跳到主要内容

Agents 代理

Agents（代理）是 LangChain 最强大的功能之一，它让 LLM 能够自主决定使用哪些工具来完成复杂任务。本章将详细介绍代理系统的原理和使用方法。

什么是 Agent？​

Agent（代理） 是一种能够自主决策和执行行动的智能系统。与传统的固定流程 Chain 不同，Agent 可以根据用户输入动态决定下一步操作。

Agent vs Chain​

特性ChainAgent
执行顺序固定顺序动态决定
工具使用不支持支持
自主性无有
适用场景固定流程复杂、开放式任务

Agent 工作原理​

核心流程：

  1. 用户输入 → LLM 分析意图
  2. LLM 决定是否需要使用工具
  3. 如果需要，选择并调用工具
  4. 工具返回结果 → LLM 再次分析
  5. 循环直到任务完成

创建 Agent​

基础 Agent​

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

# 定义工具
@tool
def get_weather(city: str) -> str:
    """获取指定城市的天气信息"""
    return f"{city}今天天气晴朗，25°C"

# 初始化模型
model = init_chat_model(model="gpt-4o-mini", model_provider="openai")

# 创建 Agent
agent = create_agent(
    model=model,
    tools=[get_weather],
    system_prompt="你是一个有用的助手，可以查询天气"
)

# 调用 Agent
result = agent.invoke({
    "messages": [{"role": "user", "content": "北京今天天气怎么样?"}]
})
print(result["messages"][-1].content)

带思考过程的 Agent​

# Agent 会输出思考过程
agent = create_agent(
    model=model,
    tools=[get_weather],
    system_prompt="你是一个有帮助的助手",
    prompt={"user": "{input}"}
)

# invoke 返回完整消息，包括思考
result = agent.invoke({"messages": [{"role": "user", "content": "上海天气"}]})

# 查看所有消息
for msg in result["messages"]:
    if hasattr(msg, "type"):
        print(f"[{msg.type}]: {msg.content[:100]}...")

工具（Tools）​

工具是 Agent 执行具体操作的函数。

定义工具​

from langchain.tools import tool

@tool
def calculate(expression: str) -> str:
    """执行数学计算"""
    try:
        result = eval(expression)
        return str(result)
    except Exception as e:
        return f"计算错误: {e}"

@tool
def search_web(query: str) -> str:
    """搜索网络信息"""
    # 这里可以接入真实的搜索API
    return f"搜索结果: {query} 相关信息..."

@tool
def get_current_time() -> str:
    """获取当前时间"""
    from datetime import datetime
    return datetime.now().strftime("%Y-%m-%d %H:%M:%S")

工具装饰器​

from langchain.tools import tool

# 方式1：使用装饰器（推荐）
@tool
def multiply(a: int, b: int) -> int:
    """计算两个数的乘积"""
    return a * b

# 方式2：使用 Tool 类
from langchain.tools import Tool

def divide(a: float, b: float) -> str:
    if b == 0:
        return "错误：除数不能为零"
    return str(a / b)

divide_tool = Tool(
    name="divide",
    func=divide,
    description="用于计算两个数的除法，参数为被除数和除数"
)

多个工具组合​

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

model = init_chat_model(model="gpt-4o-mini", model_provider="openai")

# 定义多个工具
@tool
def get_weather(city: str) -> str:
    """获取城市天气"""
    return f"{city}：晴，25°C"

@tool
def search_restaurant(cuisine: str, location: str) -> str:
    """搜索餐厅"""
    return f"在{location}找到的{cuisine}餐厅：xxx"

@tool
def get_directions(from_loc: str, to_loc: str) -> str:
    """获取路线"""
    return f"从{from_loc}到{to_loc}的路线..."

# 创建 Agent
agent = create_agent(
    model=model,
    tools=[get_weather, search_restaurant, get_directions],
    system_prompt="你是一个乐于助人的助手"
)

# 测试
result = agent.invoke({
    "messages": [{"role": "user", "content": "我想找一家北京的川菜馆"}]
})

Agent 类型​

1. OpenAI Functions Agent​

适合需要调用函数的场景：

from langchain.agents import create_openai_functions_agent

agent = create_openai_functions_agent(
    llm=model,
    tools=tools,
    prompt=prompt
)

2. JSON Agent​

输出 JSON 格式的工具调用：

from langchain.agents import create_json_agent

agent = create_json_agent(
    llm=model,
    tools=tools,
    prompt=prompt
)

3. Tool Agent​

通用工具代理：

from langchain.agents import create_tool_calling_agent

agent = create_tool_calling_agent(
    llm=model,
    tools=tools,
    prompt=prompt
)

4. XML Agent​

适合 Anthropic 模型：

from langchain.agents import create_xml_agent

agent = create_xml_agent(
    llm=model,
    tools=tools,
    prompt=prompt
)

Agent 工具选择机制​

Tool 定义要点​

工具的选择依赖于名称和描述：

from langchain.tools import tool

# ✅ 好的工具定义
@tool
def get_weather(city: str) -> str:
    """获取指定城市的当前天气情况，包括温度和天气状况"""
    return "..."

# ❌ 不好的工具定义
@tool
def gw(c: str) -> str:
    """天气"""
    return "..."

为什么？

  • LLM 根据 description 选择合适的工具
  • 描述越详细准确，LLM 越能做出正确选择

工具选择示例​

@tool
def get_weather(city: str) -> str:
    """获取指定城市的天气信息。输入参数为城市名称（中文或英文）。"""
    ...

