【智能体Agent】Action执办法作的核心数据布局

Action

1. from pydantic.v1 import BaseModel, Field
2. from typing import List, Optional, Dict, Any
5. class Action(BaseModel):
6.     name: str = Field(description="Tool name")
7.     args: Optional[Dict[str, Any]] = Field(description="Tool input arguments, containing arguments names and values")
9.     def __str__(self):
10.         ret = f"Action(name={self.name}"
11.         if self.args:
12.             for k, v in self.args.items():
13.                 ret += f", {k}={v}"
14.         ret += ")"
15.         return ret

复制代码

Action类及其相干代码的具体分析

---

一、类布局概览

1. from pydantic.v1 import BaseModel, Field
2. from typing import Optional, Dict, Any
4. class Action(BaseModel):
5.     name: str = Field(description="工具名称")
6.     args: Optional[Dict[str, Any]] = Field(description="工具输入参数，包含参数名和值")
8.     def __str__(self):
9.         ret = f"Action(name={self.name}"
10.         if self.args:
11.             for k, v in self.args.items():
12.                 ret += f", {k}={v}"
13.         ret += ")"
14.         return ret

复制代码

---

二、核心计划分析

1. 数据建模 (Pydantic)

• BaseModel继续：
  1. from pydantic.v1 import BaseModel
  2. class Action(BaseModel): ...

  复制代码
  
  
  • 使用Pydantic v1（注意导入路径）实现数据验证
    
  • 主动验证字段范例和束缚条件（如name必须为字符串，args必须为字典或None）
    
  
  
• 字段界说：
  1. name: str = Field(description="工具名称")
  2. args: Optional[Dict[str, Any]] = Field(...)

  复制代码
  
  
  • name字段：
    
    
    
    • 必须字段：每个动作必须有工具名称
      
    • 范例束缚：欺压为str范例
      
    • 元数据：description用于天生API文档或LLM提示
      
    
    
  • args字段：
    
    
    
    • 可选字段：答应None值（某些工具不须要参数）
      
    • 动态布局：Dict[str, Any]支持恣意参数布局
      
    • 范例安全：字典键必须为字符串，值可为恣意范例
      
    
    
  
  

2. **运行时验证示例

1. # 合法实例
2. action1 = Action(name="search", args={"query": "Python"})
3. action2 = Action(name="finish")  # args为None
5. # 非法实例（会抛出ValidationError）
6. Action(name=123)                  # 类型错误（name必须为str）
7. Action(name="calc", args="x=1")   # 类型错误（args必须为字典）

复制代码

---

三、字符串体现优化

1. def __str__(self):
2.     ret = f"Action(name={self.name}"
3.     if self.args:
4.         for k, v in self.args.items():
5.             ret += f", {k}={v}"
6.     ret += ")"
7.     return ret

复制代码

• 输出示例：
  1. print(Action(name="search", args={"query": "AI", "limit": 5}))
  2. # 输出: Action(name=search, query=AI, limit=5)

  复制代码
• 计划目的：
  
  
  
  • 调试友好：在日记或中心步调（如__format_thought_observation）中清晰展示动作内容
    
  • 可读性：比默认的Action(name='search', args={'query': 'AI'})更轻便
    
  
  

---

四、在ReAct框架中的作用

1. 动作分析流程

2. 关键交互点

• 输出分析：
  1. # 在ReActAgent.__step()中
  2. json_action = self.__extract_json_action(response)
  3. action = self.robust_parser.parse(json_action)

  复制代码
  
  
  • 确保LLM输出的JSON符合Action模子布局
    
  
  
• 工具实行：
  1. # 在ReActAgent.__exec_action()中
  2. tool = self.__find_tool(action.name)
  3. observation = tool.run(action.args)

  复制代码
  
  
  • 通过name匹配工具，转达args参数
    
  
  

---

五、计划亮点与注意事项

1. 版本选择

1. from pydantic.v1 import ...  # 而非直接import pydantic

复制代码

• 大概缘故原由：
  
  
  
