AI Agent案例实践：三种智能体开发模式详解之三

import sys
import json
from qwen_agent.agents import Assistant
from qwen_agent.tools import BaseTool
from api_service import QueryService, SemanticServce, AnalysisService

# 初始化服务
queryService = QueryService()
semanticService = SemanticServce()
analysisService = AnalysisService()

# 自定义工具类
classMatchMetadataTool(BaseTool):
    name = 'match_metadata'
    description = '根据输入文本语义匹配表结构，每次返回一个最相关的表结构。对于需要多表查询的问题，需要多次调用此工具。'

    defcall(self, params, **kwargs) -> str:
        table = semanticService.hybrid_search(params, 1)
        returnf"{[t['table_info'] for t in table]}"


classExecuteSQLTool(BaseTool):
    name = 'execute_sql'
    description = '执行SQL查询并返回结果。输入应为标准SQL语句。注意：可能需要执行多个SQL查询来获取不同表中的数据。'

    defcall(self, params, **kwargs) -> str:
        ifisinstance(params, str):
            jsonObj = json.loads(params)
            if'sql'in jsonObj:
                params = jsonObj['sql']
            if'query'in jsonObj:
                params = jsonObj['query']
        ifisinstance(params, dict):
            if'sql'in params:
                params = params['sql']
            if'query'in params:
                params = params['query']
        if params.endswith(';'):
            params = params[:-1]
        return json.dumps(queryService.query_with_column(params))

# 创建Agent实例
agent = Assistant(
    name='ai_agent_assistant',
    llm={
        'model': 'qwen3:32b',
        'model_server': 'http://localhost:11434/v1',
    },
    system_message="""
        你是一个数据分析助手，负责帮助用户查询数据库信息。
        请特别注意：用户的问题可能需要从多个表中查询数据。
        1. 首先确定需要查询哪些数据
        2. 使用match_metadata工具分别匹配包含这些数据的表结构
        3. 对每个表生成相应的SQL查询语句
        4. 执行查询并汇总结果
        5. 最后计算并给出答案
    
        请确保逐步执行，不要跳过任何步骤。
    """,
    function_list=[MatchMetadataTool(), ExecuteSQLTool()],
)

defchat(user_query):
    print("执行方法chat")
    try:
        # 运行Agent
        messages = [{'role': 'user', 'content': user_query}]
        response_generator = agent.run(messages=messages)
        # 处理生成器响应
        full_response = ''
        start = 0
        end = 0
        for response in response_generator:
            # 检查响应类型并适当处理
            ifisinstance(response, list):
                # 如果是列表，提取内容
                for item in response:
                    ifisinstance(item, dict) and'content'in item:
                        full_response = item['content']
                        end = full_response.__len__()
                    elifisinstance(item, str):
                        full_response = item
                        end = full_response.__len__()
            elifisinstance(response, dict) and'content'in response:
                full_response = response['content']
                end = full_response.__len__()
            elifisinstance(response, str):
                full_response = response
                end = full_response.__len__()
            print(f"{full_response[start:end]}", end="")
            start = end

        print(f"最终结果: {full_response}")
        return full_response
    except Exception as e:
        print(f"执行过程中出错: {str(e)}")
        # 这里可以添加重试或更详细的错误处理逻辑
        returnf"错误: {str(e)}"


if __name__ == "__main__":
    args = sys.argv[1:]

    ifnot args:
        print("请提供参数：init或者chat+user_query")
    elif args[0] == "init":
        print("开始执行方法init")
        # 这里可以添加初始化逻辑
    elif args[0] == "chat":
        print(f"user_query={args[1]}")
        chat(args[1])
    else:
        print(f"未知参数: {args[0]}")

<think>
好的，用户问的是2016年的考生人数和录取人数。首先我需要确定这两个数据分别存储在哪个表里。可能有一个表记录考生信息，另一个表记录录取情况。我需要先调用match_metadata工具来找到相关的表结构。

先查考生人数，输入“考生人数”看看匹配哪个表。假设返回的是enrollment表，里面有year和candidates字段。然后查录取人数，输入“录取人数”，可能对应admissions表，里面有year和admitted字段。接下来需要分别对这两个表执行SQL查询，筛选出year为2016年的数据。

执行第一个SQL：SELECT candidates FROM enrollment WHERE year = 2016; 得到考生人数。再执行第二个SQL：SELECT admitted FROM admissions WHERE year = 2016; 得到录取人数。然后把结果汇总，给出两个数值。需要确保两个表的年份字段都是2016，并且字段名正确。如果有多个表可能涉及，可能需要进一步确认，但这里假设两次匹配都正确。最后计算结果并呈现给用户。
</think>

