AI agents系列之全从零开始构建

在我们上一篇博客文章中，我们全面介绍了智能代理，讨论了它们的特性、组成部分、演变过程、面临的挑战以及未来的可能性。

这篇文章，咱们就来聊聊怎么用 Python 从零开始构建一个智能代理。这个智能代理能够根据用户输入做出决策，选择合适的工具，并相应地执行任务。咱们这就开工咯！

1. 什么是智能代理AI agents？

智能代理AI agents是一个能够自主感知环境、做出决策并采取行动以实现特定目标的实体。智能代理的复杂程度各不相同，从简单地对刺激做出反应的反应式代理，到能够随着时间推移学习和适应的更高级智能代理。常见的智能代理类型包括：

1. 反应式代理：直接对环境变化做出反应，没有内部记忆。
2. 基于模型的代理：利用对世界的内部模型来做出决策。
3. 基于目标的代理：根据实现特定目标来规划行动。
4. 基于效用的代理：根据效用函数评估潜在行动，以最大化结果。

例如，聊天机器人、推荐系统和自动驾驶汽车，每一种都利用不同类型的智能代理来高效、智能地执行任务。

我们这个智能代理的核心组成部分有：

• 模型：智能代理的大脑，负责处理输入并生成响应。
• 工具：智能代理可以根据用户请求执行的预定义函数。
• 工具箱：智能代理可以使用的工具集合。
• 系统提示：指导智能代理如何处理用户输入并选择合适工具的指令集。

2. 实现

现在，咱们撸起袖子加油干，开始构建！

构建智能代理

2.1 先决条件

1. Python 环境设置

你需要安装 Python 才能运行智能代理。按照以下步骤设置环境：

安装 Python（如果尚未安装）

• 从 python.org 下载并安装 Python（推荐使用 3.8+ 版本）。
• 验证安装：

python --version

创建虚拟环境（推荐） 最好使用虚拟环境来管理依赖项：

python -m venv ai_agents_env
source ai_agents_env/bin/activate  # 在 Windows 上：ai_agents_env\Scripts\activate

安装所需依赖项 导航到仓库目录并安装依赖项：

pip install -r requirements.txt

2. 本地设置 Ollama

Ollama 用于高效运行和管理本地语言模型。按照以下步骤安装并配置它：

下载并安装 Ollama

• 访问 Ollama 官方网站 并下载适用于你操作系统的安装程序。
• 按照你平台的说明进行安装。

验证 Ollama 安装 运行以下命令检查 Ollama 是否安装正确：

ollama --version

拉取模型（如果需要） 某些智能代理实现可能需要特定的模型。你可以使用以下命令拉取模型：

ollama pull mistral  # 将 'mistral' 替换为所需的模型

2.2 实现步骤

作者提供的图片

步骤 1：设置环境

除了 Python，我们还需要安装一些必要的库。在本教程中，我们将使用 requests、json 和 termcolor。此外，我们还将使用 dotenv 来管理环境变量。

pip install requests termcolor python-dotenv

步骤 2：定义模型类

我们首先需要一个能够处理用户输入的模型。我们将创建一个 OllamaModel 类，它与本地 API 交互以生成响应。

以下是基本实现：

from termcolor import colored
import os
from dotenv import load_dotenv
load_dotenv()
### 模型
import requests
import json
import operator
class OllamaModel:
    def __init__(self, model, system_prompt, temperature=0, stop=None):
        """
        使用给定参数初始化 OllamaModel。

        参数：
        model (str): 要使用的模型名称。
        system_prompt (str): 要使用的系统提示。
        temperature (float): 模型的温度设置。
        stop (str): 模型的停止标记。
        """
        self.model_endpoint = "http://localhost:11434/api/generate"
        self.temperature = temperature
        self.model = model
        self.system_prompt = system_prompt
        self.headers = {"Content-Type": "application/json"}
        self.stop = stop

    def generate_text(self, prompt):
        """
        根据提供的提示从 Ollama 模型生成响应。

        参数：
        prompt (str): 用户查询，用于生成响应。

        返回：
        dict：模型返回的响应，以字典形式表示。
        """
        payload = {
            "model": self.model,
            "format": "json",
            "prompt": prompt,
            "system": self.system_prompt,
            "stream": False,
            "temperature": self.temperature,
            "stop": self.stop
        }

        try:
            request_response = requests.post(
                self.model_endpoint,
                headers=self.headers,
                data=json.dumps(payload)
            )

            print("REQUEST RESPONSE", request_response)
            request_response_json = request_response.json()
            response = request_response_json['response']
            response_dict = json.loads(response)

            print(f"\n\nOllama 模型返回的响应：{response_dict}")

            return response_dict
        except requests.RequestException as e:
            response = {"error": f"调用模型时出错！{str(e)}"}
            return response

