state = {"messages": [{"role": "user", "content": "湖南省和河南省各有多少人口？它们之间的人口比例是多少？"}]}
for event in agent.invoke(state)['messages']:
    event.pretty_print()

from langchain.agents.middleware import wrap_tool_call
from langchain_core.messages import ToolMessage

@wrap_tool_call
def handle_tool_errors(request, handler):
    try:
        return handler(request)
    except Exception as e:
        return ToolMessage(
            content=f"Tool error: Please check your input and try again. ({str(e)})",
            tool_call_id=request.tool_call["id"]
        )

@tool('divide_error', parse_docstring=True)
def divide_error(a: int, b: int) -> int:
    return 1 / 0  # 故意制造错误

tools = [web_search_tool, rag_tool, divide_error]
agent = create_agent(
			model=llm, 
			tools=tools, 
			middleware=[handle_tool_errors]
			)

# 调用
for event in agent.invoke(state)['messages']:
    event.pretty_print()

from dataclasses import dataclass
from typing import Literal

@dataclass
class CustomContext:
    provider: Literal["qwen", "deepseek"]

@wrap_model_call
def dynamic_model_selection(request, handler):
    provider = request.runtime.context.provider
    print(f"获取到provider={provider}")
    request.model = qwen_model if provider == "qwen" else deepseek_model
    return handler(request)

result = agent.invoke(
    {"messages": [{"role": "user", "content": "你是哪个公司下面的AI？"}]},
    context=CustomContext(provider="deepseek")
)

@dynamic_prompt
def user_level_prompt(request: ModelRequest) -> str:
    level = request.runtime.context.get("level", "beginner")
    base = "你是一个精通机器学习方面的专家."
    if level == "expert":
        return f"{base} 解释问题时提供更多的细节."
    else:
        return f"{base} 用小朋友都能听懂的方式表达."

agent = create_agent(
    model=llm,
    tools=tools,
    middleware=[user_level_prompt],
    context_schema={"level": str}
)

result = agent.invoke(
    {"messages": [{"role": "user", "content": "解释一下朴素贝叶斯算法"}]},
    context={"level": "expert"}
) 
result = agent.invoke(
    {"messages": [{"role": "user", "content": "解释一下朴素贝叶斯算法"}]},
    context={"level": "beginner"}
) 

