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LLM根据当前信息决定下一步行动执行选定的工具(Tool)将执行结果反馈给LLM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-openai3.2 LLM连接配置以OpenAI为例的初始化代码from langchain_openai import ChatOpenAI llm ChatOpenAI( modelgpt-3.5-turbo, temperature0 # 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_nameagent_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(agentagent, toolstools, verboseTrue)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_nameMEMORY_KEY), (user, {input}), MessagesPlaceholder(variable_nameagent_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(contentresult[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_agenttext_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_iterations5)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( agentagent, toolstools, verboseTrue, handle_parsing_errorshandle_error )7. 实战建议与避坑指南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值开发调试技巧开启verboseTrue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。
