当前位置：首页 > news >正文

从零构建AI智能体：基于LangChain与GPT的联网搜索助手实战

news 2026/5/30 6:20:48

1. 项目概述：从零到一，构建并部署你的第一个AI智能体

最近几年，AI智能体（AI Agent）的概念越来越火。简单来说，它不再是那个你问一句、它答一句的聊天机器人，而是一个能自主思考、规划、调用工具并执行复杂任务的“数字员工”。想象一下，你有一个助手，你只需要告诉它“帮我分析一下上周的销售数据，找出问题并生成一份PPT报告”，它就能自己打开数据库、运行分析、撰写文案、调用PPT生成工具，最后把成品发给你。这就是AI智能体的魅力所在。

今天，我们就来手把手地完成一个完整的旅程：从零开始，构建你的第一个AI智能体，并把它部署到Sevalla平台上，让它成为一个可以对外提供服务的“在线员工”。无论你是开发者、产品经理，还是对AI应用感兴趣的爱好者，这个过程都将为你打开一扇新的大门。我们将使用目前业界最主流、最易上手的工具链，避开那些复杂的理论，直接进入实战。你会发现，构建一个能解决实际问题的智能体，并没有想象中那么遥不可及。

2. 核心思路与架构设计：你的智能体如何“思考”与“行动”

在动手写代码之前，我们必须先想清楚我们的智能体要做什么，以及它应该如何工作。一个典型的AI智能体架构，通常包含以下几个核心部分：

感知（Perception）：接收用户的指令或环境信息。在我们的场景里，就是处理用户通过聊天界面或API发来的自然语言请求。规划（Planning）：理解任务，并将其拆解成一系列可执行的子步骤。比如，用户说“查一下北京明天天气并推荐穿衣”，智能体需要规划出“1. 调用天气API获取数据；2. 根据温度数据生成穿衣建议”。行动（Action）：执行规划好的步骤。这通常通过调用各种“工具”（Tools）来实现，工具可以是函数、API、数据库查询等。记忆（Memory）：记住对话历史、执行上下文和学到的知识，以便进行连贯的、有上下文的交互。

对于我们的第一个智能体，我建议从一个实用且有趣的任务开始：“联网搜索与信息总结智能体”。它的核心功能是：用户提出任何问题，智能体能够自动去互联网上搜索最新信息，然后阅读、理解并整理成一份简洁、准确的答案回复给用户。

2.1 技术栈选型：为什么是它们？

工欲善其事，必先利其器。以下是经过大量项目验证的、稳定且高效的技术组合：

大语言模型（LLM）核心：OpenAI GPT-4o / GPT-3.5-Turbo。这是目前构建智能体最成熟的选择。其强大的推理能力、函数调用（Function Calling）支持以及稳定的API，能极大降低开发难度。虽然也有Claude、国产模型等优秀选择，但OpenAI的生态和文档对新手最为友好。
智能体框架：LangChain。它是当前AI应用开发的事实标准框架。LangChain抽象了与LLM交互、工具调用、记忆管理、链式工作流等复杂逻辑，提供了大量开箱即用的模块，让我们能像搭积木一样构建智能体。它的社区活跃，遇到问题很容易找到解决方案。
搜索工具：Tavily Search API。为什么不用Google或Bing的API？因为Tavily是专为AI智能体优化的搜索工具。它返回的是经过清洗、结构化的搜索结果摘要和链接，而不是原始的HTML页面，这大大减少了LLM需要处理的噪音信息，提高了答案的准确性和生成速度。对于智能体来说，这是更高效的“眼睛”。
部署平台：Sevalla。这是一个新兴的、专注于AI智能体部署和管理的平台。它简化了将LangChain或AutoGPT等框架构建的智能体打包成API服务的过程，提供了监控、日志、版本管理等生产级功能。对于个人开发者和小团队来说，它比从零搭建一套Kubernetes部署方案要省心得多。