现在的用户level:expert
{'messages': [HumanMessage(content='解释一下朴素贝叶斯算法', additional_kwargs={}, response_metadata={}, id='8bacbc64-aad3-46dd-a46d-05c91f906a3e'), AIMessage(content='朴素贝叶斯算法是一种基于贝叶斯定理并假设特征之间相互独立的概率分类方法。它广泛应用于文本分类、垃圾邮件过滤、情感分析等自然语言处理领域。\n\n### 贝叶斯定理\n朴素贝叶斯的核心是**贝叶斯定理**，其数学表达式为：\n$$ P(A|B) = \\frac{P(B|A) \\cdot P(A)}{P(B)} $$\n\n其中：\n- $ P(A|B) $：在已知 B 的情况下 A 发生的概率（后验概率）。\n- $ P(B|A) $：在已知 A 的情况下 B 发生的概率（似然度）。\n- $ P(A) $：A 发生的先验概率。\n- $ P(B) $：B 发生的先验概率。\n\n### 朴素贝叶斯的“朴素”假设\n朴素贝叶斯的关键假设是**特征之间的条件独立性**。也就是说，在给定类别的情况下，所有特征彼此独立。这使得计算更加简单，并且在许多实际应用中表现良好。\n\n### 算法流程\n1. **数据准备**：\n   - 将数据集划分为训练集和测试集。\n   - 对于文本分类问题，通常需要对文本进行分词、去停用词、提取特征等预处理操作。\n\n2. **训练模型**：\n   - 统计每个类别下各个特征出现的频率。\n   - 计算先验概率 $ P(C_k) $，即每个类别的概率。\n   - 计算条件概率 $ P(x_i | C_k) $，即在某个类别下某个特征出现的概率。\n\n3. **预测新样本**：\n   - 对于一个新的样本，计算其属于每个类别的后验概率 $ P(C_k | x_1, x_2, ..., x_n) $。\n   - 根据最大后验概率原则，选择概率最大的类别作为预测结果。\n\n### 常见变种\n朴素贝叶斯有几种常见的变种，适用于不同类型的数据：\n\n1. **多项式朴素贝叶斯（Multinomial Naive Bayes）**：\n   - 适用于离散特征，尤其是文本分类中的词频统计。\n   - 条件概率公式为：\n     $$ P(x_i | C_k) = \\frac{\\text{count}(x_i, C_k) + \\alpha}{\\sum_{j} \\text{count}(x_j, C_k) + \\alpha \\cdot V} $$\n     其中 $ \\alpha $ 是平滑参数，$ V $ 是词汇表大小。\n\n2. **伯努利朴素贝叶斯（Bernoulli Naive Bayes）**：\n   - 适用于二值特征（0 或 1），例如是否包含某个单词。\n   - 条件概率公式为：\n     $$ P(x_i | C_k) = \\begin{cases} \n     p_{i,k} & \\text{if } x_i = 1 \\\\\n     1 - p_{i,k} & \\text{if } x_i = 0 \n     \\end{cases} $$\n     其中 $ p_{i,k} $ 是在类别 $ C_k $ 下特征 $ x_i $ 出现的概率。\n\n3. **高斯朴素贝叶斯（Gaussian Naive Bayes）**：\n   - 适用于连续特征，假设特征服从正态分布。\n   - 条件概率公式为：\n     $$ P(x_i | C_k) = \\frac{1}{\\sqrt{2\\pi\\sigma_k^2}} \\exp\\left(-\\frac{(x_i - \\mu_k)^2}{2\\sigma_k^2}\\right) $$\n     其中 $ \\mu_k $ 和 $ \\sigma_k $ 分别是类别 $ C_k $ 下特征 $ x_i $ 的均值和标准差。\n\n### 优缺点\n#### 优点：\n1. **简单高效**：计算复杂度低，适合大规模数据集。\n2. **对小规模数据有效**：即使在小样本情况下也能取得较好的效果。\n3. **对缺失数据不敏感**：能够处理部分缺失的数据。\n\n#### 缺点：\n1. **特征独立性假设过于理想化**：现实世界中特征之间可能存在相关性，这会影响模型的准确性。\n2. **对输入数据的分布敏感**：如果特征不服从假设的分布（如高斯分布），可能会影响模型性能。\n\n### 应用场景\n朴素贝叶斯算法因其简单性和高效性，常用于以下场景：\n- **文本分类**：如新闻分类、垃圾邮件检测、情感分析等。\n- **推荐系统**：根据用户的历史行为预测兴趣。\n- **医学诊断**：根据患者的症状预测疾病类型。\n\n### 总结\n朴素贝叶斯是一种简单但强大的分类算法，尤其适合处理文本数据。虽然它的“朴素”假设在某些情况下可能不太合理，但在实践中往往能取得很好的效果。', additional_kwargs={'refusal': None}, response_metadata={'token_usage': {'completion_tokens': 1064, 'prompt_tokens': 495, 'total_tokens': 1559, 'completion_tokens_details': None, 'prompt_tokens_details': None}, 'model_provider': 'openai', 'model_name': 'Qwen3-32B', 'system_fingerprint': None, 'id': 'chatcmpl-00ee2b2f-0021-4fb8-be16-ec56012b26f2', 'finish_reason': 'stop', 'logprobs': None}, id='lc_run--25c8b7bd-2203-4a58-9a9d-d5e71990ddb1-0', usage_metadata={'input_tokens': 495, 'output_tokens': 1064, 'total_tokens': 1559, 'input_token_details': {}, 'output_token_details': {}})]}

