LangChain 中的代理（Agent）模块，涵盖其核心概念、工具包使用及四种主要代理类型。详细解析了 CONVERSATIONAL_REACT_DESCRIPTION、OPENAI_FUNCTIONS、Plan-and-Execute 及 ZERO_SHOT_REACT_DESCRIPTION 的实现代码与执行日志，展示了 LLM 如何通过思考、行动、观察循环调用外部工具完成复杂任务。内容包含 Python 代码示例及调试输出，适合希望深入理解 LangChain 智能体机制的开发者参考。
某些应用程序需要基于用户输入对 LLM（大语言模型）和其他工具进行灵活调用。Agents（代理）为此类应用程序提供了灵活性。代理可以访问单一工具，并根据用户输入确定要使用的工具；也可以使用多个工具，并将一个工具的输出作为下一个工具的输入。
主要有两种类型的代理：
Agents 模块还包含配合代理执行的工具（代理可以执行的操作）和工具包（一套工具集合）。例如，为了使代理与 SQL 数据库交互，它可能需要一个工具来执行查询，另一个工具来检查表结构。
针对对话场景优化的代理，适合需要多轮交互的场景。
from langchain.agents import initialize_agent, AgentType
from langchain.tools import Tool
from langchain.chat_models import ChatOpenAI
from langchain.memory import ConversationBufferMemory
from langchain.utilities import GoogleSearchAPIWrapper
search = GoogleSearchAPIWrapper()
tools = [
Tool(
name="Current Search",
func=search.run,
description="useful for when you need to answer questions about current events or the current state of the world"
),
]
memory = ConversationBufferMemory(memory_key="chat_history")
llm = ChatOpenAI(temperature=0)
agent_chain = initialize_agent(
tools,
llm,
agent=AgentType.CONVERSATIONAL_REACT_DESCRIPTION,
verbose=True,
memory=memory
)
print(agent_chain.run(input="用中文回答中国人口数量"))
执行过程解析： 代理会进入思考循环（Thought -> Action -> Observation），判断是否需要使用工具。如果需要，则选择工具并传入参数，获取观察结果后再次思考，直到得出最终答案。
针对聊天场景优化的代理，结构与上述类似，但更侧重于即时通讯风格的交互体验。
利用 OpenAI 的 Function Calling 功能，让模型直接输出函数调用参数，提高工具调用的准确性。
from langchain.chat_models import ChatOpenAI
from langchain.agents import initialize_agent, AgentType
from langchain.utilities import GoogleSearchAPIWrapper
from langchain.chains import LLMMathChain
llm = ChatOpenAI(temperature=0, model="gpt-3.5-turbo-0613")
search = GoogleSearchAPIWrapper()
llm_math_chain = LLMMathChain.from_llm(llm=llm, verbose=True)
tools = [
Tool(
name="Search",
func=search.run,
description="useful for when you need to answer questions about current events. You should ask targeted questions"
),
Tool(
name="Calculator",
func=llm_math_chain.run,
description="useful for when you need to answer questions about math"
)
]
agent = initialize_agent(
tools,
llm,
agent=AgentType.OPENAI_FUNCTIONS,
verbose=True
)
print(agent.run("2 的 33 次方是多少？"))
调试日志分析： 在 debug 模式下，可以看到详细的 Chain 运行步骤：
AgentExecutor 接收输入。ChatOpenAI 生成消息，其中包含 function_call 信息。Calculator 工具被调用，执行数学计算。此模式通过封装计算函数并传入 OpenAI 接口，实现了结构化输出与工具调用的无缝衔接。
计划和执行代理通过首先计划要做什么，然后执行子任务来实现目标。这个想法很大程度上受到 BabyAGI 的启发。
from langchain.experimental.plan_and_execute import PlanAndExecute, load_agent_executor, load_chat_planner
from langchain.chat_models import ChatOpenAI
from langchain.utilities import GoogleSearchAPIWrapper
from langchain.chains import LLMMathChain
search = GoogleSearchAPIWrapper()
llm = ChatOpenAI(temperature=0)
llm_math_chain = LLMMathChain.from_llm(llm=llm, verbose=True)
tools = [
Tool(
name="Search",
func=search.run,
description="useful for when you need to answer questions about current events"
),
Tool(
name="Calculator",
func=llm_math_chain.run,
description="useful for when you need to answer questions about math"
),
]
model = ChatOpenAI(temperature=0)
planner = load_chat_planner(model)
executor = load_agent_executor(model, tools, verbose=True)
agent = PlanAndExecute(planner=planner, executor=executor, verbose=True)
print(agent.run("用中文回答美国和日本的 GDP 相差多少？"))
# 预期流程：1.Search Tool 查询美国 GDP 2.Calculator Tool 查询日本 GDP 3.Calculator Tool 计算差值
给 LLM 提供一个工具名称列表，包括它们的效用描述以及有关预期输入/输出的详细信息。指示 LLM 在必要时使用提供的工具来回答用户给出的提示。指令建议模型遵循 ReAct 格式：思考、行动、行动输入、观察。
执行示例：
> Entering new chain...
Thought: I need to find out the population of China.
Action: Search
Action Input: Population of China
Observation: The current population of China is 1,455,977,205 as of Wednesday, July 5, 2023...
Thought: I now know the final answer.
Final Answer: The current population of China is 1,455,977,205.
> Finished chain.
verbose=True 仅用于调试，上线时应关闭以减少日志开销。LangChain 的代理模块极大地扩展了 LLM 的应用边界，使其能够自主规划任务并调用外部资源。开发者应根据具体场景选择合适的代理类型：简单问答可用 Zero-Shot React，复杂规划需 Plan-and-Execute，而涉及精确计算或结构化数据时，OpenAI Functions Agent 表现更佳。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online