注意：选择Tavily而非直接使用搜索引擎API，是一个关键的设计决策。智能体处理原始HTML的效率很低，且容易“迷失”在广告和无关信息中。Tavily提供的“AI原生”搜索结果，相当于已经帮智能体完成了初步的信息筛选和整理，这是提升智能体表现最有效的捷径之一。

2.2 系统架构图（概念版）

虽然我们不能画图，但可以用文字清晰地描述数据流：

用户通过Web界面或API发送查询：“特斯拉最新的财报有什么亮点？”
Sevalla平台接收请求，并将其路由到我们部署的智能体服务。
智能体（LangChain程序）启动，其“规划”模块分析用户问题，判断需要执行“搜索”动作。
“行动”模块调用Tavily搜索工具，获取关于特斯拉最新财报的结构化信息。
LLM核心（GPT）接收搜索到的信息，进行阅读理解、归纳总结。
智能体将整理好的答案，通过Sevalla平台返回给用户。

这个架构清晰、职责分明，每个环节都有成熟的工具支撑。

3. 开发环境准备与核心依赖安装

现在我们进入实操环节。首先，确保你有一个可用的Python开发环境（建议Python 3.9+）。

3.1 创建项目与虚拟环境

避免包冲突是Python项目的第一步。打开你的终端，执行以下命令：

# 创建一个新的项目目录 mkdir my-first-ai-agent cd my-first-ai-agent # 创建Python虚拟环境（以venv为例） python -m venv venv # 激活虚拟环境 # 在Windows上： venv\Scripts\activate # 在MacOS/Linux上： source venv/bin/activate

激活后，你的命令行提示符前应该会出现(venv)字样。

3.2 安装核心Python库

接下来，安装我们所需的库。创建一个requirements.txt文件，内容如下：

langchain==0.1.0 langchain-openai==0.0.5 langchain-community==0.0.10 tavily-python==0.3.0 fastapi==0.104.1 uvicorn[standard]==0.24.0 python-dotenv==1.0.0 pydantic==2.5.0

然后使用pip安装：

pip install -r requirements.txt

这里解释一下几个关键库：

langchain：智能体框架本体。
langchain-openai：LangChain官方维护的OpenAI集成包。
langchain-community：包含社区贡献的各种工具和集成，Tavily工具就在这里。
tavily-python：Tavily搜索API的官方客户端。
fastapi&uvicorn：我们将用它们来构建一个简单的API服务器，这是部署到Sevalla的前提。
python-dotenv：用于管理环境变量（如API密钥），这是保护敏感信息的最佳实践。

3.3 获取并配置API密钥

你需要准备两个关键的API密钥：

OpenAI API Key：访问 OpenAI平台创建。
Tavily API Key：访问 Tavily官网注册并获取免费额度。

在项目根目录下创建一个名为.env的文件，将你的密钥填入：

OPENAI_API_KEY=sk-your-openai-api-key-here TAVILY_API_KEY=tvly-your-tavily-api-key-here

