1Thought: [LLM suy nghĩ về vấn đề]
2Action: [Tool/function cần gọi]
3Observation: [Kết quả từ action]

1Thought: Tôi cần tìm thông tin thời tiết ở Hà Nội. 
2         Tôi sẽ sử dụng tool get_weather.
3 
4Action: get_weather(city="Hanoi")
5 
6Observation: {"temp": 25, "condition": "sunny", "humidity": 65}
7 
8Thought: Đã có thông tin thời tiết. Tôi sẽ tổng hợp 
9         và trả lời người dùng.
10 
11Action: final_answer("Hà Nội hôm nay trời nắng, 
12         nhiệt độ 25°C, độ ẩm 65%.")

1from langchain.tools import tool
2from langchain_community.tools import DuckDuckGoSearchRun
3
4@tool
5def get_weather(city: str) -> str:
6    """
7    Lấy thông tin thời tiết hiện tại của một thành phố.
8    
9    Args:
10        city: Tên thành phố (tiếng Anh)
11    
12    Returns:
13        Thông tin thời tiết dạng JSON
14    """
15    # Giả lập API call
16    import json
17    weather_data = {
18        "city": city,
19        "temperature": 25,
20        "condition": "Sunny",
21        "humidity": 65
22    }
23    return json.dumps(weather_data)
24
25@tool
26def calculate(expression: str) -> str:
27    """
28    Tính toán biểu thức toán học.
29    
30    Args:
31        expression: Biểu thức cần tính (ví dụ: "2 + 2 * 3")
32    
33    Returns:
34        Kết quả tính toán
35    """
36    try:
37        result = eval(expression)
38        return str(result)
39    except Exception as e:
40        return f"Error: {str(e)}"
41
42# Search tool
43search = DuckDuckGoSearchRun()
44
45tools = [get_weather, calculate, search]

1from langchain.prompts import PromptTemplate
2
3react_prompt = PromptTemplate.from_template("""
4Bạn là một AI assistant hữu ích. Trả lời câu hỏi bằng cách 
5suy nghĩ từng bước và sử dụng tools khi cần.
6
7Bạn có access đến các tools sau:
8{tools}
9
10Format response của bạn:
11
12Question: câu hỏi cần trả lời
13Thought: suy nghĩ về cách giải quyết
14Action: tên_tool[input]
15Observation: kết quả từ tool
16... (lặp lại Thought/Action/Observation nếu cần)
17Thought: Tôi đã có đủ thông tin
18Final Answer: câu trả lời cuối cùng
19
20Bắt đầu!
21
22Question: {input}
23Thought: {agent_scratchpad}
24""")

1from langchain.agents import create_react_agent, AgentExecutor
2from langchain_openai import ChatOpenAI
3
4# Initialize LLM
5llm = ChatOpenAI(model="gpt-4o", temperature=0)
6
7# Create ReAct agent
8agent = create_react_agent(
9    llm=llm,
10    tools=tools,
11    prompt=react_prompt
12)
13
14# Create executor
15agent_executor = AgentExecutor(
16    agent=agent,
17    tools=tools,
18    verbose=True,  # Xem chi tiết reasoning
19    max_iterations=5,  # Giới hạn số bước
20    handle_parsing_errors=True
21)

1# Test agent
2response = agent_executor.invoke({
3    "input": "Thời tiết Hà Nội hôm nay thế nào? Nếu nhiệt độ > 30 thì tính 30 * 1.5"
4})
5
6print(response["output"])

1> Entering new AgentExecutor chain...
2 
3Thought: Tôi cần kiểm tra thời tiết Hà Nội trước, 
4sau đó quyết định có cần tính toán không.
5 
6Action: get_weather[Hanoi]
7Observation: {"city": "Hanoi", "temperature": 25, "condition": "Sunny", "humidity": 65}
8 
9Thought: Nhiệt độ là 25°C, không lớn hơn 30, 
10nên không cần tính toán. Tôi có thể trả lời.
11 
12Final Answer: Thời tiết Hà Nội hôm nay nắng đẹp, 
13nhiệt độ 25°C, độ ẩm 65%. Vì nhiệt độ không vượt quá 
1430°C nên không cần thực hiện phép tính.
15 
16> Finished chain.

