將前面討論的 Tool System、多工具協調（Multi-Tool Coordination） 與 ReAct 循環 整合，打造一個具備「資料檢索、文章摘要、知識整理與報告撰寫」能力的 研究助理 Agent（Research Assistant Agent）。
研究助理的核心工作不是一次性給出答案，而是透過「搜尋 $\rightarrow$ 閱讀分析 $\rightarrow$ 筆記存檔 $\rightarrow$ 撰寫報告」的漸進式工作流（Iterative Workflow）來完成深度研究。
┌── Web Search Tool（即時資料檢索）
├── Read Page Tool（讀取特定網頁全文）
[Research Agent] ───┼── Note-taking Tool（研究筆記與知識庫存檔）
└── Draft Report Tool（寫入最終 Markdown 報告）
以下採用 Python 實作包含「工具註冊」、「狀態紀錄」與「多輪思考執行」的研究助理 Agent：
import inspect
import json
from typing import Callable, Any, Dict, List
from pydantic import BaseModel, create_model
from openai import OpenAI
# ==========================================
# 1. 基礎設施：Tool & ToolRegistry
# ==========================================
class Tool:
def __init__(self, name: str, description: str, func: Callable):
self.name = name
self.description = description
self.func = func
self.args_schema = self._generate_args_schema(func)
def _generate_args_schema(self, func: Callable) -> type[BaseModel]:
sig = inspect.signature(func)
fields = {}
for param_name, param in sig.parameters.items():
param_type = Any if param.annotation == inspect.Parameter.empty else param.annotation
default_val = ... if param.default == inspect.Parameter.empty else param.default
fields[param_name] = (param_type, default_val)
return create_model(f"{self.name}Schema", **fields)
def to_openai_tool(self) -> Dict[str, Any]:
schema = self.args_schema.model_json_schema()
properties = schema.get("properties", {})
for prop in properties.values():
prop.pop("title", None)
return {
"type": "function",
"function": {
"name": self.name,
"description": self.description,
"parameters": {
"type": "object",
"properties": properties,
"required": schema.get("required", [])
}
}
}
def execute(self, **kwargs) -> str:
try:
validated_args = self.args_schema(**kwargs)
result = self.func(**validated_args.model_dump())
return result if isinstance(result, str) else json.dumps(result, ensure_ascii=False)
except Exception as e:
return json.dumps({"status": "error", "message": f"工具執行失敗: {str(e)}"}, ensure_ascii=False)
class ToolRegistry:
def __init__(self):
self._tools: Dict[str, Tool] = {}
def register(self, description: str, name: str = None):
def decorator(func: Callable):
tool_name = name or func.__name__
self._tools[tool_name] = Tool(name=tool_name, description=description, func=func)
return func
return decorator
def get_openai_tools(self) -> List[Dict[str, Any]]:
return [tool.to_openai_tool() for tool in self._tools.values()]
def dispatch(self, tool_name: str, arguments_json: str) -> str:
tool = self._tools.get(tool_name)
if not tool:
return json.dumps({"error": f"找不到工具 '{tool_name}'"})
try:
args = json.loads(arguments_json) if isinstance(arguments_json, str) else arguments_json
return tool.execute(**args)
except Exception as e:
return json.dumps({"error": f"解析參數失敗: {str(e)}"})
# ==========================================
# 2. 為研究助理註冊「感知與執行工具」
# ==========================================
registry = ToolRegistry()
# 模擬研究助理的記憶/暫存庫
research_notes = []
@registry.register(description="搜尋網頁獲取最新的產業、技術或新聞資訊。輸入搜尋關鍵字，回傳摘要與網址列表。")
def search_web(query: str) -> list:
# 模擬搜尋引擎 API (如 Tavily, Serper 或 DuckDuckGo)
if "Agent" in query or "LLM" in query:
return [
{"title": "2026 AI Agent 趨勢報告", "url": "https://example.com/ai-agent-2026", "snippet": "2026年 AI Agent 轉向多模態互動與輕量化邊緣運算，自主決策能力顯著提升。"},
