from tavily import TavilyClient
from llm.llm_api_key import TAVILY_API_KEY
import time
def tavily_search(query):
    try:
        # Step 1. Instantiating your TavilyClient
        tavily_client = TavilyClient(api_key=TAVILY_API_KEY)
        # Step 2. Executing a Q&A search query
        answer = tavily_client.qna_search(query=query)
        # Step 3. That's it! Your question has been answered!
        return answer
    except:
        time.sleep(1)
        # Step 1. Instantiating your TavilyClient
        tavily_client = TavilyClient(api_key=TAVILY_API_KEY)
        # Step 2. Executing a Q&A search query
        answer = tavily_client.qna_search(query=query)
        # Step 3. That's it! Your question has been answered!
        return answer
def height_search(name):
    height_dic = {
        "張三": 180,
        "李四": 175,
        "王五": 170,
        "趙六": 165,
        "錢七": 160,
        "孫八": 175,
        "周九": 170,
        "吳十": 165,
        "鄭十一": 180,
        "王十二": 175,
        "李十三": 170,
        "趙十四": 165,
        "錢十五": 180,
        "孫十六": 175,
    }
    return height_dic.get(name)

tavily_search_tool = {
        "type": "function",
        "function": {
            "name": 'tavily_search',
            "description": "根據(jù)用戶查詢，去搜索引擎，返回搜索結(jié)果",
            "parameters": {
                "type": "object",
                "properties": {
                    "query": {
                        "description": "用戶搜索內(nèi)容 query",
                        "type": "string"
                    },
                },
                "required": ["query"]
            }
        }
      }
height_search_tool = {
        "type": "function",
        "function": {
            "name": 'height_search',
            "description": "只要是有姓名，身高關(guān)鍵字，都需要使用此工具根據(jù)姓名，查詢對(duì)應(yīng)身高，每次只能查詢一個(gè)人的身高",
            "parameters": {
                "type": "object",
                "properties": {
                    "name": {
                        "description": "指具體的姓名或名字",
                        "type": "string"
                    },
                },
                "required": ["name"]
            }
        }
      }

Answer the following questions as best you can. You have access to the following tools:
{tools}
Use the following format:
Question: the input question you must answer
Thought: you should always think about what to do
Action: the action to take, should be one of [{tool_names}]
Action Input: the input to the action
Observation: the result of the action
... (this Thought/Action/Action Input/Observation can repeat N times)
Thought: I now know the final answer
Final Answer: the final answer to the original input question
Begin!
Question: {input}
Thought:{agent_scratchpad}