这个类使用模型名称、系统提示、温度和停止标记进行初始化。generate_text 方法向模型 API 发送请求并返回响应。

步骤 3：为智能代理创建工具

下一步是为我们的智能代理创建工具。这些工具是简单的 Python 函数，用于执行特定任务。以下是一个基本计算器和字符串反转器的示例：

def basic_calculator(input_str):
    """
    根据输入字符串或字典对两个数字执行数值运算。

    参数：
    input_str (str 或 dict)：要么是一个包含 'num1'、'num2' 和 'operation' 键的字典的 JSON 字符串，
                            要么直接是一个字典。例如：'{"num1": 5, "num2": 3, "operation": "add"}'
                            或 {"num1": 67869, "num2": 9030393, "operation": "divide"}

    返回：
    str：运算结果的格式化字符串。

    引发：
    Exception：如果在运算过程中发生错误（例如，除以零）。
    ValueError：如果请求了不支持的操作或输入无效。
    """
    try:
        # 处理字典和字符串输入
        if isinstance(input_str, dict):
            input_dict = input_str
        else:
            # 清理并解析输入字符串
            input_str_clean = input_str.replace("'", "\"")
            input_str_clean = input_str_clean.strip().strip
("\"")
            input_dict = json.loads(input_str_clean)

        # 验证所需字段
        if not all(key in input_dict for key in ['num1', 'num2', 'operation']):
            return "错误：输入必须包含 'num1'、'num2' 和 'operation'"

        num1 = float(input_dict['num1'])  # 转换为浮点数以处理小数
        num2 = float(input_dict['num2'])
        operation = input_dict['operation'].lower()  # 使大小写不敏感
    except (json.JSONDecodeError, KeyError) as e:
        return "输入格式无效。请输入有效的数字和运算符。"
    except ValueError as e:
        return "错误：请输入有效的数值。"

    # 定义支持的运算并进行错误处理
    operations = {
        'add': operator.add,
        'plus': operator.add,  # “加” 的另一种说法
        'subtract': operator.sub,
        'minus': operator.sub,  # “减” 的另一种说法
        'multiply': operator.mul,
        'times': operator.mul,  # “乘” 的另一种说法
        'divide': operator.truediv,
        'floor_divide': operator.floordiv,
        'modulus': operator.mod,
        'power': operator.pow,
        'lt': operator.lt,
        'le': operator.le,
        'eq': operator.eq,
        'ne': operator.ne,
        'ge': operator.ge,
        'gt': operator.gt
    }

    # 检查运算是否受支持
    if operation not in operations:
        return f"不支持的操作：'{operation}'。支持的操作有：{', '.join(operations.keys())}"

    try:
        # 特殊处理除以零的情况
        if (operation in ['divide', 'floor_divide', 'modulus']) and num2 == 0:
            return "错误：不允许除以零"

        # 执行运算
        result = operations[operation](num1, num2)

        # 根据类型格式化结果
        if isinstance(result, bool):
            result_str = "True" if result else "False"
        elif isinstance(result, float):
            # 处理浮点数精度
            result_str = f"{result:.6f}".rstrip('0').rstrip('.')
        else:
            result_str = str(result)

        return f"答案是：{result_str}"
    except Exception as e:
        return f"运算过程中出错：{str(e)}"

def reverse_string(input_string):
    """
    反转给定的字符串。

    参数：
    input_string (str)：要反转的字符串。

    返回：
    str：反转后的字符串。
    """
    # 检查输入是否为字符串
    if not isinstance(input_string, str):
        return "错误：输入必须是字符串"