1from langgraph.prebuilt import create_react_agent
2from langchain_openai import ChatOpenAI
3
4# Cách đơn giản với LangGraph
5llm = ChatOpenAI(model="gpt-4o")
6
7graph = create_react_agent(
8    model=llm,
9    tools=tools,
10    state_modifier="Bạn là AI assistant thông minh."
11)
12
13# Invoke
14result = graph.invoke({
15    "messages": [("user", "Tìm thông tin về Python 3.12")]
16})

1from langgraph.graph import StateGraph, END
2from typing import TypedDict, Annotated
3import operator
4
5class AgentState(TypedDict):
6    messages: Annotated[list, operator.add]
7    next_step: str
8
9def reasoning_node(state: AgentState):
10    """LLM reasoning step"""
11    messages = state["messages"]
12    response = llm.invoke(messages)
13    
14    if "FINAL ANSWER" in response.content:
15        return {"messages": [response], "next_step": "end"}
16    else:
17        return {"messages": [response], "next_step": "action"}
18
19def action_node(state: AgentState):
20    """Execute tool based on LLM decision"""
21    last_message = state["messages"][-1]
22    tool_call = parse_tool_call(last_message)
23    
24    result = execute_tool(tool_call)
25    
26    return {
27        "messages": [f"Observation: {result}"],
28        "next_step": "reasoning"
29    }
30
31def route(state: AgentState):
32    return state["next_step"]
33
34# Build graph
35workflow = StateGraph(AgentState)
36workflow.add_node("reasoning", reasoning_node)
37workflow.add_node("action", action_node)
38
39workflow.add_conditional_edges(
40    "reasoning",
41    route,
42    {
43        "action": "action",
44        "end": END
45    }
46)
47workflow.add_edge("action", "reasoning")
48
49workflow.set_entry_point("reasoning")
50graph = workflow.compile()

1@tool
2def search_products(query: str, category: str = None, max_price: float = None) -> str:
3    """
4    Tìm kiếm sản phẩm trong database.
5    
6    QUAN TRỌNG: Chỉ sử dụng tool này khi user hỏi về sản phẩm.
7    
8    Args:
9        query: Từ khóa tìm kiếm (bắt buộc)
10        category: Danh mục sản phẩm (optional): electronics, clothing, books
11        max_price: Giá tối đa (optional)
12    
13    Returns:
14        Danh sách sản phẩm phù hợp dạng JSON
15    
16    Examples:
17        - search_products("laptop gaming")
18        - search_products("áo", category="clothing", max_price=500000)
19    """
20    # Implementation

1agent_executor = AgentExecutor(
2    agent=agent,
3    tools=tools,
4    handle_parsing_errors=True,  # Tự động retry khi parse error
5    max_iterations=5,  # Tránh infinite loops
6    early_stopping_method="generate"  # Tạo response khi max iterations
7)

1from langchain_core.runnables import RunnableWithFallbacks
2
3# Fallback khi GPT-4 fail
4agent_with_fallback = agent_executor.with_fallbacks([
5    fallback_agent_executor  # Dùng GPT-3.5 như backup
6])

1# Starter code
2from langchain.tools import tool
3from langchain_openai import ChatOpenAI
4from langchain.agents import create_react_agent, AgentExecutor
5
6# TODO: Define your tools
7@tool
8def get_current_time() -> str:
9    """Lấy thời gian hiện tại"""
10    from datetime import datetime
11    return datetime.now().strftime("%Y-%m-%d %H:%M:%S")
12
13# TODO: Add more tools
14
15# TODO: Create agent
16
17# TODO: Test agent