27. LangChain——Agent智能体介绍
本帖最后由 糖逗 于 2026-3-9 11:21 编辑1. 什么是Agent？
智能体(Agent)是一种能够自主规划、决策、执行任务的组件，核心是让大语言模型(LLM)根据任务需求,选择并调用工具，完成单靠模型自身无法解决的复杂问题。
Agent智能体=大语言模型(大脑)+工具集(手脚)决策逻辑(思维)
核心特点:
目标驱动:围绕用户的具体任务目标展开工作。
工具调用能力：能连接外部工具,弥补 LLM 的局限性。
自主决策与迭代：不需要人工干预，能根据工具返回的结果，判断是否需要继续调用工具，或直接生成最终答案。
2. 代码实战体验
from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain_community.chat_models.tongyi import ChatTongyi
from langchain_core.tools import tool
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
# 1. 定义工具
@tool(description="查询天气")
def get_weather() -> str:
return "晴天"
# 2. 初始化大模型
llm = ChatTongyi(model="qwen-max")
# 3. 定义 Prompt (必须包含 agent_scratchpad)
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个聊天助手，可以回答用户问题。"),
("human", "{input}"),
# 注意：这里是占位符，用于存储 Agent 的思考过程和工具调用历史
MessagesPlaceholder(variable_name="agent_scratchpad"),
])
# 4. 创建 Agent
agent = create_tool_calling_agent(
llm=llm,
tools=,
prompt=prompt
)
# 5. 创建执行器 (AgentExecutor 才是真正运行的入口)
agent_executor = AgentExecutor(
agent=agent,
tools=,
verbose=True# 打开详细日志，方便看思考过程
)
# 6. 执行调用
res = agent_executor.invoke({"input": "明天深圳的天气如何？"})
print("最终回答:", res["output"])
4. 流式输出
# In
from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain_openai import ChatOpenAI
from langchain_core.tools import tool
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
# ================= 1. 定义工具 =================
@tool(description="获取股价，传入股票名称，返回字符串信息")
def get_price(name: str) -> str:
return f"股票{name}的价格是20元"
@tool(description="获取股票信息，传入股票名称，返回字符串信息")
def get_info(name: str) -> str:
return f"股票{name}，是一家A股上市公司，专注于IT职业教育。"
# ================= 2. 初始化模型 =================
llm = ChatOpenAI(
model="qwen3-max",
temperature=0,
openai_api_base="https://dashscope.aliyuncs.com/compatible-mode/v1"
)
# ================= 3. 标准 Agent 流程 =================
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个智能助手，可以回答股票相关问题，请告知我思考过程。"),
("human", "{input}"),
MessagesPlaceholder(variable_name="agent_scratchpad"),
])
agent = create_tool_calling_agent(llm=llm, tools=, prompt=prompt)
agent_executor = AgentExecutor(agent=agent, tools=, verbose=False)
# ================= 4. 【核心修改】流式输出 =================
print("--- 开始流式对话 ---\n")
for chunk in agent_executor.stream({"input": "传智教育股价多少，并介绍一下"}):
# 1. 当 Agent 决定要调用工具时
if "actions" in chunk:
for action in chunk["actions"]:
print(f"🤔 我需要查询信息，正在调用工具：【{action.tool}】")
print(f" 📥 传入参数：{action.tool_input}\n")
# 2. 当工具返回结果时
elif "steps" in chunk:
for step in chunk["steps"]:
print(f" 📤 工具查询完毕，得到结果：{step.observation}\n")
# 3. 当 Agent 输出最终回答时
elif "output" in chunk:
print(f"✅ 最终回答：{chunk['output']}")
27. LangChain——Agent智能体介绍
1. 什么是Agent？
智能体(Agent)是一种能够自主规划、决策、执行任务的组件，核心是让大语言模型(LLM)根据任务需求,选择并调用工具，完成单靠模型自身无法解决的复杂问题。
Agent智能体=大语言模型(大脑)+工具集(手脚)决策逻辑(思维)
核心特点:
目标驱动:围绕用户的具体任务目标展开工作。
工具调用能力：能连接外部工具，弥补 LLM 的局限性。
自主决策与迭代：不需要人工干预，能根据工具返回的结果，判断是否需要继续调用工具，或直接生成最终答案。
2. 代码实战体验