重要安全提醒：务必把.env文件添加到你的.gitignore文件中，绝对不要将包含真实密钥的文件提交到Git仓库！

4. 逐步构建智能体核心逻辑

环境准备好了，让我们开始编写智能体的“大脑”。我们将分步骤构建一个完整的、可交互的智能体。

4.1 初始化LLM和搜索工具

创建一个名为agent_core.py的文件。

import os from dotenv import load_dotenv from langchain_openai import ChatOpenAI from langchain_community.tools.tavily_search import TavilySearchResults # 加载.env文件中的环境变量 load_dotenv() # 1. 初始化大语言模型 # 使用GPT-3.5-turbo性价比高，适合实验。生产环境可考虑GPT-4o。 llm = ChatOpenAI( model="gpt-3.5-turbo", temperature=0, # 温度设为0，使输出更确定、更可靠 openai_api_key=os.getenv("OPENAI_API_KEY") ) # 2. 初始化搜索工具 # TavilySearchResults默认返回5条最相关的结果，这对大多数查询已经足够。 search_tool = TavilySearchResults( tavily_api_key=os.getenv("TAVILY_API_KEY"), max_results=5 ) # 测试工具是否工作 if __name__ == "__main__": try: result = search_tool.invoke("OpenAI最近发布了什么重要更新？") print("搜索工具测试成功，返回结果类型：", type(result)) # 结果是一个字典列表，包含`snippet`（摘要）和`url`等字段 if result and len(result) > 0: print("第一条结果摘要：", result[0]['content'][:200]) # 打印前200字符 except Exception as e: print(f"工具测试失败，请检查API密钥和网络：{e}")

运行这个脚本python agent_core.py，如果看到成功的搜索结果摘要，说明你的LLM和工具配置正确。

4.2 创建智能体执行链

智能体的核心是一个“链”（Chain），它定义了任务执行的流程。我们将使用LangChain的“Agent + Tools”模式。创建agent_chain.py。

from langchain.agents import create_react_agent, AgentExecutor from langchain import hub from agent_core import llm, search_tool # 导入上一步定义的模型和工具 # 1. 定义工具列表 # 目前我们只有一个搜索工具，但你可以很容易地在这里添加更多工具，如计算器、数据库查询等。 tools = [search_tool] # 2. 拉取一个预定义的智能体提示词模板 # LangChain Hub上有很多社区贡献的模板，`react`模板非常适合工具调用场景。 prompt = hub.pull("hwchase17/react") # 3. 创建ReAct智能体 # ReAct（Reasoning + Acting）是一种让LLM在思考（生成推理步骤）和行动（调用工具）间循环的范式。 agent = create_react_agent(llm, tools, prompt) # 4. 创建智能体执行器 # 这是智能体的“运行时”，负责处理循环、解析输出、管理工具调用。 agent_executor = AgentExecutor( agent=agent, tools=tools, verbose=True, # 设为True可以看到智能体详细的思考过程，调试时非常有用 handle_parsing_errors=True, # 自动处理LLM输出格式错误，增加鲁棒性 max_iterations=5 # 限制最大迭代次数，防止智能体陷入死循环 ) # 测试智能体 if __name__ == "__main__": test_queries = [ "谁赢得了2023年的金球奖？", "计算一下2的10次方是多少？", # 注意：我们没有计算器工具，它会如何处理？ "用中文总结一下特斯拉2024年第一季度的交付情况。" ] for query in test_queries: print(f"\n{'='*50}") print(f"用户提问: {query}") print(f"{'='*50}") try: response = agent_executor.invoke({"input": query}) print(f"智能体回答: {response['output']}") except Exception as e: print(f"执行出错: {e}")

运行这个脚本，你会看到verbose=True模式下智能体详细的思考日志（Thought/Action/Observation循环）。对于第二个没有工具能处理的问题，观察智能体是如何反应的？它可能会诚实地表示自己无法计算。这就是工具扩展性的体现——你需要什么能力，就为它添加相应的工具。

4.3 为智能体添加记忆能力

目前的智能体是“金鱼脑”，每次对话都是独立的。为了让对话更连贯，我们需要给它加上记忆。修改agent_chain.py，引入对话记忆。

from langchain.agents import create_react_agent, AgentExecutor from langchain import hub from langchain.memory import ConversationBufferMemory from agent_core import llm, search_tool tools = [search_tool] prompt = hub.pull("hwchase17/react") # 新增：创建对话记忆 # ConversationBufferMemory会保存完整的对话历史。 memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True) # 修改提示词模板，使其包含记忆的占位符 # 我们需要手动将记忆变量注入到提示词中。一个更简单的方法是使用`agent_executor`的`memory`参数。 agent = create_react_agent(llm, tools, prompt) # 创建执行器时传入memory agent_executor = AgentExecutor( agent=agent, tools=tools, memory=memory, # 关键：绑定记忆 verbose=True, handle_parsing_errors=True, max_iterations=5 ) if __name__ == "__main__": # 测试多轮对话 queries = [ "梅西现在效力于哪家俱乐部？", "他是什么时候加入的？", # “他”指代上一句的梅西 "这家俱乐部所在的城市以什么闻名？" # “这家俱乐部”指代迈阿密国际 ] for query in queries: print(f"\n用户: {query}") response = agent_executor.invoke({"input": query}) print(f"助手: {response['output']}") # 打印当前记忆，观察变化 print(f"当前记忆片段: {memory.buffer[:100]}...")

