LangChain Agent开发入门：从零构建智能决策AI

1. 项目概述：LangChain Agent开发入门

最近在AI应用开发领域，LangChain的Agent功能引起了广泛关注。作为一个让大语言模型(LLM)具备自主决策能力的框架，它能让开发者构建出真正"会思考"的AI应用。今天我就带大家从零开始，用最直观的方式理解Agent的核心机制，并手把手教你完成第一个Agent开发。

LangChain 1.0的Agent系统最大的特点是采用了"LLM作为大脑"的架构设计。简单来说，我们提供各种功能工具(Tools)给Agent，当用户提出需求时，Agent会自动分析应该调用哪些工具、按什么顺序调用，最终完成任务。这就像给AI配了一个工具箱，让它自己决定用什么工具解决问题。

2. 核心概念解析

2.1 Agent运行机制

Agent的工作流程可以概括为"思考-行动-观察"的循环：

  1. LLM根据当前信息决定下一步行动
  2. 执行选定的工具(Tool)
  3. 将执行结果反馈给LLM
  4. 重复直到任务完成

这种模式专业术语叫ReAct(Reasoning and Acting)，是当前最先进的Agent实现方式之一。

2.2 关键组件说明

  • Tools：基础功能单元，每个Tool就是一个Python函数，需要明确定义功能描述。例如：
@tool def get_word_length(word: str) -> int: """返回单词的长度。""" return len(word)

  • Toolkits：相关Tools的集合，比如专门处理数学计算的工具包可能包含加减乘除等工具。

  • AgentExecutor：执行引擎，负责管理整个"思考-执行"循环，处理错误和异常情况。

3. 开发环境准备

3.1 基础环境配置

建议使用Python 3.9+环境，安装核心依赖：

pip install langchain langchain-openai

3.2 LLM连接配置

以OpenAI为例的初始化代码：

from langchain_openai import ChatOpenAI llm = ChatOpenAI( model="gpt-3.5-turbo", temperature=0 # 确定性较高的输出 )

注意：实际开发中建议将API密钥放在环境变量中，不要直接写在代码里。

4. 第一个Agent开发实战

4.1 定义工具集

我们创建一个简单的字符串处理工具包：

from langchain.agents import tool @tool def reverse_string(s: str) -> str: """反转输入的字符串""" return s[::-1] @tool def count_words(s: str) -> int: """计算字符串中的单词数""" return len(s.split()) tools = [reverse_string, count_words]

4.2 构建Agent系统

完整Agent组装代码：

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder from langchain.agents.format_scratchpad.openai_tools import format_to_openai_tool_messages from langchain.agents.output_parsers.openai_tools import OpenAIToolsAgentOutputParser # 1. 提示词模板 prompt = ChatPromptTemplate.from_messages([ ("system", "你是一个专业的字符串处理助手"), ("user", "{input}"), MessagesPlaceholder(variable_name="agent_scratchpad"), ]) # 2. 绑定工具到LLM llm_with_tools = llm.bind_tools(tools) # 3. 构建Agent agent = ( { "input": lambda x: x["input"], "agent_scratchpad": lambda x: format_to_openai_tool_messages( x["intermediate_steps"] ), } | prompt | llm_with_tools | OpenAIToolsAgentOutputParser() ) # 4. 创建执行器 agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

4.3 运行测试

执行一个复杂请求：

result = agent_executor.invoke({ "input": "先将'hello world'反转，然后计算单词数" })

预期会看到Agent自动先调用reverse_string，再调用count_words，最终输出正确结果。

5. 高级功能实现

5.1 记忆功能实现

让Agent记住对话历史的关键代码：

from langchain_core.messages import HumanMessage, AIMessage # 在prompt中添加历史消息占位符 MEMORY_KEY = "chat_history" prompt = ChatPromptTemplate.from_messages([ ("system", "你是字符串处理专家"), MessagesPlaceholder(variable_name=MEMORY_KEY), ("user", "{input}"), MessagesPlaceholder(variable_name="agent_scratchpad"), ]) # 对话历史存储 chat_history = [] # 每次调用时传入历史记录 result = agent_executor.invoke({ "input": "今天的天气真好", "chat_history": chat_history }) # 更新历史记录 chat_history.extend([ HumanMessage(content="今天的天气真好"), AIMessage(content=result["output"]), ])

5.2 多Agent协作

通过RouterChain实现任务分发：

from langchain.agents import AgentRouter math_agent = ... # 数学处理Agent text_agent = ... # 文本处理Agent router = AgentRouter( route_map={ "math": math_agent, "text": text_agent }, default_agent=text_agent )

6. 性能优化技巧

6.1 Token使用优化

  • 精简工具描述：保持工具文档简洁但准确
  • 限制最大迭代次数：避免无限循环
AgentExecutor(max_iterations=5)

6.2 错误处理机制

自定义错误处理策略：

def handle_error(error): print(f"执行出错: {error}") return "抱歉，处理时出现问题" agent_executor = AgentExecutor( agent=agent, tools=tools, verbose=True, handle_parsing_errors=handle_error )

7. 实战建议与避坑指南

  1. 工具设计原则：

    • 每个工具保持单一职责
    • 输入输出类型明确
    • 文档描述要清晰准确

  2. 常见问题排查：

    • Agent陷入循环：设置max_iterations
    • 工具不被调用：检查工具描述是否清晰
    • 结果不准确：降低LLM的temperature值

  3. 开发调试技巧：

    • 开启verbose=True查看详细决策过程
    • 使用小模型先测试逻辑正确性
    • 对复杂任务进行分步验证

我在实际开发中发现，给工具起一个好名字能显著提高调用准确率。比如"calculate_word_count"就比"count_words"更明确。另外，对于关键业务场景，建议添加人工验证环节，确保AI的决策符合预期。