LLM de skill 和tools 实现代码生成与命令行执行:LangGraph智能Agent实战
基于 LangGraph 构建智能 Agent：代码生成 + 命令行执行
目录
- 基于 LangGraph 构建智能 Agent：代码生成 + 命令行执行
- 一、核心概念与技术栈
- 二、环境准备
- 三、完整实现流程
- Step 1: 定义工具（Tools）
- Step 2: 定义 Agent 状态（State）
- Step 3: 初始化大模型并绑定工具
- Step 4: 构建 LangGraph 节点（Nodes）
- Step 5: 定义边（Edges）与条件路由
- 四、执行案例演示
- 案例 1：让 Agent 生成 Python 求和代码并执行
- 案例 2：让 Agent 执行 Shell 命令（如查看当前目录）
- 五、底层大模型交互的 JSON 格式深度剖析
- 1. 用户输入 → 第一次请求大模型（JSON）
- 2. 大模型返回（决定调用工具）（JSON）
- 3. 执行工具后 → 第二次请求大模型（带上工具结果）（JSON）
- 4. 大模型最终返回（整理结果）（JSON）
- 六、关键总结
通过LangGraph（LangChain 生态中更适合构建复杂 Agent 的框架），从零创建一个具备「Python 代码生成」和「命令行执行」能力的智能 Agent，并深入剖析底层大模型的交互逻辑。
一、核心概念与技术栈
- LangGraph：用于构建有状态、多节点的 Agent 工作流（替代传统 LangChain Agent 的更灵活方案）。
- 大模型：使用 OpenAI GPT-4o Mini（或兼容接口的模型，如 Volcengine Ark、MiniMax）。
- 工具：
Python 代码生成器：让 LLM 生成可执行代码。命令行执行器：通过 Pythonsubprocess执行系统命令。
二、环境准备
# 安装依赖pipinstalllanggraph langchain-openai python-dotenv