现在的用户level:beginner
{'messages': [HumanMessage(content='解释一下朴素贝叶斯算法', additional_kwargs={}, response_metadata={}, id='609572f6-3404-47f7-8d67-d09ed38c2440'), AIMessage(content='朴素贝叶斯算法是一种帮助我们做决定的聪明方法。我们可以把它想象成一个猜谜游戏，这个游戏根据我们看到的东西来猜出答案。\n\n比如说，如果我们想要猜一封邮件是不是垃圾邮件，朴素贝叶斯就会看看这封邮件里有哪些词。如果它看到很多像“免费”、“赢取大奖”这样的词，它可能会猜这是一封垃圾邮件。但如果它看到的是“会议”、“报告”这样的词，它可能猜这不是垃圾邮件。\n\n这个算法之所以叫“朴素”，是因为它假设每个词都是独立的，也就是说，它不考虑这些词之间的关系，只是单独地看每一个词。虽然这是一个简单的假设，但它在很多情况下都工作得很好！\n\n所以，总结一下，朴素贝叶斯就是通过观察一些特征（比如邮件里的词），然后根据这些特征出现的概率来做预测的一种方法。', additional_kwargs={'refusal': None}, response_metadata={'token_usage': {'completion_tokens': 179, 'prompt_tokens': 499, 'total_tokens': 678, 'completion_tokens_details': None, 'prompt_tokens_details': None}, 'model_provider': 'openai', 'model_name': 'Qwen3-32B', 'system_fingerprint': None, 'id': 'chatcmpl-e308bde6-f71c-47ec-b588-54f0e917452a', 'finish_reason': 'stop', 'logprobs': None}, id='lc_run--2f33fe73-92e6-4429-bdb0-df695eef9e6b-0', usage_metadata={'input_tokens': 499, 'output_tokens': 179, 'total_tokens': 678, 'input_token_details': {}, 'output_token_details': {}})]}

class Resume(TypedDict):
    name: str
    age: str
    phone: str

agent = create_agent(
    model=llm,
    tools=tools,
    response_format=ToolStrategy(Resume)
)

result = agent.invoke({
    "messages": [{"role": "user", "content": "我叫宋昌，今年35岁，电话13812345678"}]
})
print(result["structured_response"])

{'messages': [HumanMessage(content='从以下信息中提取Resume信息。我叫宋昌，今年35岁，我的电话号码是13812345678', additional_kwargs={}, response_metadata={}, id='2f94d017-40ee-452d-915e-45defed616e0'), AIMessage(content='', additional_kwargs={'refusal': None}, response_metadata={'token_usage': {'completion_tokens': 42, 'prompt_tokens': 576, 'total_tokens': 618, 'completion_tokens_details': None, 'prompt_tokens_details': None}, 'model_provider': 'openai', 'model_name': 'Qwen3-32B', 'system_fingerprint': None, 'id': 'chatcmpl-02d310af-c4db-4046-871b-3fe5c7a46e0f', 'finish_reason': 'tool_calls', 'logprobs': None}, id='lc_run--fd0db0ef-6c3b-4211-b6e8-746a25ef7c21-0', tool_calls=[{'name': 'Resume', 'args': {'age': '35', 'name': '宋昌', 'phone': '13812345678'}, 'id': 'call_f850f162d81f41e08875bf', 'type': 'tool_call'}], usage_metadata={'input_tokens': 576, 'output_tokens': 42, 'total_tokens': 618, 'input_token_details': {}, 'output_token_details': {}}), ToolMessage(content="Returning structured response: {'name': '宋昌', 'age': '35', 'phone': '13812345678'}", name='Resume', id='4e5ad143-157b-46a3-a157-0424f87eb4ee', tool_call_id='call_f850f162d81f41e08875bf')], 'structured_response': {'name': '宋昌', 'age': '35', 'phone': '13812345678'}}
{'name': '宋昌', 'age': '35', 'phone': '13812345678'}

class CustomState(AgentState):
    user_info: dict

class CustomMiddleware(AgentMiddleware):
    state_schema = CustomState
    def before_model(self, state, runtime):
        if state["user_info"]["title"] == "大将军":
            return {"messages": [SystemMessage(content="将军好！……"), *state["messages"]]}

agent = create_agent(llm, tools=tools, middleware=[CustomMiddleware()])

result = agent.invoke({
    "messages": [{"role": "user", "content": "我喜欢研究理论"}],
    "user_info": {"name": "赵无恤", "title": "大将军"}
})

