2025开年以来，随着deepseek的爆火，大模型以及应用正在快速的迭代。随着一款大模型agent，即manus，横空出世，openai也紧接着发布了openai agent，下面主要简要介绍下这个agent。

一、openai agent简介

OpenAI Agent SDK 是一个由 OpenAI 发布的框架，旨在帮助开发者构建多代理 AI 应用。它提供代理（Agents）、交接（Handoffs）和防护栏（Guardrails）等基本组件，支持创建复杂的多代理工作流，如客户支持系统或任务路由系统。它轻量级，易于学习，适合快速原型开发和生产环境。

与其他 AI 代理框架（如 LangChain 和 LlamaIndex）相比，OpenAI Agent SDK 有以下不同：

• 多代理协作：特别强调代理之间的交接，适合需要分工的场景，如 triage 代理路由任务。LangChain 和 LlamaIndex 更注重单个代理的功能扩展。
• 简单性：提供少量抽象，学习曲线低，相比 LangChain 的丰富功能更易上手。
• 内置追踪：自带追踪功能，方便调试，LangChain 和 LlamaIndex 可能需额外配置。

二、openai agent实践

1.工具调用
Agent基本的功能就是工具调用，以下是openai agent的工具调用，和langchain的工具调用有类似之处。

import agents
from agents import Agent, Runner, function_tool, handoff, OpenAIChatCompletionsModel

@function_tool
def web_search(query: str) -> str:
    """Simulate a web search for the given query."""
    # In a real application, this would call a web search API
    with agents.custom_span("WebSearch"):  # Add a custom span for tracing this action
        return f"Web search results for '{query}': [Sample result 1, Sample result 2]"

@function_tool
def get_weather(city: str) -> str:
    """Fetch the weather for a given city."""
    # Placeholder for a real API call
    print("---------------------------")
    return f"The weather in {city} is sunny."

2.大模型
大模型是agent的大脑，这里定义大模型的client，在创建agent时可以引用这个client。

from openai import AsyncOpenAI

openai_client = AsyncOpenAI(
    api_key="sk-S",
    base_url="https://ss/v1"
)

3.构建agent
这里构建了一个天气agent，负责处理天气相关的工作。

weather_agent = Agent(
    name="Weather Assistant",
    instructions="Help users with weather queries.",
    model=OpenAIChatCompletionsModel(
        openai_client=openai_client,
        model="gpt-4o-2024-05-13"
    ), tools=[get_weather]
)

4.handoff
openai agent的一大亮点就是多个agent之间的交接，如下所示，有一个专门负责处理天气问题的agent，主agent需要做天气相关的工作时，可以把它交接给天气agent处理，这个agent进行tool调用查询天气情况。

# Create the main support agent with tools and handoff
main_agent = Agent(
    name="SupportAssistant",
    instructions=(
        "You are a customer support assistant. Answer user queries and use the web search tool "
        "when needed. For get weather , hand off to Weather Assistant."
    ),
    tools=[web_search],  # Equip the agent with the web search tool
    handoffs=[handoff(weather_agent)],  # Configure handoff to the specialized agent
    model=OpenAIChatCompletionsModel(
        openai_client=openai_client,
        model="gpt-4o-2024-05-13"
    )
)

5.agent执行
以下是agent开始启动执行的代码，agent的整个执行过程，可以开启日志，详细观察里面的调用过程。

# Enable verbose logging to see detailed output in the console
agents.enable_verbose_stdout_logging()

if __name__ == '__main__':
    # Run the agent synchronously with a sample input and handle exceptions
    try:
        with agents.trace("CustomerSupportQuery"):  # Start a trace to monitor the entire operation
            result = Runner.run_sync(main_agent, "What's the weather in Paris?")
            print("Final Output:", result.final_output)  # Print the agent's response
    except agents.InputGuardrailTripwireTriggered as e:
        print("Input was rejected by guardrail:", e)
    except agents.OutputGuardrailTripwireTriggered as e:
        print("Output was rejected by guardrail:", e)
    except agents.MaxTurnsExceeded:
        print("Agent exceeded maximum turns.")
    except agents.ModelBehaviorError as e:
        print("Model produced an invalid response:", e)
    except agents.AgentsException as e:
        print("An error occurred:", e)