LangChain Agent 实战：使用框架构建数学计算助手

关键点说明：

• name：工具的唯一标识，应清晰表达功能。
• description：对 LLM 至关重要，描述何时使用该工具，可包含 Few-shot 示例。
• args_schema：定义工具的输入参数结构，帮助 LLM 理解如何传参。
• _run：实现具体的业务逻辑方法。

2. 使用 Tool 装饰器

对于简单的函数封装，装饰器方式更加简洁高效。

from langchain.tools import tool

@tool
def add(a: int, b: int) -> int:
    """Adds two numbers together"""
    return a + b

print(add.name)
print(add.description)
print(add.args)

装饰器会自动处理参数包装和 Description 提取，适合快速原型开发。

Math Agent 完整示例

本章节将实现一个能够执行数学运算的 Agent，包含加法 (add) 和乘法 (multiply) 两个工具。

1. 定义工具与 Toolkit

首先定义基础工具，并使用 Toolkit 进行统一管理。

from typing import List
from langchain_core.tools import BaseToolkit
from langchain.tools import tool

@tool
def add(a: int, b: int) -> int:
    """Adds two numbers together"""
    return a + b

@tool
def multiply(a: int, b: int) -> int:
    """Multiplies two numbers together"""
    return a * b

class MathToolkit(BaseToolkit):
    def get_tools(self) -> List:
        return [add, multiply]

2. 初始化 LLM 与 Prompt

配置语言模型和系统提示词。Prompt 的设计直接影响 Agent 的行为边界。

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

# 初始化 LLM
llm = ChatOpenAI(model="gpt-4o-2024-05-13", temperature=0)

# 定义 Prompt
prompt = ChatPromptTemplate.from_messages([
    ("system", """
      You are a mathematical assistant. Use your tools to answer questions.
      If you do not have a tool to answer the question, say so.
      Return only the answers. e.g.
      Human: What is 1 + 1?
      You: 2
      """),
    MessagesPlaceholder("chat_history", optional=True),
    ("human", "{input}"),
    MessagesPlaceholder("agent_scratchpad"),
])

3. 创建 Agent 与 Executor

将 LLM、Tools 和 Prompt 组合成 Agent，并封装为 Executor 以便执行。

# 获取工具列表
tools = MathToolkit().get_tools()

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

# 创建 Executor
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# 执行任务
result = agent_executor.invoke({"input": "what is (1 + 3) * 6"})
print(result)

4. 异常处理与边界测试

当用户询问非数学问题时，Agent 应根据 Prompt 设定拒答。

# 测试非数学问题
result = agent_executor.invoke({"input": "What is the time now?"})
print(result["output"])

如果 Prompt 设计得当，LLM 会识别出没有可用的时间查询工具，并告知用户无法回答。

最佳实践与注意事项

1. 工具描述准确性：description 字段是 LLM 选择工具的依据，务必详细且准确。
2. 参数类型约束：使用 Pydantic 定义 args_schema 可以确保传入数据的类型正确，减少幻觉。
3. Prompt 工程：通过 System Prompt 明确限制 Agent 的能力范围，防止其过度承诺。
4. 错误处理：在生产环境中，建议在 _run 方法中添加 try-except 块，捕获工具执行时的异常。
5. Token 消耗：复杂的 Agent 交互会增加 Token 消耗，注意监控成本。

总结

本文介绍了如何使用 LangChain 框架自定义 Tool 并构建 Agent。通过继承 BaseTool 或使用 @tool 装饰器，开发者可以快速扩展大模型的能力。结合 AgentExecutor，可以实现自动化任务规划。在实际应用中，需根据具体业务场景优化 Prompt 和工具定义，以确保 Agent 的稳定性和准确性。