LangChain AI Agent 工具规范与实战应用

3.2 文生图

文生图工具是使用 LangChain 社区提供的 DallEAPIWrapper 类。本文使用 OpenAI 的图片生成模型 Dall-E-3。

安装依赖：

pip install openai

具体代码如下：

from langchain.tools import Tool
from langchain_community.utilities.dalle_image_generator import DallEAPIWrapper

dalle_image_generator = Tool(
    name="基于 OpenAI Dall-E-3 的图片生成器",
    func=DallEAPIWrapper(model="dall-e-3").run,
    description="OpenAI DALL-E API 的包装器。当你需要根据描述的文本生成图像时使用此工具，需要传入对于图像的描述。",
)

这里的 DallEAPIWrapper(model="dall-e-3").run 方法就是个函数，实际是去调用了 OpenAI 的接口。

3.3 代码执行器

代码执行器工具，可以执行代码或者根据自然语言生成代码。主要使用 LangChain 提供的 PythonREPLTool 和 toolkits。

比如 create_python_agent 就简化了创建 Python 解释器工具的过程。

from langchain_experimental.agents.agent_toolkits import create_python_agent
from langchain_experimental.tools import PythonREPLTool

# 假设 model 已经初始化
python_agent_executor = create_python_agent(
    llm=model,
    tool=PythonREPLTool(),
    verbose=True,
    agent_executor_kwargs={"handle_parsing_errors": True},
)

3.4 分析 CSV

CSV 工具，用来分析 csv 文件。依旧是使用 toolkits 工具包里的 create_csv_agent 函数快速创建工具。

from langchain_experimental.agents.agent_toolkits import create_csv_agent

csv_agent_executor = create_csv_agent(
    llm=model,
    path="course_price.csv",
    verbose=True,
    agent_executor_kwargs={"handle_parsing_errors": True},
    allow_dangerous_code=True,  # 注意安全风险
)

3.5 完整代码示例

上面介绍了 AI Agent 的常用工具，定义好工具之后，把工具放入到工具集中，最后再定义 Agent 和 AgentExecutor 就算完成了。短短几十行代码，就可以让 LLM 使用这么多工具了。

环境准备： 确保已安装以下库：

pip install langchain langchain-openai langchain-community langchain-experimental serpapi

完整代码如下：

import os
from langchain import hub
from langchain_openai import ChatOpenAI
from langchain.agents import create_structured_chat_agent, AgentExecutor, Tool
from langchain.tools import BaseTool, StructuredTool, tool
from langchain_experimental.agents.agent_toolkits import (
    create_python_agent,
    create_csv_agent,
)
from langchain_community.utilities import SerpAPIWrapper
from langchain_experimental.tools import PythonREPLTool
from langchain_community.utilities.dalle_image_generator import DallEAPIWrapper

# 需要先安装 serpapi, pip install serpapi，还需要到 https://serpapi.com/ 去注册账号

# SERPAPI_API_KEY 和 OPENAI 相关密钥，建议注册到环境变量
os.environ["SERPAPI_API_KEY"] = os.getenv("SERPAPI_API_KEY", "YOUR_SERPAPI_KEY")
os.environ["OPENAI_API_KEY"] = os.getenv("OPENAI_API_KEY", "YOUR_OPENAI_KEY")
os.environ["OPENAI_API_BASE"] = os.getenv("OPENAI_API_BASE", "https://api.openai.com/v1")

model = ChatOpenAI(model_name="gpt-3.5-turbo")

# 基于 reAct 机制的 Prompt 模板
prompt = hub.pull("hwchase17/structured-chat-agent")

# 各种方式定义工具

# 1. 使用@tool 装饰器，定义搜索工具
@tool
def search(query: str) -> str:
    """只有在需要了解实时信息 或 不知道的事情的时候 才会使用这个工具，需要传入要搜索的内容。"""
    serp = SerpAPIWrapper()
    result = serp.run(query)
    return result

# 2. 使用 Tool 工具类，定义图片生成工具
dalle_image_generator = Tool(
    name="基于 OpenAI Dall-E-3 的图片生成器",
    func=DallEAPIWrapper(model="dall-e-3").run,
    description="OpenAI DALL-E API 的包装器。当你需要根据 描述的文本 生成图像时 使用此工具，需要传入 对于图像的描述。",
)

# 3. 使用 toolkit，定义执行 Python 代码工具
python_agent_executor = create_python_agent(
    llm=model,
    tool=PythonREPLTool(),
    verbose=True,
    agent_executor_kwargs={"handle_parsing_errors": True},
)