{"title": "從 Chat 到 Agent 的架構演進", "url": "https://example.com/chat-to-agent", "snippet": "Tool Calling 與環境互動成為 Agent 的標準配備，單純對話模式已無法滿足複雜需求。"}
]
return [{"title": "無相關結果", "url": "", "snippet": "請嘗試更精確的搜尋關鍵字。"}]
@registry.register(description="讀取特定網頁網址的完整文字內容，用於深入閱讀與分析細節。")
def fetch_web_page_content(url: str) -> str:
# 模擬網頁爬蟲/抓取 API
if "ai-agent-2026" in url:
return "【詳細內文】2026年，AI Agent 技術核心集中於三個面向：1. 低延遲的推論速度；2. 具備長期記憶的記憶庫管理；3. 跨系統的複雜工作流接軌 (Workflow Integration)。"
elif "chat-to-agent" in url:
return "【詳細內文】傳統 Chat Completion 依賴單次 Input/Output，而 Agent 引進了 ReAct 框架，透過 Thought-Action-Observation 循環自動導航至任務目標。"
return "網頁內容讀取失敗或 404。"
@registry.register(description="將關鍵的研究發現或數據作為筆記記錄下來，供後續撰寫報告使用。")
def add_research_note(topic: str, note_content: str) -> str:
research_notes.append({"topic": topic, "content": note_content})
return f"已成功新增主題為 [{topic}] 的研究筆記，目前共有 {len(research_notes)} 條筆記。"
@registry.register(description="查看當前累積的所有研究筆記。")
def get_all_notes() -> list:
return research_notes
# ==========================================
# 3. 研究助理 Agent 核心 Engine
# ==========================================
class ResearchAssistantAgent:
def __init__(self, model_name: str = "gpt-4o-mini"):
self.client = OpenAI()
self.model_name = model_name
def run_research(self, research_topic: str, max_rounds: int = 8):
system_prompt = (
"你是一位頂尖的專業研究助理。"
"你的目標是針對使用者的主題進行深入研究，搜集足夠資訊、做筆記，最後產出一份結構完整的 Markdown 研究報告。\n"
"工作流程建議：\n"
"1. 使用 search_web 搜尋相關主題資訊。\n"
"2. 使用 fetch_web_page_content 深入讀取有價值的網頁內文。\n"
"3. 使用 add_research_note 隨時記錄重要的研究發現。\n"
"4. 當蒐集的資訊足夠時，閱讀整理所有筆記，並輸出完整的最終研究報告。"
)
messages = [
{"role": "system", "content": system_prompt},
{"role": "user", "content": f"請幫我針對以下主題進行深入研究並撰寫一份簡報分析：'{research_topic}'"}
]
print(f"🔬 開始執行研究任務: {research_topic}\n" + "="*60)
for round_num in range(1, max_rounds + 1):
print(f"\n🧠 [Round {round_num}] 研究助理思考中...")
response = self.client.chat.completions.create(
model=self.model_name,
messages=messages,
tools=registry.get_openai_tools(),
tool_choice="auto"
)
msg = response.choices[0].message
messages.append(msg)
# 若模型不再呼叫任何工具，代表研究完成，輸出最終報告
if not msg.tool_calls:
print("\n📄 【最終研究報告】\n")
print(msg.content)
return msg.content
# 執行工具
for call in msg.tool_calls:
fn_name = call.function.name
fn_args = call.function.arguments
print(f"🛠️ [Action] {fn_name}({fn_args})")
obs = registry.dispatch(fn_name, fn_args)
print(f"👀 [Observation] {obs[:120]}..." if len(obs) > 120 else f"👀 [Observation] {obs}")
messages.append({
"role": "tool",
"tool_call_id": call.id,
"name": fn_name,
"content": obs
})
# ==========================================
# 4. 啟動 Agent 執行研究
# ==========================================
if __name__ == "__main__":
agent = ResearchAssistantAgent(model_name="gpt-4o-mini")
agent.run_research("2026 年 AI Agent 的發展趨勢與架構演進")
當你啟動研究任務時，Agent 會自發性地展開以下多輪推演（ReAct Loop）：
search_web(query="2026 AI Agent 發展趨勢")。Observation: 拿到兩個相關網址與簡短 Snippet。
fetch_web_page_content(url="[https://example.com/ai-agent-2026](https://example.com/ai-agent-2026)")。Observation: 獲得關於低延遲推論、長期記憶與系統整合的詳細內文。
add_research_note(topic="2026 趨勢", note_content="三個核心面向：低延遲推論、記憶管理與系統整合。")。Observation: "已成功新增主題...目前共有 1 條筆記。"
要將這個專案部署到真實環境，還需補齊以下關鍵模組：
fetch_web_page_content 時，網頁全文可能包含數萬字。可以在 Tool 內部加上「小模型預先摘要（Mini-Summary）」機制，只把精煉後的 500 字摘要塞回 Agent 的上下文。
iThome鐵人賽
看影片追技術