openmanus agent工具类分析

原创

已于 2025-04-11 14:17:43 修改 · 215 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能

于 2025-04-10 11:16:04 首次发布

工具类基类：BaseTool

被其他10个子类工具类继承：

bash工具类

核心逻辑是一个基于`asyncio.subprocess.Process` 实现的/bin/bash命令的工具类：

asyncio.subprocess.Process 是 Python 异步编程中用于管理子进程的核心类，其设计目标是提供与 subprocess.Popen 类似的接口，但完全适配异步 I/O 模型。

browser_user_tool工具类

基于browser_use库实现：

具体能力待验证；

create_chat_completion工具类

结构化聊天补全工具，其核心功能是根据用户指定的输出类型动态生成参数模式，并执行类型安全的数据转换。以下是具体功能的拆解：

一、核心功能架构

工具类继承与基础属性
- 继承自 BaseTool（假设为自定义工具基类），通过 name 和 description 定义工具标识
- type_mapping 实现 Python 类型到 JSON Schema 类型的映射（如 str → "string"），用于参数生成
动态参数模式生成
- 根据 response_type 动态构建参数模式（_build_parameters 方法）：
  - 简单类型（如 str）：生成 {"type": "string"} 的 response 字段
  - Pydantic 模型：提取模型的 JSON Schema（如 model_json_schema），直接复用其属性定义
  - 复杂类型（如 List/Dict/Union）：递归解析嵌套类型，生成符合 JSON Schema 的结构（如 array/object/anyOf）

二、关键技术实现

类型解析与递归处理
- 通过 get_origin 和 get_args 解析泛型类型（如 List[int] 拆解为 list 和 int）
- 支持嵌套类型处理（如 List[Dict[str, int]] 生成多层嵌套的 items 定义）
类型安全转换
- 在 execute 方法中，根据 response_type 进行类型强制转换：
  - Pydantic 模型：将输入数据实例化为模型对象（如 self.response_type(**kwargs)），实现自动验证
  - 基础类型（如 int/bool）：尝试将字符串结果转换为目标类型（如 int("42")），失败时回退原始值

三、应用场景与设计优势

适用场景
- API 集成：与 OpenAI ChatCompletion API 对接时，生成符合模型要求的参数结构
- 函数调用（Function Calling）：通过动态生成的 JSON Schema 描述外部函数参数，支持 function_call 参数配置
- 多格式输出：支持字符串、列表、字典及自定义模型输出，适应不同下游需求（如 CLI 文本、Web API 的 JSON 响应）
设计优势
- 灵活性：通过 response_type 参数可扩展支持任意输出类型（包括第三方模型）。
- 类型安全：利用 Pydantic 强制校验输入数据，减少运行时错误
- 标准化输出：生成的 JSON Schema 符合 OpenAI API 规范，避免手动定义参数结构的冗余

四、示例说明

假设定义 response_type 为以下 Pydantic 模型：

class WeatherResponse(BaseModel):
    city: str
    temperature: float
    unit: Literal["Celsius", "Fahrenheit"]

代码将自动生成参数模式：

{
  "type": "object",
  "properties": {
    "city": {"type": "string"},
    "temperature": {"type": "number"},
    "unit": {"enum": ["Celsius", "Fahrenheit"]}
  },
  "required": ["city", "temperature", "unit"]
}

执行时，若输入 {"city": "Beijing", "temperature": 25.5, "unit": "Celsius"}，会被自动转换为 WeatherResponse 实例。

该代码通过动态参数生成与