# 4. 使用 toolkit，定义分析 CSV 文件工具
csv_agent_executor = create_csv_agent(
    llm=model,
    path="course_price.csv",
    verbose=True,
    agent_executor_kwargs={"handle_parsing_errors": True},
    allow_dangerous_code=True,
)

# 定义工具集合
tool_list = [
    search,
    dalle_image_generator,
    Tool(
        name="Python 代码工具",
        description="""
        当你需要借助 Python 解释器时，使用这个工具。
        比如当你需要执行 python 代码时，
        或者，当你想根据自然语言的描述生成对应的代码时，让它生成 Python 代码，并返回代码执行的结果。
        """,
        func=python_agent_executor.invoke,
    ),
    Tool(
        name="CSV 分析工具",
        description="""
        当你需要回答有关 course_price.csv 文件的问题时，使用这个工具。
        它接受完整的问题作为输入，在使用 Pandas 库计算后，返回答案。
        """,
        func=csv_agent_executor.invoke,
    ),
]

# 将工具丢给 Agent
agent = create_structured_chat_agent(
    llm=model,
    tools=tool_list,
    prompt=prompt
)

# 定义 AgentExecutor
agent_executor = AgentExecutor.from_agent_and_tools(
    agent=agent, 
    tools=tool_list, 
    verbose=True, # 打印详细的 选择工具的过程 和 reAct 的分析过程
    handle_parsing_errors=True
)

# 测试：不会使用工具
print(agent_executor.invoke({"input": "你是谁？"}))

# 测试：使用查询工具
# print(agent_executor.invoke({"input": "南京今天的温度是多少摄氏度？现在外面下雨吗？"}))

# 测试：使用 Python 代码工具
# print(agent_executor.invoke(
#     {
#         "input": """
#         帮我执行```号里的 python 代码，
#         ```python
#             def add(a,b):
#                 return a+b
#             print("hello world : ", add(100,200))
#         ```
#         """
#     }
# ))

# 测试：使用图片生成工具
# print(agent_executor.invoke(
#     {
#         "input": "帮我生成一副图片，图片描述如下：一个非常忙碌的中国高中生在准备中国的高考，夜已经很深了，旁边他的妈妈一边看书一边在陪伴他，窗外是模糊的霓虹灯。"
#     }
# ))

# 测试：使用 CSV 分析工具
# print(agent_executor.invoke({"input": "course_price 数据集里，一共有哪几个城市？用中文回答"}))

一起看下使用工具后，reAct 的整个过程。Agent 会根据问题思考是否需要调用工具，如果需要，它会输出 Action 和 Action Input，然后执行工具得到 Observation，最后生成最终答案。

4. 安全注意事项与最佳实践

在使用 AI Agent 工具时，安全性是一个不可忽视的问题，特别是涉及代码执行和文件操作时。

4.1 代码执行风险

在上面的 CSV 分析示例中，我们使用了 allow_dangerous_code=True。这允许 Agent 执行任意 Python 代码。在生产环境中，这可能导致严重的安全漏洞，如数据泄露、服务器入侵等。

建议：

1. 沙箱环境：尽量在隔离的沙箱环境中运行代码。
2. 权限控制：限制 Agent 可访问的文件路径和资源。
3. 最小权限原则：仅授予必要的权限，避免使用 root 权限运行 Agent。
4. 审核日志：记录所有工具调用和代码执行日志，以便审计。

4.2 错误处理

Agent 可能会因为工具返回格式错误或网络超时而陷入死循环。配置 handle_parsing_errors=True 可以帮助 Agent 从解析错误中恢复，但更好的做法是在 Tool 内部增加完善的异常捕获逻辑。

4.3 成本优化

每次调用外部 API（如 SerpAPI、OpenAI）都会产生费用。建议在 Prompt 中明确指示 Agent 仅在必要时调用工具，减少不必要的 Token 消耗和 API 调用次数。

5. 总结

本文主要聊了 AI Agent 的工具规范，以及常用工具的实现。AI Agent 只有借助工具才能发挥威力，从简单的搜索到复杂的代码执行，LangChain 提供了一套完整的解决方案。

通过遵循 Tool 规范，开发者可以快速集成各种外部能力，构建出功能强大的智能体。同时，务必注意代码执行的安全性，合理设计 Prompt 和工具描述，以确保 Agent 的行为符合预期且安全可控。