LangChain智能体

LangChain智能体

介绍

在 LangChain 中，Agents（智能体） 是能够自主推理、调用工具、并迭代解决问题的高级系统。它将语言模型（Model）与外部能力（Tools）结合，使 LLM 能够“行动”而不仅仅是“回答”。

• Agent = 模型（Model） + 工具（Tools） + 推理循环（ReAct Loop） + 状态管理（State）
• Agent 的核心思想源自论文 ReAct: Synergizing Reasoning and Acting in Language Models，其行为模式为：
  • Thought：模型推理下一步该做什么
  • Action：调用一个或多个工具
  • Observation：接收工具返回的结果
  • 循环直到得出最终答案或达到最大步数
• 减少幻觉、过程可审计、支持复杂任务分解

graph TD
    A[User Input] --> B{Model Node}
    B -->|Thought + Tool Call| C[Tool Node]
    C -->|Observation| D{Stop?}
    D -- No --> B
    D -- Yes --> E[Final Answer]

核心组件

(1) Model（模型）

• 是智能体的“大脑”，负责推理。
• 支持两种配置方式：
  • 静态模型：创建时固定，例如 create_agent("openai:gpt-4o", tools=...)
  • 动态模型：根据对话状态在运行时选择不同模型（如短对话用便宜模型，长对话用更强模型）

(2) Tools（工具）

• 赋予智能体“动手”能力，如调用 API、执行代码、查数据库等。
• 可以传入：
  • 工具列表（@tool 装饰的函数）
  • 预配置的 ToolNode（支持自定义错误处理等）

(3) Prompt（提示词）

• 控制智能体的行为风格，如“你是客服助手，请礼貌回答”。
• 支持字符串、SystemMessage 或动态中间件（middleware），后者可根据用户角色等上下文动态调整提示。

(4) Memory（记忆）

• 默认通过 messages 自动维护对话历史。
• 可扩展为自定义状态（state schema），例如记录用户偏好、任务进度等。

(5) Hooks（钩子）

• Pre-model hook：在调用模型前处理状态（如裁剪过长对话）。
• Post-model hook：在模型输出后、执行工具前做校验（如过滤敏感内容）。

(6) Structured Output（结构化输出）

• 可指定 Pydantic 模型作为输出格式，确保结果符合预期结构

(7) Streaming（流式响应）

• 支持 .stream() 方法，实时返回每一步的推理或工具调用，适合前端展示进度。

参考资料

• LangChain 智能体
• LangGraph 消息状态

智能体实战

创建智能体

create_agent 自动构建一个 ReAct 风格的图（Graph），包含：

• Model Node：调用 LLM 进行推理
• Tool Node：执行工具并返回结果
• Pre/Post Hooks：可选的预处理/后处理逻辑

from langchain.tools import tool
from langchain.agents import create_agent
from langchain.chat_models import init_chat_model

# 创建LLM模型实例
MODEL = "deepseek-v3.2"
API_KEY = "sk-"
BASE_URL = "https://dashscope.aliyuncs.com/compatible-mode/v1"
model = init_chat_model(
    model=MODEL, model_provider="openai", api_key=API_KEY, base_url=BASE_URL
)


# 创建工具
@tool
def get_weather(city: str) -> str:
    """
    Get the weather in a city
    Args:
        city: The city to get the weather for
    """
    return f"The weather in {city} is nice. The temperature is 20 degrees, and it feels like 22 degrees."


# 创建智能体
tools = [get_weather]
system_prompt = "You are a helpful assistant"
agent = create_agent(model=model, tools=tools, system_prompt=system_prompt)

运行智能体

query = "北京今天天气怎样？"
# 非流式响应
# response = agent.invoke(
#     {"messages": [{"role": "user", "content": query}]}
# )
# result = response["messages"][-1].content
# print(f"结果：{result}")
# for message in response["messages"]:
#     # 打印所有消息，便于调试
#     message.pretty_print()

# 流式响应：实时显示 Agent 的思考和行动过程
for step in agent.stream(
    {"messages": [{"role": "user", "content": query}]},
    stream_mode="values",
):
    latest_message = step["messages"][-1]
    latest_message.pretty_print()

流式输出结果示例

================================ Human Message =================================

北京今天天气怎样？
================================== Ai Message ==================================

我来帮您查询北京今天的天气情况。
Tool Calls:
  get_weather (call_c7570e0086bf487f8934c929)
 Call ID: call_c7570e0086bf487f8934c929
  Args:
    city: 北京
================================= Tool Message =================================
Name: get_weather

The weather in 北京 is nice. The temperature is 20 degrees, and it feels like 22 degrees.
================================== Ai Message ==================================

北京今天天气不错！气温是20度，体感温度22度。天气条件比较宜人。

结构化输出

结构化输出

通过 response_format 参数强制 Agent 返回特定格式：

from pydantic import BaseModel

class WeatherReport(BaseModel):
    location: str
    temperature: float
    unit: str

agent = create_agent(
    model,
    tools=[get_weather],
    response_format=WeatherReport
)

result = agent.invoke({"messages": [...]})
report = result["structured_response"]  # WeatherReport 实例

最佳实践

建议	说明
✅ 使用 create_agent()	而非旧版 initialize_agent
✅ 提供清晰的工具描述	帮助模型正确选择工具
✅ 设置 temperature=0	保证工具调用的确定性
✅ 使用 stream() 提升 UX	尤其在 Web 应用中
✅ 用 response_format 约束输出	避免解析自由文本
❌ 避免无限循环	合理设置 max_iterations（默认已限制）

• 默认最大迭代次数：10 步
• 停止条件：模型返回非工具调用的 content，或达到最大步数