调用大模型llama2向量化：{"query":"考生人数"}
自然语言混合检索字段成功，匹配到的元数据信息：['{"表名":"college_entrance_examination","表备注":"考生人数与复读人数信息表，包含字段：高考年份(主键)、考生人数(万人)、复读人数(万人)，考生人数是指参加高考的学生的数量，复读人数是指参加高考的复读学生的数量","字段列表":[{"字段名":"examination_year","字段类型":"int","字段备注":"高考年份"},{"字段名":"candidates_count","字段类型":"decimal(10,2)","字段备注":"考生人数(万人)"},{"字段名":"retake_count","字段类型":"decimal(10,2)","字段备注":"复读人数(万人)"}]}']
好的，用户的问题是关于2016年的考生人数和录取人数。首先，我需要确认这两个数据分别存储在哪些表中。之前用户提到过“考生人数”，我调用match_metadata工具后得到了一个表college_entrance_examination，里面包含考生人数和复读人数，但没有录取人数。这说明录取人数可能在另一个表里。

接下来，我需要再次调用match_metadata工具，这次查询“录取人数”。输入关键词后，应该会有对应的表结构返回，比如可能有一个表叫college_admission，包含录取人数字段。假设返回的表结构中有字段admission_count，那么接下来需要分别对这两个表生成SQL查询语句。

对于college_entrance_examination表，SQL语句会是SELECT candidates_count FROM college_entrance_examination WHERE examination_year = 2016; 这样可以得到2016年的考生人数。然后，针对录取人数所在的表，假设是college_admission，SQL语句可能是SELECT admission_count FROM college_admission WHERE admission_year = 2016; 执行这两个查询后，将结果汇总，就能得到用户需要的两个数据。

需要注意的是，确保两个表的年份字段名称和类型正确，避免因为字段名不同或数据类型不匹配导致查询错误。此外，如果存在多个相关表，需要确认哪一个包含正确的数据，可能需要进一步的信息验证。最后，将查询结果整理后，用清晰的方式呈现给用户，确保数据的准确性和可读性。
</think>

调用大模型llama2向量化：{"query":"录取人数"}
自然语言混合检索字段成功，匹配到的元数据信息：['{"表名":"college_entrance_admission","表备注":"录取人数与普通高校数信息表，包含字段：录取年份(主键)、录取人数(万人)、招生高校数、本科录取人数(万人)、专科录取人数(万人)，录取人数是指录取或者招收、招录的学生的数量","字段列表":[{"字段名":"admission_year","字段类型":"int","字段备注":"录取年份"},{"字段名":"admission_count","字段类型":"decimal(10,2)","字段备注":"录取人数(万人)"},{"字段名":"university_count","字段类型":"int","字段备注":"招生高校数"},{"字段名":"undergraduate_admission_count","字段类型":"decimal(10,2)","字段备注":"本科录取人数(万人)"},{"字段名":"specialty_admission_count","字段类型":"decimal(10,2)","字段备注":"专科录取人数(万人)"}]}']
好，用户需要知道2016年的考生人数和录取人数。首先，我需要确定这两个数据分别存储在哪个表里。

先处理考生人数。用户的问题中提到“考生人数”，之前调用match_metadata工具时已经找到了对应的表college_entrance_examination。这个表的字段有examination_year、candidates_count和retake_count。所以考生人数应该从这个表中查询，条件是examination_year等于2016。

然后是录取人数。用户的问题里提到“录取人数”，通过之前的工具调用，发现了表college_entrance_admission。这个表里有admission_year和admission_count，所以录取人数需要从这里查询，同样条件是admission_year等于2016。

接下来需要生成对应的SQL查询语句。对于考生人数，SQL应该是SELECT candidates_count FROM college_entrance_examination WHERE examination_year = 2016。而录取人数的SQL应该是SELECT admission_count FROM college_entrance_admission WHERE admission_year = 2016。

执行这两个查询后，会得到两个结果，可能都是小数（因为字段类型是decimal）。然后需要将这两个数字组合起来，用万人单位，并且四舍五入到合适的小数位数，可能保留两位小数。

比如，如果查询结果分别是872.21万人和749.61万人，那么最终答案就是考生人数872.21万人，录取人数749.61万人。需要确认年份是否对应，确保两个表的年份字段都正确匹配2016年。