现在运行测试，你会发现智能体能够理解“他”和“这家俱乐部”的指代了。记忆让智能体更像一个真正的对话伙伴。

5. 构建API服务并适配Sevalla部署

一个本地运行的脚本还不够，我们需要把它变成一个可以通过网络访问的API服务。Sevalla平台通常要求智能体以HTTP API的形式提供服务。我们将使用FastAPI来构建。

5.1 创建FastAPI应用

创建一个main.py文件。

from fastapi import FastAPI, HTTPException from pydantic import BaseModel from typing import Optional import logging from agent_chain import agent_executor # 导入我们构建好的智能体执行器 # 配置日志，便于在Sevalla平台查看运行状态 logging.basicConfig(level=logging.INFO) logger = logging.getLogger(__name__) # 初始化FastAPI应用 app = FastAPI( title="我的第一个AI智能体API", description="一个具备联网搜索能力的AI智能体服务", version="1.0.0" ) # 定义请求体模型 class AgentRequest(BaseModel): message: str session_id: Optional[str] = None # 可选会话ID，用于区分不同用户的记忆 # 定义响应体模型 class AgentResponse(BaseModel): reply: str session_id: Optional[str] = None # 一个简单的健康检查端点，Sevalla等平台会调用它来确认服务是否存活 @app.get("/health") async def health_check(): return {"status": "healthy"} # 核心的智能体交互端点 @app.post("/chat", response_model=AgentResponse) async def chat_with_agent(request: AgentRequest): """ 与AI智能体对话。 - **message**: 用户发送的消息文本。 - **session_id**: 会话标识符。如果提供，可用于隔离不同用户的对话记忆（当前为简化版，所有用户共享记忆）。 """ user_input = request.message.strip() if not user_input: raise HTTPException(status_code=400, detail="消息内容不能为空") logger.info(f"收到请求: session_id={request.session_id}, message={user_input[:50]}...") try: # 调用智能体执行器 # 注意：在实际生产环境中，你需要根据session_id来管理独立的memory实例。 # 这里为了简化，我们使用全局的agent_executor，其记忆是所有请求共享的。 result = agent_executor.invoke({"input": user_input}) agent_output = result["output"] logger.info(f"请求处理成功。") return AgentResponse(reply=agent_output, session_id=request.session_id) except Exception as e: logger.error(f"处理请求时发生错误: {e}", exc_info=True) # 返回一个用户友好的错误信息，而不是内部异常详情 raise HTTPException(status_code=500, detail="智能体处理您的请求时遇到了问题，请稍后重试或简化您的问题。") # 启动应用（当直接运行此脚本时） if __name__ == "__main__": import uvicorn # 在本地运行，监听所有网络接口的8000端口 uvicorn.run(app, host="0.0.0.0", port=8000)

5.2 本地测试API

在终端运行python main.py。应用启动后，你可以：

打开浏览器访问http://localhost:8000/docs，这是FastAPI自动生成的交互式API文档（Swagger UI）。
在/chat端点处点击“Try it out”，输入{"message": "今天北京天气怎么样？"}，然后点击“Execute”。你应该能看到智能体调用搜索工具并返回天气信息。

也可以用curl命令测试：

curl -X POST "http://localhost:8000/chat" \ -H "Content-Type: application/json" \ -d '{"message": "解释一下量子计算的基本原理"}'