  • 兼容性：项目中其他组件依靠Pydantic v1
    
  • 迁移资本：v2版本存在庞大变更（如校验逻辑、字段声明方式）
    
  
  

2. 动态参数计划

1. args: Optional[Dict[str, Any]]  # 而非预定义结构

复制代码

• 上风：
  
  
  
  • 支持恣意工具的参数布局
    
  • 无需为每个工具创建子类
    
  
  
• 风险：
  
  
  
  • 范例安全需工具自行验证（如tool.run()内部需校验参数）
    
  
  

3. **字段形貌的作用

1. Field(description="...")

复制代码

• 实际应用：
  
  
  
  • 在LLM提示模板中，通过format_instructions主动天生格式分析：
    1. # ReActAgent.__init_prompt_templates()
    2. format_instructions=self.output_parser.get_format_instructions()

    复制代码
  • 天生的提示示例：
    1. 请按以下格式响应：
    2. ```json
    3. {
    4.     "name": "工具名称",
    5.     "args": {"参数名": "值"}  # 可选字段
    6. }

    复制代码
    1. [/code]
    2. [/list]
    3. [/list][hr][size=3]六、扩展发起[/size]
    5. [size=2]1. [b]参数校验加强[/b][/size]
    7. [code]# 可为特定工具定义参数模型
    8. from pydantic.v1 import validator
    10. class SearchAction(Action):
    11.     @validator('args')
    12.     def validate_args(cls, v):
    13.         if 'query' not in v:
    14.             raise ValueError("搜索工具必须包含query参数")
    15.         return v

    复制代码
    
    
    • 实用场景：对关键工具的参数做欺压束缚
      
    2. 版本迁移预备
    
    1. # 条件导入示例
    2. try:
    3.     from pydantic.v1 import BaseModel
    4. except ImportError:
    5.     from pydantic import BaseModel

    复制代码
    
    
    • 前瞻性：为过渡到Pydantic v2做预备
      
    3. 日记优化
    
    1. def __repr__(self):
    2.     return f"Action(name={self.name!r}, args={self.args!r})"

    复制代码
    
    
    • 调试加强：区分__str__（用户友好）和__repr__（开辟调试）
      

    ---

    七、范例使用场景
    
    场景1：LLM天生动作
    
    1. # LLM输出示例
    2. response = """
    3. 需要搜索AI相关新闻：
    4. ```json
    5. {
    6.     "name": "web_search",
    7.     "args": {"query": "AI news 2023", "max_results": 5}
    8. }

    复制代码
    “”"
    分析结果
    
    action = Action(name=“web_search”, args={“query”: “AI news 2023”, “max_results”: 5})
    2. #### 场景2：工具执行
    3. ```python
    4. class SearchTool(BaseTool):
    5.     name = "web_search"
    6.    
    7.     def run(self, args):
    8.         query = args["query"]          # 依赖Action的参数结构正确
    9.         max_results = args.get("max_results", 10)
    10.         return search_api(query, max_results)

    复制代码
    场景3：非常处理处罚
    
    1. # 当LLM返回错误格式时
    2. invalid_json = '{"name": 123}'  # name应为字符串
    3. try:
    4.     action = Action.parse_raw(invalid_json)
    5. except ValidationError as e:
    6.     print(e)
    7.     # 输出: 1 validation error for Action
    8.     #       name -> str type expected

    复制代码

    ---

    该Action类的计划充实体现了以下原则：
    
    
    
    • 明确性：通过范例注解明确数据布局
      
    • 机动性：支持恣意工具的参数格式
      
    • 可调试性：自界说字符串体现
      
    • 兼容性：适配LangChain的分析机制
      
    这些特性使其成为毗连LLM推理与工具实行的核心枢纽，在ReAct框架中起到承上启下的关键作用。
    
    免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
    继续阅读请点击广告