    # 使用切片反转字符串
    reversed_string = input_string[::-1]

    # 格式化输出
    result = f"反转后的字符串是：{reversed_string}"

    return result

这些函数根据提供的输入执行特定任务。basic_calculator 处理算术运算，而 reverse_string 反转给定的字符串。

步骤 4：构建工具箱

ToolBox 类存储智能代理可以使用的全部工具，并为每个工具提供描述：

class ToolBox:
    def __init__(self):
        self.tools_dict = {}

    def store(self, functions_list):
        """
        存储列表中每个函数的字面名称和文档字符串。

        参数：
        functions_list (list)：函数对象列表，用于存储。

        返回：
        dict：以函数名称为键、文档字符串为值的字典。
        """
        for func in functions_list:
            self.tools_dict[func.__name__] = func.__doc__
        return self.tools_dict

    def tools(self):
        """
        以文本字符串形式返回在 store 中创建的字典。

        返回：
        str：以文本字符串形式表示的存储函数及其文档字符串的字典。
        """
        tools_str = ""
        for name, doc in self.tools_dict.items():
            tools_str += f"{name}: \"{doc}\"\n"
        return tools_str.strip()

这个类将帮助智能代理了解哪些工具可用以及每个工具的作用。

步骤 5：创建智能代理类

智能代理需要思考、决定使用哪个工具并执行它。以下是 Agent 类：

agent_system_prompt_template = """
你是一个能够使用特定工具的智能 AI 助手。你的回答必须始终是这种 JSON 格式：
{{
    "tool_choice": "tool_name",
    "tool_input": "tool_inputs"
}}

工具及其使用时机：

1. basic_calculator：用于任何数学计算
   - 输入格式：{{"num1": number, "num2": number, "operation": "add/subtract/multiply/divide"}}
   - 支持的操作：add/plus, subtract/minus, multiply/times, divide
   - 示例输入和输出：
     输入："15 加 7 的结果是多少"
     输出：{{"tool_choice": "basic_calculator", "tool_input": {{"num1": 15, "num2": 7, "operation": "add"}}}}

     输入："100 除以 5 的结果是多少"
     输出：{{"tool_choice": "basic_calculator", "tool_input": {{"num1": 100, "num2": 5, "operation": "divide"}}}}

2. reverse_string：用于任何涉及反转文本的请求
   - 输入格式：仅需反转的文本作为字符串
   - 当用户提到 "reverse"、"backwards" 或要求反转文本时，始终使用此工具
   - 示例输入和输出：
     输入："'Howwwww' 的反转是什么"
     输出：{{"tool_choice": "reverse_string", "tool_input": "Howwwww"}}

     输入："Python 的反转是什么"
     输出：{{"tool_choice": "reverse_string", "tool_input": "Python"}}

3. no tool：用于一般对话和问题
   - 示例输入和输出：
     输入："你是谁？"
     输出：{{"tool_choice": "no tool", "tool_input": "我是一个 AI 助手，可以帮助你进行计算、反转文本以及回答问题。我可以执行数学运算和反转字符串。今天我能帮你做些什么呢？"}}

     输入："你好吗？"
     输出：{{"tool_choice": "no tool", "tool_input": "我运行良好，感谢你的关心！我可以帮助你进行计算、反转文本或回答你可能有的任何问题。"}}

严格规则：
1. 对于有关身份、能力或感受的问题：
   - 始终使用 "no tool"
   - 提供完整、友好的回答
   - 提及你的能力

2. 对于任何文本反转请求：
   - 始终使用 "reverse_string"
   - 仅提取要反转的文本
   - 删除引号、"reverse of" 以及其他多余文本

3. 对于任何数学运算：
   - 始终使用 "basic_calculator"
   - 提取数字和运算符
   - 将文本数字转换为数字

以下是你的工具列表及其描述：
{tool_descriptions}

记住：你的回答必须始终是有效的 JSON，包含 "tool_choice" 和 "tool_input" 字段。
"""
class Agent:
    def __init__(self, tools, model_service, model_name, stop=None):
        """
        使用工具列表和模型初始化智能代理。