当前状态: {'messages': [HumanMessage(content='我喜欢研究理论', additional_kwargs={}, response_metadata={}, id='3a726091-e837-474a-afe6-14e69e6829e7')], 'user_info': {'name': '赵无恤', 'title': '大将军'}}
【系统提示词】: 你正在与一位军事统帅对话，请使用庄重语气，并在交流前加上“将军好！”的表达。
{'messages': [HumanMessage(content='我喜欢研究理论', additional_kwargs={}, response_metadata={}, id='3a726091-e837-474a-afe6-14e69e6829e7'), SystemMessage(content='你正在与一位军事统帅对话，请使用庄重语气，并在交流前加上“将军好！”的表达。', additional_kwargs={}, response_metadata={}, id='c2c05fb1-d1ec-4861-9b04-ab856d8898dc'), AIMessage(content='将军好！理论研究是智慧的源泉，也是制定战略与决策的重要基础。您对哪一方面的理论感兴趣？无论是兵法、政治、哲学还是其他领域，我都很乐意为您提供相关信息或进行深入探讨。', additional_kwargs={'refusal': None}, response_metadata={'token_usage': {'completion_tokens': 47, 'prompt_tokens': 500, 'total_tokens': 547, 'completion_tokens_details': None, 'prompt_tokens_details': None}, 'model_provider': 'openai', 'model_name': 'Qwen3-32B', 'system_fingerprint': None, 'id': 'chatcmpl-732de714-22e5-4a38-be2c-f73205b148ac', 'finish_reason': 'stop', 'logprobs': None}, id='lc_run--2b6b0aff-5d33-496f-81f1-5d3f5f5a4ee3-0', usage_metadata={'input_tokens': 500, 'output_tokens': 47, 'total_tokens': 547, 'input_token_details': {}, 'output_token_details': {}})], 'user_info': {'name': '赵无恤', 'title': '大将军'}}

agent = create_agent(model=llm, tools=tools, state_schema=CustomState)

# 第一轮
state1= agent.invoke({
    "messages": [{"role": "user", "content": "我喜欢研究军事理论"}],
    "user_info": {"name": "赵无恤", "title": "大将军"},
})

{'messages': [HumanMessage(content='我喜欢研究军事理论', additional_kwargs={}, response_metadata={}, id='2044bd7c-e1e4-4bc4-8440-8c1ad9a7690c'), AIMessage(content='那非常有趣！军事理论涉及战略、战术、武器系统、军队组织等多个方面。你对哪个具体领域感兴趣呢？比如现代战争中的信息战、网络战，还是传统的陆海空三军作战理论？我可以为你提供一些相关的知识或资料。', additional_kwargs={'refusal': None}, response_metadata={'token_usage': {'completion_tokens': 56, 'prompt_tokens': 475, 'total_tokens': 531, 'completion_tokens_details': None, 'prompt_tokens_details': None}, 'model_provider': 'openai', 'model_name': 'Qwen3-32B', 'system_fingerprint': None, 'id': 'chatcmpl-9d7ea05a-5378-4703-9c33-5c2eab5e8374', 'finish_reason': 'stop', 'logprobs': None}, id='lc_run--5380d835-ad4f-4812-8b63-d2b2b10d1c84-0', usage_metadata={'input_tokens': 475, 'output_tokens': 56, 'total_tokens': 531, 'input_token_details': {}, 'output_token_details': {}})], 'user_info': {'name': '赵无恤', 'title': '大将军'}}

# 第二轮：传递完整 state 实现记忆延续
state2 = agent.invoke({
    **state1,
    "messages": state1["messages"] + [{"role": "user", "content": "推荐几本经典著作？"}]
})