用 LangChain 构建一个 AI Agent：从零到一的实践指南-平芜编程栈

1. 引言：什么是 AI Agent？

在人工智能领域，AI Agent（智能体）是指能够感知环境、自主决策并执行行动以实现特定目标的程序实体。与传统脚本或简单 API 调用不同，AI Agent 具备规划、记忆、工具使用和反思等高级能力，使其能够处理复杂的多步骤任务。

LangChain 作为一个强大的框架，为构建此类 Agent 提供了模块化、可扩展的组件，大大降低了开发门槛。本文将带你从零开始，使用 LangChain 构建一个具备基础能力的 AI Agent。

2. 环境准备与安装

首先，确保你的 Python 环境版本在 3.8 及以上。我们使用 pip 安装必要的包：

pip install langchain langchain-openai langchain-community

此外，你需要一个 OpenAI API 密钥（或其他兼容 LangChain 的 LLM 服务密钥）来驱动 Agent 的“大脑”。将其设置为环境变量：

export OPENAI_API_KEY='your-api-key-here'

3. 核心组件解析

在 LangChain 中，构建一个 Agent 通常涉及以下几个核心部分：

LLM (大语言模型)：Agent 的决策核心，如 GPT-4。
Tools (工具)：Agent 可以调用的外部函数，如搜索、计算、数据库查询。
Agent Executor：运行 Agent 的引擎，负责协调 LLM 的思考、工具调用和结果处理。
Memory (记忆)：使 Agent 能够在多轮对话中记住上下文。
Prompt Template (提示词模板)：指导 LLM 如何思考、规划和选择工具。

4. 构建你的第一个 Agent

让我们构建一个能进行数学计算和网络搜索的简单 Agent。

4.1 定义工具

首先，我们创建两个工具：一个计算器和一个搜索工具（这里用 DuckDuckGo 搜索作为示例）。

from langchain.tools import Tool from langchain_community.tools import DuckDuckGoSearchRun import math def calculator(input_str: str) -> str: """计算一个数学表达式。""" try: # 安全评估数学表达式 result = eval(input_str, {"builtins": {}}, {"math": math}) return str(result) except Exception as e: return f"计算错误: {e}" 创建工具实例 calc_tool = Tool( name="Calculator", func=calculator, description="用于计算数学表达式，例如：'3 * 5 + 2' 或 'math.sqrt(16)'。" ) search_tool = DuckDuckGoSearchRun() 工具列表 tools = [calc_tool, search_tool]

4.2 初始化 LLM 和 Agent

我们使用 OpenAI 的模型，并选择 LangChain 内置的“零样本反应式”Agent 类型，它适合简单工具调用。

from langchain_openai import ChatOpenAI from langchain.agents import initialize_agent, AgentType llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0) agent = initialize_agent( tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, # 使用零样本反应式策略 verbose=True, # 打印详细思考过程 handle_parsing_errors=True # 优雅处理解析错误 )

4.3 运行 Agent

现在，你可以向 Agent 提问了！

result = agent.run("请先计算 15 的平方根，然后搜索一下 LangChain 的最新版本是什么。") print(result)

当verbose=True时，你将在控制台看到 Agent 的完整思考链（ReAct 模式）：

Thought：我需要先计算平方根，然后再搜索。
Action：调用 Calculator 工具，输入 “math.sqrt(15)”。
Observation：工具返回计算结果 “3.872983346207417”。
Thought：现在我需要搜索 LangChain 的最新版本。
Action：调用 DuckDuckGo Search 工具。
Observation：搜索返回相关信息。
Final Answer：整合信息并给出最终回答。

5. 为 Agent 添加记忆能力

上面的 Agent 是“无状态”的。为了让它在多轮对话中记住上下文，我们需要引入 Memory。

from langchain.memory import ConversationBufferMemory memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True) 重新初始化带记忆的 Agent agent_with_memory = initialize_agent( tools, llm, agent=AgentType.CONVERSATIONAL_REACT_DESCRIPTION, # 使用支持对话的 Agent 类型 verbose=True, memory=memory, handle_parsing_errors=True ) 第一轮对话 response1 = agent_with_memory.run("我的名字是小明。") print(response1) 第二轮对话，Agent 会记得上一轮的内容 response2 = agent_with_memory.run("我刚才说我叫什么名字？") print(response2) # 应该能回答“小明”

6. 进阶：自定义工具与复杂工作流

LangChain 的强大之处在于其模块化。你可以轻松集成自定义 API、数据库或任何函数作为工具。

6.1 自定义工具示例：获取天气

import requests def get_weather(city: str) -> str: """获取指定城市的天气（模拟函数）。""" # 这里应调用真实的天气 API，此处为模拟 weather_data = { "北京": "晴，25°C", "上海": "多云，23°C", "深圳": "阵雨，28°C" } return weather_data.get(city, f"未找到{city}的天气信息") weather_tool = Tool( name="GetWeather", func=get_weather, description="根据城市名称查询天气，输入格式：'城市名'，例如：'北京'。" ) 将新工具加入列表，重新创建 Agent advanced_tools = [calc_tool, search_tool, weather_tool] advanced_agent = initialize_agent(advanced_tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True) result = advanced_agent.run("今天北京的天气怎么样？然后计算一下 98 除以 7。") print(result)

6.2 使用 Agent 执行序列（Sequential Chain）

对于更复杂的任务，你可以将多个 Agent 或 LLM 调用串联起来。

from langchain.chains import LLMChain, SimpleSequentialChain from langchain.prompts import PromptTemplate 第一个链：生成问题 template1 = """你是一个问题生成器。根据主题：{topic}，生成一个有趣的问题。只输出问题。""" prompt1 = PromptTemplate(input_variables=["topic"], template=template1) chain1 = LLMChain(llm=llm, prompt=prompt1) 第二个链：回答问题 template2 = """你是一个知识渊博的助手。请回答以下问题：{question}。回答要简洁。""" prompt2 = PromptTemplate(input_variables=["question"], template=template2) chain2 = LLMChain(llm=llm, prompt=prompt2) 组合成序列链 overall_chain = SimpleSequentialChain(chains=[chain1, chain2], verbose=True) final_output = overall_chain.run("黑洞") print(final_output)