        参数：
        tools (list)：工具函数列表。
        model_service (class)：具有 generate_text 方法的模型服务类。
        model_name (str)：要使用的模型名称。
        """
        self.tools = tools
        self.model_service = model_service
        self.model_name = model_name
        self.stop = stop

    def prepare_tools(self):
        """
        存储工具并返回它们的描述。

        返回：
        str：存储在工具箱中的工具描述。
        """
        toolbox = ToolBox()
        toolbox.store(self.tools)
        tool_descriptions = toolbox.tools()
        return tool_descriptions

    def think(self, prompt):
        """
        使用系统提示模板和工具描述在模型上运行 generate_text 方法。

        参数：
        prompt (str)：要为其生成响应的用户查询。

        返回：
        dict：模型返回的响应，以字典形式表示。
        """
        tool_descriptions = self.prepare_tools()
        agent_system_prompt = agent_system_prompt_template.format(tool_descriptions=tool_descriptions)

        # 使用系统提示创建模型服务实例

        if self.model_service == OllamaModel:
            model_instance = self.model_service(
                model=self.model_name,
                system_prompt=agent_system_prompt,
                temperature=0,
                stop=self.stop
            )
        else:
            model_instance = self.model_service(
                model=self.model_name,
                system_prompt=agent_system_prompt,
                temperature=0
            )

        # 生成并返回响应字典
        agent_response_dict = model_instance.generate_text(prompt)
        return agent_response_dict

    def work(self, prompt):
        """
        解析 think 返回的字典并执行适当的工具
。

        参数：
        prompt (str)：要为其生成响应的用户查询。

        返回：
        执行适当工具的响应，或者如果没有找到匹配的工具，则返回 tool_input。
        """
        agent_response_dict = self.think(prompt)
        tool_choice = agent_response_dict.get("tool_choice")
        tool_input = agent_response_dict.get("tool_input")

        for tool in self.tools:
            if tool.__name__ == tool_choice:
                response = tool(tool_input)
                print(colored(response, 'cyan'))
                return

        print(colored(tool_input, 'cyan'))
        return

这个类有三个主要方法：

• prepare_tools：存储并返回工具的描述。
• think：根据用户提示决定使用哪个工具。
• work：执行选定的工具并返回结果。

步骤 6：运行智能代理

最后，咱们把所有东西整合起来，运行我们的智能代理。在脚本的 main 部分，初始化智能代理并开始接受用户输入：

# 示例用法
if __name__ == "__main__":
    """
    使用此智能代理的说明：

    你可以尝试以下示例查询：
    1. 计算器运算：
       - "15 加 7 的结果是多少"
       - "100 除以 5 的结果是多少"
       - "23 乘以 4 的结果是多少"

    2. 字符串反转：
       - "反转单词 'hello world'"
       - "你能反转 'Python Programming' 吗？"

    3. 一般问题（将获得直接回答）：
       - "你是谁？"
       - "你能帮我做些什么？"

    Ollama 命令（在终端中运行）：
    - 查看可用模型：    'ollama list'
    - 查看正在运行的模型：      'ps aux | grep ollama'
    - 列出模型标签：          'curl http://localhost:11434/api/tags'
    - 拉取新模型：         'ollama pull mistral'
    - 运行模型服务器：         'ollama serve'
    """

    tools = [basic_calculator, reverse_string]

    # 如果使用 OpenAI，请取消以下注释
    # model_service = OpenAIModel
    # model_name = 'gpt-3.5-turbo'
    # stop = None

    # 使用 Ollama 和 llama2 模型
    model_service = OllamaModel
    model_name = "llama2"  # 可以更改为其他模型，如 'mistral'、'codellama' 等
    stop = "<|eot_id|>"

    agent = Agent(tools=tools, model_service=model_service, model_name=model_name, stop=stop)

    print("\n欢迎使用智能代理！输入 'exit' 退出。")
    print("你可以让我：")
    print("1. 进行计算（例如，'15 加 7 的结果是多少'）")
    print("2. 反转字符串（例如，'反转 hello world'）")
    print("3. 回答一般问题\n")

    while True:
        prompt = input("问我任何问题：")
        if prompt.lower() == "exit":
            break

        agent.work(prompt)

3. 总结

我们探索了AI Agents的定义，并逐步实现了它。我们设置了环境，定义了模型，创建了必要的工具，并构建了一个结构化的工具箱来支持智能代理的功能。最后，我们将所有东西整合在一起，让智能代理开始工作。

