LangChain 系列教程（六）：Agent

LangChain 系列教程（六）：Agent

介绍

Chain就像一个预先设定好步骤的“流水线”，严格按照我们的指令执行任务。无论是SequentialChain还是RouterChain，它们的路径都是在代码中定义好的。

而Agent可以在面对未知问题时，自己决定需要哪些工具、自己规划步骤、并最终完成任务。

Agent的核心思想是：利用一个语言模型（LLM）作为“大脑”，来决定应该执行哪一系列的动作（Actions）才能完成用户的指令。它不再遵循固定的代码路径，而是进入一个动态的循环，直到任务完成为止。这个循环的每一步都是由AI大脑自主决定的。这个过程我们通常称之为 ReAct 框架，即 Reasoning (推理) + Action (行动)。

Agent 的工作模式

Agent 的工作模式可以分解为一个不断重复的循环，直到找到最终答案：

思考 (Thought)：Agent 的“大脑”（LLM）首先分析用户的总目标和当前情况，然后进行推理。“我需要回答‘日本天皇现在几岁？’这个问题。首先，我需要知道他的生日是哪天。我应该用搜索工具来查找这个信息。”

行动 (Action)：根据思考结果，大脑决定具体调用哪个工具 (Tool)，以及给这个工具什么指令。例如：Action: search(query="日本天皇生日")

观察 (Observation)：执行行动后，Agent 会从工具那里得到一个结果（观察）。例如：Observation: "德仁天皇出生于1960年2月23日。"

再次思考 (Thought)：Agent 将新的观察结果作为下一步的思考依据。“好的，我已经知道生日了。现在我需要知道今天的日期，然后计算年龄。我可以用计算器工具来完成这个数学运算。”

这个 思考 -> 行动 -> 观察 的循环会一直持续下去，直到大脑认为它已经获得了足够的信息来回答用户的原始问题为止。

Agent 的核心组件

要构建一个 Agent，你需要准备三个关键部分：

大脑 (Agent)： 这是控制决策的核心逻辑。它通常是一个特殊的、经过优化的提示词（Prompt），能够引导 LLM 进行“思考->行动->观察”的推理。LangChain 提供了多种预设的 Agent 类型（如 zero-shot-react-description）。

工具 (Tools)： 这是 Agent 可以使用的“手和脚”。每个工具都是一个函数，可以执行特定的任务，例如：

谷歌/DuckDuckGo 搜索

计算器

数据库查询

调用某个 API

甚至调用另一个 Chain

关键在于：每个工具都必须有一个清晰的名称和描述，这样“大脑”才能理解每个工具的用途，并在需要时做出正确的选择。

执行器 (AgentExecutor)： 这是驱动 Agent 运行的“身体”或“引擎”。它负责执行整个 ReAct 循环：调用 Agent 大脑获得决策、调用相应的工具、将工具返回的结果再传回给大脑，周而复始，直到任务完成。

代码

初始化 LLM 和 Tools

Python
import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain.agents import Tool
from langchain.chains import LLMMathChain
from langchain_community.tools import DuckDuckGoSearchRun

# 加载环境变量
load_dotenv()

# 初始化 LLM (大脑)
llm = ChatOpenAI(temperature=0, model="gpt-4o")

# 初始化工具 (手和脚)

# 工具1：搜索
# DuckDuckGoSearchRun 是一个封装好的工具，可以直接使用
search = DuckDuckGoSearchRun()
search_tool = Tool(
name="Search",
func=search.run,
description="一个搜索引擎。当你需要回答关于时事、事实或你不知道的信息时，应该使用它。输入应该是具体的问题或搜索词。"
)

# 工具2：计算器
# LLMMathChain 可以让 LLM 来执行数学运算
llm_math_chain = LLMMathChain.from_llm(llm=llm, verbose=False)
calculator_tool = Tool(
name="Calculator",
func=llm_math_chain.run,
description="一个计算器。当你需要进行数学计算或回答关于数学的问题时使用。输入应该是一个完整的数学表达式。"
)

# 将所有工具放入一个列表中
tools = [search_tool, calculator_tool]

print("LLM 和工具准备完毕！")
print(f"共配置了 {len(tools)} 个工具。")

创建 Agent 和执行器 (AgentExecutor)

Python
from langchain.agents import create_react_agent, AgentExecutor
from langchain import hub

# 1. 从 LangChain Hub 中拉取预设的 ReAct 提示词模板
# 这是构建 Agent 的标准做法，确保了提示词的质量和兼容性
prompt = hub.pull("hwchase17/react")

# 2. 创建 Agent (大脑的逻辑)
# 这个函数将 LLM、工具列表和提示词组合在一起，创建出 Agent 的核心逻辑
agent = create_react_agent(llm, tools, prompt)

# 3. 创建 Agent 执行器 (驱动循环的身体)
# - agent: 上一步创建的 Agent 逻辑
# - tools: Agent 可以使用的工具列表
# - verbose=True: 这是最重要的参数！它会打印出 Agent 的完整思考过程，便于我们观察和理解
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

print("Agent 和执行器创建成功！")

运行 Agent

Python
# 提出一个需要结合搜索和计算才能回答的问题
# 为了让结果稳定，我们明确指定今天的日期
input_question = "日本天皇现在几岁？请将今天的日期按照2025年6月10日计算。"

# 使用 .invoke() 方法运行 AgentExecutor
result = agent_executor.invoke({"input": input_question})

print("\n\n----------- 最终答案 -----------")
print(result["output"])

结果

Python
LLM 和工具准备完毕！
共配置了 2 个工具。
/opt/anaconda3/envs/langchain-mcp/lib/python3.11/site-packages/langsmith/client.py:272: LangSmithMissingAPIKeyWarning: API key must be provided when using hosted LangSmith API
warnings.warn(
Agent 和执行器创建成功！


> Entering new AgentExecutor chain...
要计算日本天皇的年龄，我们需要知道他的出生日期以及计算的日期。日本现任天皇是德仁天皇，他出生于1960年2月23日。我们需要计算从1960年2月23日到2025年6月10日的年龄。

Action: Calculator
Action Input: 2025 - 1960Answer: 65我们已经计算出从1960年到2025年间的年份差为65年。接下来，我们需要考虑具体的月份和日期，以确定德仁天皇在2025年6月10日的确切年龄。

德仁天皇出生于1960年2月23日，因此在2025年2月23日他将满65岁。从2月23日到6月10日，他已经过了65岁生日。

Final Answer: 到2025年6月10日，日本天皇德仁将满65岁。

> Finished chain.


----------- 最终答案 -----------
到2025年6月10日，日本天皇德仁将满65岁。