@tool
def search_hotels(city: str, price_level: str) -> str:
    """搜索指定城市的酒店。输入参数为城市名称和价格等级（budget/mid-range/luxury）。"""
    ...

@tool
def book_hotel(hotel_id: str, checkin: str, checkout: str) -> str:
    """预订酒店。需要酒店ID、入住日期、退房日期。"""
    ...

# Agent 会根据用户意图自动选择合适的工具
# "北京天气如何" → get_weather
# "北京便宜酒店" → search_hotels
# "我要预订xxx酒店" → book_hotel

Agent 与 Memory​

对话式 Agent​

from langchain.agents import create_agent
from langchain.memory import ConversationBufferMemory
from langchain.memory.chat_message_histories.in_memory import ChatMessageHistory

# 创建记忆
memory = ConversationBufferMemory(
    memory_key="chat_history",
    return_messages=True
)

# 创建带记忆的 Agent
agent = create_agent(
    model=model,
    tools=tools,
    system_prompt="你是对话助手",
    prompt={"chat_history": "{chat_history}", "input": "{input}"}
)

# 第一次对话
result1 = agent.invoke({
    "messages": [{"role": "user", "content": "我叫张三"}]
})
print(result1["messages"][-1].content)

# 第二次对话（Agent 记得之前的内容）
result2 = agent.invoke({
    "messages": [{"role": "user", "content": "你还记得我叫什么吗?"}]
})
print(result2["messages"][-1].content)

保存对话历史​

from langchain.memory import ConversationBufferMemory

memory = ConversationBufferMemory(
    memory_key="history",
    return_messages=True
)

# 添加历史
memory.chat_memory.add_user_message("我想了解Python")
memory.chat_memory.add_ai_message("Python是一种高级编程语言...")

# 创建 Agent 时传入
agent = create_agent(
    model=model,
    tools=tools,
    prompt={"history": "{history}", "input": "{input}"}
)

实际应用示例​

1. 研究助手 Agent​

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

model = init_chat_model(model="gpt-4o-mini", model_provider="openai")

@tool
def search_academic(query: str) -> str:
    """搜索学术论文"""
    return f"关于{query}的学术论文..."

@tool
def summarize_text(text: str) -> str:
    """总结文本"""
    return f"文本摘要：{text[:100]}..."

@tool
def translate_text(text: str, target_lang: str) -> str:
    """翻译文本"""
    return f"翻译成{target_lang}：{text}"

agent = create_agent(
    model=model,
    tools=[search_academic, summarize_text, translate_text],
    system_prompt="你是一个研究助手，帮助用户查找和整理学术资料"
)

# 使用
result = agent.invoke({
    "messages": [{"role": "user", "content": "帮我找一些关于Transformer的论文并总结"}]
})

2. 客服 Agent​

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

model = init_chat_model(model="gpt-4o-mini", model_provider="openai")

@tool
def get_order_status(order_id: str) -> str:
    """查询订单状态"""
    return f"订单{order_id}已发货，预计明天到达"

@tool
def initiate_refund(order_id: str) -> str:
    """发起退款"""
    return f"订单{order_id}的退款已发起，3-5个工作日到账"

agent = create_agent(
    model=model,
    tools=[get_order_status, initiate_refund],
    system_prompt="""你是一个客服助手。
用户来询时，先了解问题，然后使用相应工具帮助用户。
如果需要用户提供信息，请礼貌地请求。"""
)

result = agent.invoke({
    "messages": [{"role": "user", "content": "我的订单号是12345，请问发货了吗?"}]
})

3. 数据分析 Agent​

@tool
def load_csv_data(file_path: str) -> str:
    """加载CSV数据"""
    return "数据加载成功..."

@tool
def analyze_data(data: str, analysis_type: str) -> str:
    """分析数据"""
    return f"分析完成，结果：..."

@tool
def create_chart(data: str, chart_type: str) -> str:
    """创建图表"""
    return f"创建了{chart_type}类型的图表"

agent = create_agent(
    model=model,
    tools=[load_csv_data, analyze_data, create_chart],
    system_prompt="你是一个数据分析助手"
)

Agent 调试​

开启详细输出​

agent = create_agent(
    model=model,
    tools=tools,
    verbose=True  # 打印思考过程
)

result = agent.invoke({"messages": [{"role": "user", "content": "..."}]})

使用 LangSmith 追踪​

import os
os.environ["LANGSMITH_TRACING"] = "true"
os.environ["LANGSMITH_API_KEY"] = "ls-..."

# 所有执行都会被记录
result = agent.invoke({"messages": [{"role": "user", "content": "..."}]})

常见问题​

1. Agent 不调用工具​

# 可能的解决方案：
# 1. 检查工具描述是否足够清晰
# 2. 增加 system_prompt 说明需要使用工具
# 3. 明确告诉 Agent 在什么时候需要调用工具

agent = create_agent(
    model=model,
    tools=tools,
    system_prompt="""你是助手。当你需要获取信息时，使用提供的工具。
    可用工具：{tools}"""
)

2. Agent 选择错误的工具​

# 解决方案：优化工具描述
@tool
def get_weather(city: str) -> str:
    """获取城市天气。用于回答关于特定城市天气状况的问题。
    参数：city - 城市名称（必须）
    返回：天气描述"""

3. 工具返回格式问题​

# 确保工具返回字符串格式
@tool
def calculate(expression: str) -> str:
    result = eval(expression)
    return str(result)  # 转换为字符串

下一步​

现在你已经掌握了 Agents 的核心概念，接下来学习：