这种结构化的方法为构建能够自动化任务并做出明智决策的智能、交互式智能代理提供了坚实的基础。随着智能代理的不断发展，它们的应用将在各个行业不断扩展，推动效率和创新。敬请期待更多关于智能代理的见解和改进，让我们的智能代理迈向更高水平！

4 完整代码

from termcolor import colored
import os
from dotenv import load_dotenv
load_dotenv()
### Models
import requests
import json
import operator

class OllamaModel:
    def __init__(self, model, system_prompt, temperature=0, stop=None):
        """
        Initializes the OllamaModel with the given parameters.

        Parameters:
        model (str): The name of the model to use.
        system_prompt (str): The system prompt to use.
        temperature (float): The temperature setting for the model.
        stop (str): The stop token for the model.
        """
        self.model_endpoint = "http://localhost:11434/api/generate"
        self.temperature = temperature
        self.model = model
        self.system_prompt = system_prompt
        self.headers = {"Content-Type": "application/json"}
        self.stop = stop

    def generate_text(self, prompt):
        """
        Generates a response from the Ollama model based on the provided prompt.

        Parameters:
        prompt (str): The user query to generate a response for.

        Returns:
        dict: The response from the model as a dictionary.
        """
        payload = {
            "model": self.model,
            "format": "json",
            "prompt": prompt,
            "system": self.system_prompt,
            "stream": False,
            "temperature": self.temperature,
            "stop": self.stop
        }

        try:
            request_response = requests.post(
                self.model_endpoint, 
                headers=self.headers, 
                data=json.dumps(payload)
            )

            print("REQUEST RESPONSE", request_response)
            request_response_json = request_response.json()
            response = request_response_json['response']
            response_dict = json.loads(response)

            print(f"\n\nResponse from Ollama model: {response_dict}")

            return response_dict
        except requests.RequestException as e:
            response = {"error": f"Error in invoking model! {str(e)}"}
            return response
        
def basic_calculator(input_str):
    """
    Perform a numeric operation on two numbers based on the input string or dictionary.

    Parameters:
    input_str (str or dict): Either a JSON string representing a dictionary with keys 'num1', 'num2', and 'operation',
                            or a dictionary directly. Example: '{"num1": 5, "num2": 3, "operation": "add"}'
                            or {"num1": 67869, "num2": 9030393, "operation": "divide"}

    Returns:
    str: The formatted result of the operation.

    Raises:
    Exception: If an error occurs during the operation (e.g., division by zero).
    ValueError: If an unsupported operation is requested or input is invalid.
    """
    try:
        # Handle both dictionary and string inputs
        if isinstance(input_str, dict):
            input_dict = input_str
        else:
            # Clean and parse the input string
            input_str_clean = input_str.replace("'", "\"")
            input_str_clean = input_str_clean.strip().strip("\"")
            input_dict = json.loads(input_str_clean)
        
        # Validate required fields
        if not all(key in input_dict for key in ['num1', 'num2', 'operation']):
            return "Error: Input must contain 'num1', 'num2', and 'operation'"

        num1 = float(input_dict['num1'])  # Convert to float to handle decimal numbers
        num2 = float(input_dict['num2'])
        operation = input_dict['operation'].lower()  # Make case-insensitive
    except (json.JSONDecodeError, KeyError) as e:
        return "Invalid input format. Please provide valid numbers and operation."
    except ValueError as e:
        return "Error: Please provide valid numerical values."

    # Define the supported operations with error handling
    operations = {
        'add': operator.add,
        'plus': operator.add,  # Alternative word for add
        'subtract': operator.sub,
        'minus': operator.sub,  # Alternative word for subtract
        'multiply': operator.mul,
        'times': operator.mul,  # Alternative word for multiply
        'divide': operator.truediv,
        'floor_divide': operator.floordiv,
        'modulus': operator.mod,
        'power': operator.pow,
        'lt': operator.lt,
        'le': operator.le,
        'eq': operator.eq,
        'ne': operator.ne,
        'ge': operator.ge,
        'gt': operator.gt
    }

