智能天气助手：用 ReAct Agent 让天气查询"活"起来

传统天气 App 只给你一屏数据；智能天气助手能听懂"明天穿什么"，先帮你查天气，再给出穿衣和出行建议——从**数据展示**到**智能服务**，中间的桥梁就是 ReAct Agent。

## ReAct 是什么？为什么选它？

ReAct = Reasoning + Acting，推理与行动交替进行。天气助手的工作流就是它的缩影：

1. **观察**：用户说"明天杭州天气如何？"
2. **推理**：判断意图 → 需要调天气 API
3. **行动**：调用 weather_reporter 工具
4. **观察**：拿到天气数据
5. **推理**：分析数据，组织回复
6. **响应**：给出天气 + 穿衣建议

这个"想一步做一步"的模式，比一次性把所有信息塞给模型再等它输出，更可靠、也更可控。

## 技术选型

| 组件 | 选择 | 为什么 |
|------|------|--------|
| Agent 框架 | openJiuwen Agent Core | 原生支持 ReAct，工具集成简单 |
| LLM | DeepSeek（兼容 OpenAI 格式） | 推理能力强，API 兼容性好 |
| 天气数据源 | Open-Meteo | 免费、无需 API Key，开源气象 API |
| 定位服务 | ip-api.com | 未指定城市时自动 IP 定位 |

天气数据用 Open-Meteo 是个实用技巧——Geocoding API 做城市名转经纬度，Forecast API 拿 7 日预报，零成本起步。

## 三个值得注意的设计

### 1. WMO 天气码映射

Open-Meteo 返回的是整数天气码（0=晴，95=雷暴），不映射成中文，用户看不懂。一个简单的字典就搞定：

    wmo_codes = {
        0: "晴朗", 2: "多云", 3: "阴天",
        61: "小雨", 63: "中雨", 65: "大雨",
        95: "雷暴", 96: "雷暴+冰雹",
        # ... 完整映射见原文
    }

### 2. 多轮对话记忆

用户先问"南京天气怎么样"，再问"那后天呢"——助手需要**自动继承城市上下文**。openJiuwen 通过 Session + Checkpointer 机制实现，默认 in_memory 存储，会话内连续追问无需重复说城市名。

### 3. 提示词约束边界

System Prompt 里明确写了"与天气无关的问题不回答，介绍自己的能力"——这条规则让助手**不会跑题**，避免被当成通用聊天机器人。同时要求"先查天气再给建议"，保证建议基于真实数据而非编造。

## 效果长什么样

    >>> 明天穿什么衣服
    👕 穿衣建议
    - 短袖T恤、薄衬衫，透气为主
    - 建议穿防水的凉鞋或运动鞋，路面湿滑
    - 必备品：带伞！

    >>> 周末适合户外活动吗
    🚶 出行建议
    - 气温较高，体感闷热潮湿，记得多补充水分
    - 适合在家放松或去室内场所逛逛

不是干巴巴的"晴 26°C"，而是结合天气给出的**生活化建议**——这才是"智能"二字的体现。

## 小结

这个项目的核心思路可以迁移到很多场景：**LLM 做推理和表达，外部 API 做数据获取，ReAct 架构做编排**。天气只是个例子，换成汇率查询、股票分析、物流追踪，架构完全一样。