Agent 프레임워크

from llama_index.core.agent import ReActAgent
from llama_index.llms.openai import OpenAI
from llama_index.core.tools import FunctionTool

# 커스텀 검색 함수
def web_search(query: str) -> str:
    """웹에서 정보를 검색합니다."""
    # 실제 검색 API 호출
    return f"'{query}'에 대한 검색 결과..."

# Tool 생성
search_tool = FunctionTool.from_defaults(fn=web_search)

# LLM 설정
llm = OpenAI(model="gpt-4")

# ReAct Agent 생성
agent = ReActAgent.from_tools(
    tools=[search_tool],
    llm=llm,
    verbose=True,
    max_iterations=5
)

# 실행
response = agent.chat("2024년 AI 트렌드는?")

from autogen import AssistantAgent, UserProxyAgent, config_list_from_json

# LLM 설정
config_list = [{
    "model": "gpt-4",
    "api_key": os.environ["OPENAI_API_KEY"]
}]

# Assistant Agent (AI)
assistant = AssistantAgent(
    name="researcher",
    system_message="당신은 연구 전문가입니다. 웹 검색을 통해 정보를 찾아주세요.",
    llm_config={"config_list": config_list}
)

# User Proxy (코드 실행 가능)
user_proxy = UserProxyAgent(
    name="user",
    human_input_mode="NEVER",
    code_execution_config={
        "work_dir": "workspace",
        "use_docker": False
    }
)

# 대화 시작
user_proxy.initiate_chat(
    assistant,
    message="2024년 AI 트렌드를 검색해서 요약해줘"
)

from crewai import Agent, Task, Crew
from crewai_tools import SerperDevTool

# Tool 설정
search_tool = SerperDevTool()

# Agent 정의 (역할 기반)
researcher = Agent(
    role="Research Analyst",
    goal="최신 AI 트렌드를 조사하고 분석",
    backstory="당신은 10년 경력의 기술 분석가입니다.",
    tools=[search_tool],
    verbose=True
)

# Task 정의
research_task = Task(
    description="2024년 AI 트렌드를 조사하고 핵심 내용을 정리해주세요.",
    expected_output="주요 트렌드 5가지와 각각에 대한 설명",
    agent=researcher
)

# Crew 구성 및 실행
crew = Crew(
    agents=[researcher],
    tasks=[research_task],
    verbose=2
)

result = crew.kickoff()

# LangGraph로 구현한 ReAct Agent
from langgraph.prebuilt import create_react_agent
from langchain_openai import ChatOpenAI
from langchain_community.tools.tavily_search import TavilySearchResults

# 설정
llm = ChatOpenAI(model="gpt-4")
tools = [TavilySearchResults(max_results=3)]

# LangGraph의 prebuilt ReAct Agent 사용
agent = create_react_agent(llm, tools)

# 실행 (스트리밍 지원)
for chunk in agent.stream({
    "messages": [{"role": "user", "content": "AI 트렌드 알려줘"}]
}):
    print(chunk)

# 체크포인트 저장 (상태 지속성)
from langgraph.checkpoint.sqlite import SqliteSaver
memory = SqliteSaver.from_conn_string(":memory:")
agent = create_react_agent(llm, tools, checkpointer=memory)