至此，一个具备联网搜索、对话记忆功能的AI智能体后端服务就构建完成了。

6. 部署到Sevalla平台

Sevalla平台的目标是让AI智能体的部署变得像上传代码一样简单。虽然其具体界面和步骤可能随时间更新，但核心流程通常如下：

6.1 准备部署文件

Sevalla通常需要一个标准的项目结构。在你的项目根目录下，确保有以下关键文件：

main.py：你的FastAPI应用入口。
requirements.txt：所有依赖包列表。
.env或通过平台界面设置环境变量：重要！不要在代码仓库中提交.env文件。Sevalla平台会提供一个安全的环境变量配置界面（通常在应用设置的“Environment Variables”或“Secrets”部分）。你需要在那里添加OPENAI_API_KEY和TAVILY_API_KEY。

另外，通常需要一个Dockerfile或由平台自动构建。为保险起见，我们可以创建一个简单的Dockerfile：

# 使用官方Python轻量级镜像 FROM python:3.11-slim # 设置工作目录 WORKDIR /app # 复制依赖列表并安装 COPY requirements.txt . RUN pip install --no-cache-dir -r requirements.txt # 复制应用代码 COPY . . # 暴露FastAPI默认端口 EXPOSE 8000 # 启动命令 CMD ["uvicorn", "main:app", "--host", "0.0.0.0", "--port", "8000"]

6.2 部署流程（通用步骤）

注册与登录：访问Sevalla官网，注册账号并登录。
创建新智能体：在控制台找到“Create New Agent”或类似按钮。
连接代码仓库：大多数平台支持从GitHub、GitLab或直接上传ZIP包。将你的代码推送到GitHub仓库，然后在Sevalla界面连接该仓库。或者，如果你有Dockerfile，也可以直接上传项目文件夹。
配置构建与运行：
- 构建命令：如果平台自动检测，它可能会识别出你的requirements.txt和main.py。如果没有，可能需要指定构建命令（如pip install -r requirements.txt）。
- 启动命令：指定如何启动应用，即uvicorn main:app --host 0.0.0.0 --port 8000。Sevalla会告诉你容器内需要监听的端口（通常是8080或8000），请根据平台要求调整Dockerfile或启动命令中的端口号。
设置环境变量：在项目设置中找到环境变量配置页面，添加OPENAI_API_KEY和TAVILY_API_KEY，填入你的真实密钥。
部署：点击“Deploy”按钮。平台会开始拉取代码、安装依赖、构建镜像并启动容器。
查看日志与测试：部署完成后，平台会提供一个访问你智能体的URL（如https://your-agent-name.sevalla.app）。使用这个URL替换之前本地测试的localhost:8000，再次用curl或Postman测试/chat端点，确保一切正常。

实操心得：在部署到生产环境前，务必在本地彻底测试。特别是网络连接（如Tavily API调用）和依赖版本。一个常见的坑是langchain等库版本更新较快，可能导致API变更。在requirements.txt中固定主版本号（如langchain==0.1.*）是一个好习惯，可以避免因自动升级到不兼容版本导致部署失败。

7. 性能优化与生产环境考量

一个能跑起来的智能体和一个健壮的生产级服务之间，还有不少距离。以下是几个关键的优化方向：

7.1 管理API成本与速率限制

智能体每次调用都可能涉及LLM API和搜索API，这意味着成本。同时，OpenAI和Tavily都有速率限制。

缓存：对相同或相似的查询结果进行缓存。可以使用langchain.cache配合SQLiteCache或RedisCache。例如，对搜索工具的结果缓存1小时，能显著减少重复调用和成本。
```
from langchain.cache import SQLiteCache import langchain langchain.llm_cache = SQLiteCache(database_path=".langchain.db")
```
设置超时与重试：网络请求可能失败。为你的LLM和工具调用配置合理的超时（timeout）和重试逻辑（retry）。这可以通过LangChain的callback机制或底层HTTP客户端配置实现。
监控用量：定期查看OpenAI和Tavily控制台的用量统计，设置预算警报。