from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain_community.chat_models.tongyi import ChatTongyi
from langchain_core.tools import tool
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
# 1. 定义工具
@tool(description="查询天气")
def get_weather() -> str:
return "晴天"
# 2. 初始化大模型
llm = ChatTongyi(model="qwen-max")
# 3. 定义 Prompt (必须包含 agent_scratchpad)
prompt = ChatPromptTemplate.from_messages()
# 4. 创建 Agent
agent = create_tool_calling_agent(
llm=llm,
tools=,
prompt=prompt
)
# 5. 创建执行器 (AgentExecutor 才是真正运行的入口)
agent_executor = AgentExecutor(
agent=agent,
tools=,
verbose=True# 打开详细日志，方便看思考过程
)
# 6. 执行调用
res = agent_executor.invoke({"input": "明天深圳的天气如何？"})
print("最终回答:", res)
你好！Agent（智能体）是LangChain中非常强大的一个概念，它让大模型具备了使用“工具”的能力。我来为你详细解释并完善这个代码示例。
核心概念解读
你可以把Agent想象成一个聪明的“机器人”：
[*]大语言模型（如文心一言、通义千问）是它的大脑，负责理解和规划。
[*]各种工具（如计算器、搜索引擎、数据库接口）是它的手脚，负责执行具体操作。
[*]Agent框架提供的决策逻辑，则像它的思维链条，指导大脑何时、如何使用手脚。
这样组合起来，Agent就能完成许多单靠大模型做不到的事情，比如精确计算、查询实时信息等。
代码实战修复与详解
你提供的代码框架是正确的，但缺少几个关键部分。下面是一个完整、可运行的示例：
from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain_community.chat_models.tongyi import ChatTongyi
from langchain_core.tools import tool
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
# 1. 定义一个简单的“天气查询”工具
@tool(description="查询指定城市的天气情况")
def get_weather(city_name: str) -> str:
"""根据城市名返回模拟的天气信息。在实际应用中，这里会调用真实的天气API。"""
# 这里为了演示，直接返回一个模拟结果
weather_data = {
"北京": "晴，气温 5-15°C",
"上海": "多云，气温 10-18°C",
"深圳": "晴转多云，气温 20-28°C",
"杭州": "小雨，气温 8-12°C"
}
return weather_data.get(city_name, f"未找到{city_name}的天气信息。")
# 2. 初始化大模型（请确保已设置通义千问的API_KEY环境变量）
llm = ChatTongyi(model="qwen-max")
# 3. 构建提示词模板。这是关键！它告诉Agent如何思考和工作。
# `agent_scratchpad` 是一个占位符，Agent会把它的思考步骤记录在这里。
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个有用的助手，可以调用工具来回答问题。"),
("user", "{input}"),
MessagesPlaceholder(variable_name="agent_scratchpad"),
])
# 将定义的工具放入列表
tools =
# 4. 创建Agent（大脑+思维逻辑）
agent = create_tool_calling_agent(
llm=llm,
tools=tools, # 传入工具列表
prompt=prompt
)
# 5. 创建执行器（真正驱动整个流程的“引擎”）
agent_executor = AgentExecutor(
agent=agent,
tools=tools, # 这里同样需要传入工具
verbose=True, # 打开详细日志，可以看到Agent“思考”和“调用工具”的过程
handle_parsing_errors=True # 优雅地处理解析错误
)
# 6. 执行调用！
print("开始提问...")
res = agent_executor.invoke({"input": "明天深圳的天气如何？"})
print("\n最终回答:", res['output'])
运行这个程序，你将看到类似以下输出（verbose模式）：
开始提问...
> 进入新的AgentExecutor链...
我需要查询深圳的天气。
调用: `get_weather` 参数 `{'city_name': '深圳'}`
晴天，气温 20-28°C明天深圳的天气是晴天，气温在20到28摄氏度之间。
> 链结束。
最终回答: 明天深圳的天气是晴天，气温在20到28摄氏度之间。
关键点说明：
[*]工具（Tool）：我们定义了一个 get_weather 函数。使用 @tool 装饰器后，它就变成了Agent可以识别和调用的“工具”。description 参数非常重要，大模型会根据它来决定是否以及如何调用这个工具。
[*]提示模板（PromptTemplate）：必须包含 agent_scratchpad 这个占位符。这是Agent的“草稿纸”，它会把“我该用哪个工具？”、“工具返回了什么？”这些中间思考步骤记录在这里，并反馈给大模型进行下一步决策。
[*]执行器（AgentExecutor）：它是实际运行的“驱动程序”。verbose=True 能让你清晰地看到Agent的完整思考链条，这对于调试和理解其工作原理非常有帮助。
希望这个详细的解释和完整的代码能帮助你理解LangChain Agent！你可以尝试修改工具函数（比如做一个计算器工具）或者提问不同的问题，看看Agent是如何工作的。
以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。
页:
[1]