AI Agent实战：基于ReAct与FunctionCalling构建本地编程助手

src/demo
--
  |--do_exec_react.py
  |--main.py
  |--system_prompt.py

# main.py

"""
主程序入口
启动编程助手 Agent，接收用户输入，运行 ReAct 循环完成文件操作任务
"""

from do_exec_react import run_react_loop


def main():
    """
    主函数：启动交互式命令行界面
    """
    print("📁 欢迎使用本地编程助手 Agent")
    #print("输入您的需求，例如：")
    #print("  - 创建一个叫 my_project 的目录")
    #print("  - 在 my_project 中创建 hello.py 文件")
    #print("  - 读取 hello.py 的内容")
    #print("  - 修改 hello.py 添加函数")
    #print("  - 删除某个文件")
    #print("  - 搜索所有 .py 文件")
    print("输入 'quit'、'exit' 或 'bye' 退出程序。\n")

    while True:
        # 获取用户输入
        user_input = input("👉 你：").strip()
        
        # 跳过空输入
        if not user_input:
            continue
        
        # 退出指令
        if user_input.lower() in ['quit', 'exit', 'bye']:
            print("👋 再见！祝你编码愉快！")
            break

        # 运行 ReAct 循环处理请求
        result = run_react_loop(user_input)
        
        # 输出最终答案
        print(f"\n✅ 助手回复：{result}")


# 程序入口点
if __name__ == "__main__":
    main()

def run_react_loop(user_input: str, max_steps: int = 10) -> str:
    """
    运行 ReAct 循环：思考 → 行动 → 观察 → 再思考……直到得出最终答案

    参数:
        user_input (str): 用户原始请求
        max_steps (int): 最大循环步数，防止无限执行

    返回:
        str: 最终的答案回复
    """
    # 初始化对话上下文
    messages=[
        {
            "role": "system",
            "content": SYSTEM_PROMPT
        },
        {
            "role": "user",
            "content": user_input
        }
    ]
    print("当前消息格式:")
    print(json.dumps(messages, ensure_ascii=False, indent=2))

    for step in range(max_steps):
        print(f"\n🔄 第 {step + 1} 步：生成思考与动作...")
        print(f"\n 上下文内容是{messages}")        
        # 模拟调用 LLM 获取响应（实际项目中替换为此处的真实 API）
        agent_response = simulate_llm(messages)
        print(f"🤖 Agent：{agent_response}")
        # 检查是否已有最终答案
        if "<final_answer>" in agent_response:
            return extract_final_answer(agent_response)

        # 解析动作
        action_name, args = parse_action_improved(agent_response)
        print(f"parse action is action_name={action_name},args={args}")
        if not action_name:
            messages = add_message(messages, "assistant", "<observation>⚠️ 未能解析出有效动作。</observation>")
            messages = add_message(messages,"user","请根据是否需要创建文件、更新文件、写入文件来重新思考任务")
            continue

        # 执行对应工具函数
        if action_name in TOOLS:
            observation = TOOLS[action_name](args)
        else:
            observation = f"❌ 未知的操作：{action_name}"

        print(f"🔍 观察结果：{observation}")

        # 将本轮交互追加到上下文中，供后续步骤参考
        messages = add_message(messages, "assistant", f"<observation>{observation}</observation>\n")
        messages = add_message(messages,"user",f"根据observation结果，进行下一步思考和任务")

        # 再次检查是否有 final_answer
        if "<final_answer>" in agent_response:
            return extract_final_answer(agent_response)

    return "<final_answer>⚠️ 达到最大步骤限制，未能完成任务。</final_answer>"

- CREATE_FILE(path="...", content="...")        → 创建文件（可指定路径和内容）
- READ_FILE(path="...")                         → 读取文件内容
- UPDATE_FILE(path="...", content="...")       → 更新文件内容
- DELETE_FILE(path="...")                       → 删除文件
- CREATE_DIR(path="...")                        → 创建目录（支持嵌套）
- DELETE_DIR(path="...")                        → 删除目录及其内容（递归删除）
- LIST_DIR(path="..." 或 ".")                  → 列出目录中的子目录和文件
- SEARCH_FILE(pattern="...", path="...")        → 在指定路径下按文件名模式搜索（支持正则）

"""添加消息到对话列表"""
def add_message(message_list, role, content):
    message_list.append({
        "role": role,
        "content": content
    })
    return message_list