盡你所能回答以下問(wèn)題。您可以使用以下工具:
```{tools}```
嚴(yán)格使用以下 JSON 格式:
```
{{
    Question: 根據(jù) thought 當(dāng)前需要回答的問(wèn)題，此字段必須存在
    Thought: 對(duì)于 Question 要做什么，此字段必須存在
    Action: {{'tool': 要采取的動(dòng)作，應(yīng)該是[{tool_names}]之一，如果不需要工具可以空著}}
    Action Input: 動(dòng)作的輸入，是一個(gè) JSON 格式，此字段必須存在，如果不需要輸入可以空著
    Observation: 行動(dòng)的結(jié)果，此字段必須存在，默認(rèn)為空
}}
```
(Question/Thought/Action/Action Input/Observation 五個(gè)字段必須存在，以上步驟只能重復(fù) 1 次)
開(kāi)始吧!
Question:`{query}`
thought:`{agent_scratchpad}`

# 背景
有一個(gè)問(wèn)題 Question，已經(jīng)有了對(duì)這個(gè)問(wèn)題的思考 Thought，已執(zhí)行的思考 Action，需要根據(jù)這些信息去規(guī)劃出下一步應(yīng)該做什么。
# 輸入
## Question:`{query}`
## Thought:`{thought}`
## Action:`{all_action_res}`
# 思考推理：
- 1、參考 Question 仔細(xì)理解 Thought，思考 Action 還有哪些沒(méi)有行動(dòng)。
- 2、判斷你下一步做什么行動(dòng)，不能過(guò)于發(fā)散過(guò)多的行動(dòng)，必須根據(jù)步驟 1 的思考。
- 3、確保你的回答在語(yǔ)義上與 Action 中的內(nèi)容不重復(fù)是一個(gè)全新的步驟。
- 4、若 Thought 已經(jīng)全部執(zhí)行了，直接回答`no`。
# 輸出要求(嚴(yán)格按照以下要求輸出)
- 回答需要用一句話清晰的總結(jié)下一步需要做什么，不需要其他任何信息。
- 如果沒(méi)有需要做的了，直接輸出`no`，不需要其他任何信息，不需要解釋任何理由。

D:\programming\dev_env\anaconda\anaconda3\python.exe "D:\Python_project\NLP\大模型學(xué)習(xí)\prompt-engineering\自定義 React Agant\run_agent.py" 
D:\programming\dev_env\anaconda\anaconda3\Lib\site-packages\langchain\callbacks\__init__.py:37: LangChainDeprecationWarning: Importing this callback from langchain is deprecated. Importing it from langchain will no longer be supported as of langchain==0.2.0. Please import from langchain-community instead:
`from langchain_community.callbacks import get_openai_callback`.
To install langchain-community run `pip install -U langchain-community`.
  warnings.warn(
輸入 token：103/輸出 token：268/總共 token：371/
問(wèn)題改寫，識(shí)別潛在意圖：
1. 識(shí)別用戶提到的“身高比較高的小伙子”和“長(zhǎng)得像錢七”，可能需要查詢錢七的身高信息（使用工具：height_search）。
2. 識(shí)別用戶提到的“還有他跟他身高差不多的兄弟李四”，可能需要查詢李四的身高信息（使用工具：height_search）。
3. 用戶對(duì)“大模型”表示不清楚，需要解釋或搜索“大模型”的定義和相關(guān)信息（使用工具：tavily_search）。
=====================================
輸入 token：53/輸出 token：376/總共 token：429/
解決此問(wèn)題的思考 Thought：
根據(jù)用戶的問(wèn)題，我們需要查詢錢七和李四的身高信息，并獲取關(guān)于“大模型”的解釋和相關(guān)信息。因此，我們需要使用height_search工具來(lái)查詢身高信息，以及使用tavily_search工具來(lái)搜索大模型的相關(guān)內(nèi)容。
=====================================
輸入 token：89/輸出 token：426/總共 token：515/
{'Action': {'tool': 'height_search'},
 'Action Input': {'name': '錢七'},
 'Observation': 160,
 'Question': '1. 識(shí)別用戶提到的“身高比較高的小伙子”和“長(zhǎng)得像錢七”，可能需要查詢錢七的身高信息（使用工具：height_search）。',
 'Thought': '需要使用工具查詢錢七的身高信息。'}
=====================================
輸入 token：12/輸出 token：289/總共 token：301/
下一步需要做什么：
需要使用工具查詢李四的身高信息。
=====================================
輸入 token：60/輸出 token：435/總共 token：495/
{'Action': {'tool': 'height_search'},
 'Action Input': {'name': '李四'},
 'Observation': 175,
 'Question': '查詢李四的身高信息。',
 'Thought': '使用height_search工具查詢李四的身高。'}
=====================================
輸入 token：14/輸出 token：301/總共 token：315/
下一步需要做什么：
使用tavily_search工具搜索大模型的相關(guān)內(nèi)容。
=====================================
輸入 token：61/輸出 token：437/總共 token：498/
{'Action': {'tool': 'tavily_search'},
 'Action Input': {'query': '大模型是什么意思'},
 'Observation': 'Based on the data provided, the term "大模型" (Big Model) refers '
                'to a method or technology used in the fields of machine '
                'learning and artificial intelligence to handle large-scale '
                'data and complex models. These models are typically '
                'constructed using deep neural networks with a large number of '
                'parameters, ranging from billions to even trillions. The '
                'purpose of big models is to improve model expressive power '
                'and predictive performance, enabling them to handle more '
                'complex tasks and datasets effectively. Big models play a '
                'crucial role in addressing challenges posed by increasing '
                'data volumes and model complexities in the field of AI and '
                'machine learning.',
 'Question': '大模型是什么意思？',
 'Thought': '使用搜索引擎查詢大模型的相關(guān)信息。'}
=====================================
輸入 token：10/輸出 token：311/總共 token：321/
開(kāi)始生成重復(fù)步驟，或已執(zhí)行 action 過(guò)多，判斷結(jié)束了！重復(fù)步驟：使用搜索引擎查詢大模型的相關(guān)信息。
下一步需要做什么：
no
=====================================
輸入 token：109/輸出 token：332/總共 token：441/
最終答案：
根據(jù)您的描述，錢七的身高是160厘米，而李四的身高是175厘米。至于您提到的“大模型”，這是一種在機(jī)器學(xué)習(xí)和人工智能領(lǐng)域中使用的方法或技術(shù)。大模型通常指的是具有大量參數(shù)（從數(shù)十億到數(shù)萬(wàn)億不等）的深度神經(jīng)網(wǎng)絡(luò)模型。這些模型的目的是提高表達(dá)能力和預(yù)測(cè)性能，使它們能夠更有效地處理大規(guī)模數(shù)據(jù)和復(fù)雜任務(wù)。
簡(jiǎn)而言之，大模型是為了應(yīng)對(duì)人工智能和機(jī)器學(xué)習(xí)領(lǐng)域中數(shù)據(jù)量增加和模型復(fù)雜性提升的挑戰(zhàn)而發(fā)展起來(lái)的技術(shù)。
>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
Process finished with exit code 0