智能体 (Agents)

智能体 (Agent) 是 LangChain 最强大的功能之一。在 Chain 中，执行步骤是硬编码的（先A后B）。而在 Agent 中，LLM 充当推理引擎，根据用户的输入和当前状态，自主决定采取什么行动（使用哪个工具）以及行动的顺序。

核心概念

• Agent: 负责推理。它接收用户输入，决定下一步做什么（返回一个 Action）。
• Tools: Agent 可以调用的函数（如搜索、计算器、数据库查询）。
• AgentExecutor: Agent 的运行时环境。它循环执行：调用 Agent -> 获取 Action -> 执行 Tool -> 将结果传回 Agent -> 重复，直到 Agent 决定结束。

注意: LangChain 官方正在逐步推荐使用 LangGraph 来构建更可控、更复杂的 Agent。但在本教程中，为了降低学习门槛，我们使用标准的 AgentExecutor。

实战：构建一个具备搜索能力的 Agent

我们将创建一个可以查询互联网信息（模拟）并进行计算的 Agent。

准备工作

需安装: langchain, langchain-openai

from langchain_openai import ChatOpenAI
from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain_core.tools import tool
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder

# 1. 定义工具
@tool
def multiply(a: int, b: int) -> int:
    """计算两个数字的乘积"""
    return a * b

@tool
def search_web(query: str) -> str:
    """模拟搜索引擎，返回关于 query 的信息"""
    return f"关于 {query} 的搜索结果：LangChain 是一个很棒的框架。"

tools = [multiply, search_web]

# 2. 初始化模型 (必须支持函数调用/工具调用)
llm = ChatOpenAI(model="gpt-3.5-turbo")

# 3. 创建 Prompt
# 这里的 placeholder 是必须的，用于填充聊天历史和 Agent 的推理步骤
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个全能助手。"),
    ("human", "{input}"),
    MessagesPlaceholder(variable_name="agent_scratchpad"),
])

# 4. 创建 Agent
agent = create_tool_calling_agent(llm, tools, prompt)

# 5. 创建执行器 (Executor)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# 6. 运行
response = agent_executor.invoke({"input": "LangChain 是什么？如果是 5 乘以 5 等于多少？"})
print(response["output"])

执行流程解析

当运行上述代码时，Agent 会进行如下推理：

1. 用户问了两个问题。
2. Agent 决定先调用 search_web("LangChain")。
3. AgentExecutor 执行工具，获取结果。
4. Agent 拿到结果，接着决定调用 multiply(5, 5)。
5. AgentExecutor 执行工具，获取 25。
6. Agent 拿到所有信息，生成最终回复。

---

Agent 的能力边界取决于它能使用什么工具。下一章教你定制独门兵器：自定义工具 (Tools)。