    # Check if the operation is supported
    if operation not in operations:
        return f"Unsupported operation: '{operation}'. Supported operations are: {', '.join(operations.keys())}"

    try:
        # Special handling for division by zero
        if (operation in ['divide', 'floor_divide', 'modulus']) and num2 == 0:
            return "Error: Division by zero is not allowed"

        # Perform the operation
        result = operations[operation](num1, num2)
        
        # Format result based on type
        if isinstance(result, bool):
            result_str = "True" if result else "False"
        elif isinstance(result, float):
            # Handle floating point precision
            result_str = f"{result:.6f}".rstrip('0').rstrip('.')
        else:
            result_str = str(result)

        return f"The answer is: {result_str}"
    except Exception as e:
        return f"Error during calculation: {str(e)}"

def reverse_string(input_string):
    """
    Reverse the given string.

    Parameters:
    input_string (str): The string to be reversed.

    Returns:
    str: The reversed string.
    """
    # Check if input is a string
    if not isinstance(input_string, str):
        return "Error: Input must be a string"
    
    # Reverse the string using slicing
    reversed_string = input_string[::-1]
    
    # Format the output
    result = f"The reversed string is: {reversed_string}"
    
    return result

class ToolBox:
    def __init__(self):
        self.tools_dict = {}

    def store(self, functions_list):
        """
        Stores the literal name and docstring of each function in the list.

        Parameters:
        functions_list (list): List of function objects to store.

        Returns:
        dict: Dictionary with function names as keys and their docstrings as values.
        """
        for func in functions_list:
            self.tools_dict[func.__name__] = func.__doc__
        return self.tools_dict

    def tools(self):
        """
        Returns the dictionary created in store as a text string.

        Returns:
        str: Dictionary of stored functions and their docstrings as a text string.
        """
        tools_str = ""
        for name, doc in self.tools_dict.items():
            tools_str += f"{name}: \"{doc}\"\n"
        return tools_str.strip()
    
agent_system_prompt_template = """
You are an intelligent AI assistant with access to specific tools. Your responses must ALWAYS be in this JSON format:
{{
    "tool_choice": "name_of_the_tool",
    "tool_input": "inputs_to_the_tool"
}}

TOOLS AND WHEN TO USE THEM:

1. basic_calculator: Use for ANY mathematical calculations
   - Input format: {{"num1": number, "num2": number, "operation": "add/subtract/multiply/divide"}}
   - Supported operations: add/plus, subtract/minus, multiply/times, divide
   - Example inputs and outputs:
     Input: "Calculate 15 plus 7"
     Output: {{"tool_choice": "basic_calculator", "tool_input": {{"num1": 15, "num2": 7, "operation": "add"}}}}
     
     Input: "What is 100 divided by 5?"
     Output: {{"tool_choice": "basic_calculator", "tool_input": {{"num1": 100, "num2": 5, "operation": "divide"}}}}

2. reverse_string: Use for ANY request involving reversing text
   - Input format: Just the text to be reversed as a string
   - ALWAYS use this tool when user mentions "reverse", "backwards", or asks to reverse text
   - Example inputs and outputs:
     Input: "Reverse of 'Howwwww'?"
     Output: {{"tool_choice": "reverse_string", "tool_input": "Howwwww"}}
     
     Input: "What is the reverse of Python?"
     Output: {{"tool_choice": "reverse_string", "tool_input": "Python"}}

3. no tool: Use for general conversation and questions
   - Example inputs and outputs:
     Input: "Who are you?"
     Output: {{"tool_choice": "no tool", "tool_input": "I am an AI assistant that can help you with calculations, reverse text, and answer questions. I can perform mathematical operations and reverse strings. How can I help you today?"}}
     
     Input: "How are you?"
     Output: {{"tool_choice": "no tool", "tool_input": "I'm functioning well, thank you for asking! I'm here to help you with calculations, text reversal, or answer any questions you might have."}}

STRICT RULES:
1. For questions about identity, capabilities, or feelings:
   - ALWAYS use "no tool"
   - Provide a complete, friendly response
   - Mention your capabilities

2. For ANY text reversal request:
   - ALWAYS use "reverse_string"
   - Extract ONLY the text to be reversed
   - Remove quotes, "reverse of", and other extra text

3. For ANY math operations:
   - ALWAYS use "basic_calculator"
   - Extract the numbers and operation
   - Convert text numbers to digits

Here is a list of your tools along with their descriptions:
{tool_descriptions}

Remember: Your response must ALWAYS be valid JSON with "tool_choice" and "tool_input" fields.
"""

class Agent:
    def __init__(self, tools, model_service, model_name, stop=None):
        """
        Initializes the agent with a list of tools and a model.