7.2 实现多用户会话隔离

我们之前的例子使用了全局记忆，这意味着所有用户共享同一个对话历史，这显然是不对的。生产环境必须为每个用户或每个会话提供独立的记忆存储。

解决方案：使用一个字典来管理不同session_id对应的ConversationBufferMemory实例。

from collections import defaultdict from langchain.memory import ConversationBufferMemory class SessionMemoryManager: def __init__(self): self.memories = defaultdict(lambda: ConversationBufferMemory(memory_key="chat_history", return_messages=True)) def get_memory(self, session_id: str): return self.memories[session_id] def clear_memory(self, session_id: str): if session_id in self.memories: del self.memories[session_id] # 在FastAPI应用中全局初始化一个管理器 memory_manager = SessionMemoryManager() # 在/chat端点中，根据request.session_id获取对应的memory # 然后使用这个memory去创建一个新的agent_executor实例（注意：创建执行器开销较大，需要考虑缓存或池化优化）

当然，对于高并发场景，你需要将记忆存储到外部数据库（如Redis）中，并考虑记忆的过期和清理策略。

7.3 提升智能体的可靠性与安全性

输入验证与清理：对用户输入进行严格的检查和清理，防止Prompt注入攻击。例如，过滤过长的输入、检查是否有恶意指令。
输出审查：对智能体的回复进行后处理，过滤掉不适当、有害或带有偏见的内容。可以结合第二层LLM调用进行内容安全审查。
错误处理：完善try...except块，给用户返回友好、不暴露内部细节的错误信息，同时将详细错误记录到日志系统（如ELK或Sentry）供开发者排查。
设置迭代上限：就像我们之前做的max_iterations=5，这能防止智能体在某些复杂问题上陷入无限循环，消耗大量API资源。

8. 扩展你的智能体：从搜索到全能助手

一个只会搜索的智能体只是起点。LangChain的强大之处在于其丰富的工具生态。你可以轻松地为你的智能体添加新能力：

计算与数据处理：添加langchain_experimental.tools.PythonAstREPLTool，让智能体能够运行安全的Python代码进行数学计算或数据处理。
文件读写：添加处理本地文件或云存储（如S3）的工具。
专业领域查询：接入Wolfram Alpha（数学、科学）、Arxiv（学术论文）等专业API。
自动化操作：结合playwright或selenium工具，让智能体可以操作网页（需谨慎，权限控制很重要）。
多模态能力：使用GPT-4V等视觉模型，让智能体可以“看”图片并描述或分析。

添加新工具通常只需要几行代码。例如，添加一个计算器：

from langchain.tools import Tool from langchain.chains import LLMMathChain # 创建一个数学计算链 math_chain = LLMMathChain.from_llm(llm=llm) # 将其包装成工具 calc_tool = Tool( name="Calculator", func=math_chain.run, description="Useful for when you need to answer questions about math. Input should be a mathematical expression." ) # 然后将这个工具添加到你的tools列表中 tools = [search_tool, calc_tool]

重启你的智能体，现在它就能回答“2的10次方是多少”这样的问题了。

构建和部署你的第一个AI智能体，就像学习骑自行车——一开始可能需要一些摸索和调试，但一旦掌握了基本平衡（核心架构），剩下的就是不断添加新技能（工具）和练习更复杂的路况（生产优化）。通过这个项目，你不仅学会了如何使用LangChain和Sevalla，更重要的是，你理解了AI智能体是如何将大语言模型的“思考”能力与外部工具的“行动”能力结合起来的。这个模式是通用的，你可以用它来创造客服机器人、个人研究助理、自动化营销文案生成器等等。下一步，尝试为你的智能体添加一个简单的Web聊天界面（可以用Gradio或Streamlit快速搭建），或者挑战更复杂的任务规划逻辑，让它真正成为你的得力助手。

查看全文

http://www.gsyq.cn/news/1425825.html