最后，将结果用中文清晰地呈现给用户，说明分别的数据并注明单位。
</think>

执行SQL：SELECT candidates_count FROM college_entrance_examination WHERE examination_year = 2016
[{"candidates_count":940.0}]
好的，我需要回答用户关于2016年考生人数和录取人数的问题。首先，用户已经通过两次match_metadata调用，分别获取了考生人数所在的表college_entrance_examination和录取人数所在的表college_entrance_admission。

接下来，用户执行了第一个SQL查询，从college_entrance_examination表中获取了2016年的考生人数，结果是940.0万人。现在需要处理录取人数的部分。根据第二个match_metadata的结果，录取人数在college_entrance_admission表的admission_count字段中，且年份字段是admission_year。

因此，我需要构造另一个SQL查询，从college_entrance_admission表中选择admission_count，其中admission_year等于2016。执行这个查询后，将得到录取人数的数据。最后，把两个结果合并，给出用户需要的答案。
</think>

执行SQL：SELECT admission_count FROM college_entrance_admission WHERE admission_year = 2016
[{"admission_count":772.0}]
好的，用户问的是2016年的考生人数和录取人数分别是多少。我需要先找到这两个数据分别存放在哪个表里。

首先，用户的问题涉及到“考生人数”，所以我调用了match_metadata工具，参数是“考生人数”。返回的结果是college_entrance_examination表，里面有考生人数的信息，字段是candidates_count，单位是万人。接着，用户又问到“录取人数”，于是再次调用match_metadata工具，参数是“录取人数”，得到的是college_entrance_admission表，对应的字段是admission_count，同样单位是万人。

接下来，我需要从这两个表中查询2016年的数据。先执行第一个SQL查询，从college_entrance_examination表中选出examination_year等于2016年的考生人数，结果得到940.0万人。然后执行第二个SQL查询，从college_entrance_admission表中选出admission_year等于2016年的录取人数，结果是772.0万人。

确认两个结果都是2016年的数据后，将这两个数值汇总，得到最终答案：2016年考生人数是940万人，录取人数是772万人。需要确保单位正确，并且数据没有错误。这里的数据看起来合理，没有异常值，所以可以确定答案正确。
</think>

2016年的考生人数和录取人数分别为：

- **考生人数**：940万人  
- **录取人数**：772万人  

数据来源：
- 考生人数来自《考生人数与复读人数信息表》（`college_entrance_examination`）的 `candidates_count` 字段
- 录取人数来自《录取人数与普通高校数信息表》（`college_entrance_admission`）的 `admission_count` 字段最终结果: <think>
好的，用户问的是2016年的考生人数和录取人数分别是多少。我需要先找到这两个数据分别存放在哪个表里。

首先，用户的问题涉及到“考生人数”，所以我调用了match_metadata工具，参数是“考生人数”。返回的结果是college_entrance_examination表，里面有考生人数的信息，字段是candidates_count，单位是万人。接着，用户又问到“录取人数”，于是再次调用match_metadata工具，参数是“录取人数”，得到的是college_entrance_admission表，对应的字段是admission_count，同样单位是万人。

接下来，我需要从这两个表中查询2016年的数据。先执行第一个SQL查询，从college_entrance_examination表中选出examination_year等于2016年的考生人数，结果得到940.0万人。然后执行第二个SQL查询，从college_entrance_admission表中选出admission_year等于2016年的录取人数，结果是772.0万人。

确认两个结果都是2016年的数据后，将这两个数值汇总，得到最终答案：2016年考生人数是940万人，录取人数是772万人。需要确保单位正确，并且数据没有错误。这里的数据看起来合理，没有异常值，所以可以确定答案正确。
</think>

2016年的考生人数和录取人数分别为：

- **考生人数**：940万人  
- **录取人数**：772万人  

数据来源：
- 考生人数来自《考生人数与复读人数信息表》（`college_entrance_examination`）的 `candidates_count` 字段
- 录取人数来自《录取人数与普通高校数信息表》（`college_entrance_admission`）的 `admission_count` 字段

{
"mappings":{
    "properties":{
      "my_vector":{// 字段名称
        "type":"dense_vector",
        "dims":768,// 和向量化使用的大模型的维度保持一致，不一致插入与检索存在异常
        "index":true,// true时支持KNN搜索
        "element_type":"byte",// int8一字节
        "index_options":{
          "type":"int8_hnsw"// int8 量化 + HNSW 算法，必须配置element_type=byte使用
        }
      }
    }
}
}

{
  "mappings":{
      "properties":{
          "table_info":{"type":"keyword"},
          "nomic_embedding":{
              "type":"dense_vector",
              "dims":4096,
              "index": True,
              "similarity":"cosine",
          }
      }
}
}