        Parameters:
        tools (list): List of tool functions.
        model_service (class): The model service class with a generate_text method.
        model_name (str): The name of the model to use.
        """
        self.tools = tools
        self.model_service = model_service
        self.model_name = model_name
        self.stop = stop

    def prepare_tools(self):
        """
        Stores the tools in the toolbox and returns their descriptions.

        Returns:
        str: Descriptions of the tools stored in the toolbox.
        """
        toolbox = ToolBox()
        toolbox.store(self.tools)
        tool_descriptions = toolbox.tools()
        return tool_descriptions

    def think(self, prompt):
        """
        Runs the generate_text method on the model using the system prompt template and tool descriptions.

        Parameters:
        prompt (str): The user query to generate a response for.

        Returns:
        dict: The response from the model as a dictionary.
        """
        tool_descriptions = self.prepare_tools()
        agent_system_prompt = agent_system_prompt_template.format(tool_descriptions=tool_descriptions)

        # Create an instance of the model service with the system prompt

        if self.model_service == OllamaModel:
            model_instance = self.model_service(
                model=self.model_name,
                system_prompt=agent_system_prompt,
                temperature=0,
                stop=self.stop
            )
        else:
            model_instance = self.model_service(
                model=self.model_name,
                system_prompt=agent_system_prompt,
                temperature=0
            )

        # Generate and return the response dictionary
        agent_response_dict = model_instance.generate_text(prompt)
        return agent_response_dict

    def work(self, prompt):
        """
        Parses the dictionary returned from think and executes the appropriate tool.

        Parameters:
        prompt (str): The user query to generate a response for.

        Returns:
        The response from executing the appropriate tool or the tool_input if no matching tool is found.
        """
        agent_response_dict = self.think(prompt)
        tool_choice = agent_response_dict.get("tool_choice")
        tool_input = agent_response_dict.get("tool_input")

        for tool in self.tools:
            if tool.__name__ == tool_choice:
                response = tool(tool_input)
                print(colored(response, 'cyan'))
                return

        print(colored(tool_input, 'cyan'))
        return
    
    # Example usage
if __name__ == "__main__":
    """
    Instructions for using this agent:
    
    Example queries you can try:
    1. Calculator operations:
       - "Calculate 15 plus 7"
       - "What is 100 divided by 5?"
       - "Multiply 23 and 4"
    
    2. String reversal:
       - "Reverse the word 'hello world'"
       - "Can you reverse 'Python Programming'?"
    
    3. General questions (will get direct responses):
       - "Who are you?"
       - "What can you help me with?"
    
    Ollama Commands (run these in terminal):
    - Check available models:    'ollama list'
    - Check running models:      'ps aux | grep ollama'
    - List model tags:          'curl http://localhost:11434/api/tags'
    - Pull a new model:         'ollama pull mistral'
    - Run model server:         'ollama serve'
    """

    tools = [basic_calculator, reverse_string]

    # Uncomment below to run with OpenAI
    # model_service = OpenAIModel
    # model_name = 'gpt-3.5-turbo'
    # stop = None

    # Using Ollama with llama2 model
    model_service = OllamaModel
    model_name = "llama2"  # Can be changed to other models like 'mistral', 'codellama', etc.
    stop = "<|eot_id|>"

    agent = Agent(tools=tools, model_service=model_service, model_name=model_name, stop=stop)

    print("\nWelcome to the AI Agent! Type 'exit' to quit.")
    print("You can ask me to:")
    print("1. Perform calculations (e.g., 'Calculate 15 plus 7')")
    print("2. Reverse strings (e.g., 'Reverse hello world')")
    print("3. Answer general questions\n")

    while True:
        prompt = input("Ask me anything: ")
        if prompt.lower() == "exit":
            break

        agent.work(prompt)