Jean's Blog

一个专注软件测试开发技术的个人博客

0%

LangChain组件Agent

发表于 更新于 分类于
学习LangChain学习笔记第十讲

注意：LangChain中agent现在已经不在进行维护了，了解即可，用来编写智能体重点使用LangGraph，之后智能体会详细学习LangGraph

智能体开发流程

graph LR
    A["初始化工具"] --> B["初始化大模型"]
    B --> C["创建智能体"]
    C --> D["调用智能体"]

根据以上流程，示例代码如下：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
# @Time：2025/9/16 09:23
# @Author：jinglv
from langchain.agents import initialize_agent, AgentType
from langchain_core.tools import tool
from pydantic import BaseModel, Field


# 第一步：初始化工具
class AddInputArgs(BaseModel):
    a: int = Field(description="first number")
    b: int = Field(description="second number")


@tool(
    description="add two numbers",
    args_schema=AddInputArgs,
    return_direct=True,
)
def add(a, b):
    """add two numbers"""
    return a + b


def create_calc_tools():
    return [add]


calc_tools = create_calc_tools()

# 第二步：初始化大模型
import os
from dotenv import load_dotenv

# 加载 .env 文件中的变量
load_dotenv()

from langchain_openai import ChatOpenAI

qv_llm = ChatOpenAI(
    model=os.getenv("LLM_MODEL"),
    base_url=os.getenv("LLM_BASE_URL"),
    api_key=os.getenv("LLM_API_KEY"),
    streaming=True,
)

# 第三步：创建智能体（智能体初始化）
agent = initialize_agent(
    tools=calc_tools,
    llm=qv_llm,
    agent=AgentType.STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True,  # 打开调试模式
)

# 第四步：调用智能体
response = agent.invoke("100+100=?")
print(response)

打开了调试模式，可以看到执行的内部流程

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
> Entering new AgentExecutor chain...
Thought: I can use the add tool to calculate the sum of 100 and 100.
Action:
```
{
  "action": "add",
  "action_input": {
    "a": 100,
    "b": 100
  }
}
```
Observation
Observation: 200


> Finished chain.
{'input': '100+100=?', 'output': 200}

AgentType

LangChain提供多种Agent类型，每种类型适用于不同的场景和需求。以下是几种主要Agent类型及其特点：

AgentType 核心机制 适用场景 优点 缺点
ZERO_SHOT_REACTDESCRIPTION ReAct + 工具描述 简单任务、工具组合 快速集成、无需训练数据 输出格式自由，可控性较低
STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION 结构化输出 + ReAct 结构化工具调用 高可控性、格式严格 依赖工具描述清晰度
OPENAI_FUNCTIONS OpenAI 函数调用 OpenAI 模型场景 高效、强耦合 OpenAI 仅限 OpenAI 模型
CONVERSATIONAL_REACT_DESCRIPTION 多轮对话 + ReAct 多轮交互任务 上下文感知、灵活性高 需配置记忆模块
AUTO_GPT 自主代理循环 复杂任务自动化 自主决策、长期目标 实验性、稳定性待验证
STRUCTURED_CHAT 严格结构化输出 数据提取、表单填写 格式标准化、可控性强 灵活性低

智能体开发返回体结构化

直接看代码示例

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
# @Time：2025/9/16 10:12
# @Author：jinglv
from langchain.agents import initialize_agent, AgentType
from langchain_core.tools import tool
from pydantic import BaseModel, Field


# 第一步：初始化工具
class AddInputArgs(BaseModel):
    a: int = Field(description="first number")
    b: int = Field(description="second number")


@tool(
    description="add two numbers",
    args_schema=AddInputArgs,
    return_direct=False,  # 默认为 False 表示返回的是一个字符串
)
def add(a, b):
    """add two numbers"""
    return a + b


def create_calc_tools():
    return [add]


calc_tools = create_calc_tools()

# 第二步：初始化大模型
import os
from dotenv import load_dotenv

# 加载 .env 文件中的变量
load_dotenv()

from langchain_openai import ChatOpenAI

qv_llm = ChatOpenAI(
    model=os.getenv("LLM_MODEL"),
    base_url=os.getenv("LLM_BASE_URL"),
    api_key=os.getenv("LLM_API_KEY"),
    streaming=True,
)


# 结果格式化输出
# 定义输出的结构化数据
class Output(BaseModel):
    args: str = Field(description="工具的入参")
    result: str = Field(description="计算的结果")


from langchain_core.output_parsers import JsonOutputParser

# 定义解析器
parser = JsonOutputParser(pydantic_object=Output)
# 格式化
format_instruction = parser.get_format_instructions()
print('--------------------------格式化输出的内容-----------------------')
print(format_instruction)

# 第三步：创建智能体（智能体初始化）
agent = initialize_agent(
    tools=calc_tools,
    llm=qv_llm,
    agent=AgentType.STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True,  # 打开调试模式
)

# 定义提示词
from langchain_core.prompts import ChatPromptTemplate, ChatMessagePromptTemplate

system_message_template = ChatMessagePromptTemplate.from_template(
    template="你是一位{role}专家，擅长回答{domain}领域的问题",
    role="system",
)

human_message_template = ChatMessagePromptTemplate.from_template(
    template="用户问题：{question}",
    role="user",
)

# 创建提示词模板
chat_prompt_template = ChatPromptTemplate.from_messages([
    system_message_template,
    human_message_template,
])

prompt = chat_prompt_template.format_messages(
    role="计算",
    domain="使用工具进行数学计算",
    question=f"""
    请阅读下面的问题，并返回一个严格的 JSON 对象，不要使用 Markdown 代码块包裹！
    格式要求：
    {format_instruction}

    问题：
    100+100=？
    """
)
# 第四步：调用智能体
response = agent.invoke(prompt)
print("--------------------------智能体输出-----------------------")
print(response)
print("--------------------------output内容-----------------------")
print(response['output'])

注意，要将工具return_direct=False