LangChainAgent怎么编写

wen python案例 2026-07-07 2

LangChain Agent 编写全攻略（2024实战版）

目录导读

Agent 是什么？为什么需要它？
环境准备与核心概念速览
三种主流 Agent 类型与选择策略
实战：编写一个会搜索+计算的金融助手
进阶技巧：记忆系统、错误处理与工具封装
常见问题与调优 FAQ

Agent 是什么？为什么需要它？

在传统 LLM 应用中，你问“今天天气如何”，模型只能根据训练数据回答，无法实时查询。Agent（智能体） 赋予 LLM 调用外部工具的能力：搜索网页、执行代码、查询数据库,甚至控制硬件。

LangChainAgent怎么编写

通俗比喻：LLM 是大脑（思考逻辑），Agent 是手和脚（执行动作），工具是工具箱（API、计算器等）。

核心流程：
用户提问 → Agent 拆解任务 → 选择工具 → 执行工具 → 将结果反馈给 LLM → 生成最终回答。

Q：Agent 与普通 Chain 的区别是什么？
A：Chain 是固定流程（先做A再做B），Agent 是动态决策（根据当前情况决定下一步用什么工具、怎么用），用户问“苹果股价 vs 特斯拉，哪个回报率更高？”Agent 会先查股价，再查历史数据,最后用计算器算百分比。

环境准备与核心概念速览

安装依赖

pip install langchain langchain-openai langchain-community python-dotenv

核心组件一览

组件	作用	示例
LLM	决策引擎	GPT-4、Claude3
Tool	具体能力单元	搜索API、计算器、数据库查询
AgentExecutor	执行循环	决策→执行→反馈→再决策
PromptTemplate	控制Agent行为	约束语言风格、输出格式

环境变量配置

import os
from dotenv import load_dotenv
load_dotenv()
# 需配置 OPENAI_API_KEY 或对应的模型API key

三种主流 Agent 类型与选择策略

1 Zero-shot React Agent（推荐新手）

特点：每步思考“当前状态 → 下一步行动 → 行动输入 → 观察结果”
适用：任务明确，工具数量≤5个
优势：最稳定，LangChain官方默认采用

2 OpenAI Functions Agent

特点：利用GPT-4的函数调用能力，结构化输出行动参数
适用：需要精细控制工具输入格式（如指定JSON参数）
注意：仅支持OpenAI系列模型

3 Plan-and-Execute Agent

特点：先制定完整计划→再逐步执行
适用：多步骤复杂任务（如：分析十年财报并生成报告）
缺点：耗时较长，可能因计划错误导致全盘失败

Q：我应该选哪种？
A：如果第一次写 Agent，优先选Zero-shot React；若工具需要精确参数（如数据库查询），选Functions；若任务超过5步（如“查10家公司近5年营收趋势”），选Plan-and-Execute。

实战：编写一个会搜索+计算的金融助手

需求描述

用户输入“我买了100股苹果股票，买入价185美元，现价查询一下,告诉我盈亏百分比”

步骤1：定义工具（搜索引擎 + 计算器）

from langchain.tools import Tool
from langchain_community.tools import DuckDuckGoSearchRun
from langchain.agents import load_tools
# 搜索工具
search = DuckDuckGoSearchRun()
search_tool = Tool(
    name="WebSearch",
    func=search.run,
    description="当你需要查找实时股票价格、新闻或任何网络信息时使用，输入应为搜索关键词。"
)
# 计算器工具（LangChain内置）
calc_tools = load_tools(["llm-math"], llm=llm)

步骤2：创建Agent

from langchain.agents import create_react_agent, AgentExecutor
from langchain_openai import ChatOpenAI
from langchain.prompts import PromptTemplate
# LLM（建议使用gpt-4，gpt-3.5-turbo在复杂任务中易出错）
llm = ChatOpenAI(model="gpt-4-turbo", temperature=0)
# 自定义Prompt（关键！控制Agent行为）
agent_prompt = PromptTemplate.from_template("""
你是一个专业的金融助手，请按照以下步骤回答用户问题：
1. 如果需要实时数据，使用 WebSearch
2. 如果需要计算，使用 Calculator
3. 最终回答必须给出明确结论，并附上数据来源
工具：{tools}  
工具名：{tool_names}  
用户输入：{input}  
思考过程：{agent_scratchpad}  
""")
# 创建Agent
agent = create_react_agent(llm, [search_tool, calc_tools[0]], agent_prompt)
agent_executor = AgentExecutor(agent=agent, tools=[search_tool, calc_tools[0]], verbose=True, max_iterations=5)
# verbose=True可以看到思考过程，调试神器
# max_iterations防止死循环

步骤3：运行

result = agent_executor.invoke({"input": "我买了100股苹果股票，买入价185美元，现价查询一下，告诉我盈亏百分比"})
print(result["output"])

执行过程可视化（verbose输出示例）：

> 思考：用户需要查询苹果当前股价
> 执行：WebSearch("苹果（AAPL）实时股价")
> 观察：当前价210.50美元（谷歌财经）
> 思考：需要计算盈亏百分比
> 执行：Calculator("(210.50 - 185) / 185 * 100")
> 观察：13.78%
> 最终回答：当前盈利13.78%...

进阶技巧：记忆系统、错误处理与工具封装

1 添加记忆（对话历史）

from langchain.memory import ConversationBufferMemory
memory = ConversationBufferMemory(memory_key="chat_history")
agent_executor = AgentExecutor(
    agent=agent, tools=tools, memory=memory,
    verbose=True
)

效果：Agent能记住前文“你刚才说买100股”,后续无需重述。

2 自定义工具（封装API）

from langchain.tools import BaseTool
class StockPriceTool(BaseTool):
    name = "StockPrice"
    description = "输入股票代码（如AAPL），返回当前美元价格"
    def _run(self, ticker: str) -> str:
        # 实际可调用yfinance、Alpha Vantage等API
        return f"当前{ticker}股价为210.50美元"
    async def _arun(self, ticker: str):
        raise NotImplementedError("暂不支持异步")
stock_tool = StockPriceTool()

3 错误重试机制

agent_executor = AgentExecutor.from_agent_and_tools(
    agent=agent, tools=tools,
    handle_parsing_errors=True,  # 自动重试解析失败的输出
    max_iterations=5,
    early_stopping_method="generate"  # 超时后生成一个合理答案
)