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：
- 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( 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
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。