LangChain 进阶实战：利用 LLM 与 Agents 构建自主决策智能体

Toolkit 工具包

工具包是一组工具的集合。无论是 load_tools 返回的列表还是手动定义的列表，都可以作为工具包传递给 Agent。

AgentExecutor 代理执行器

AgentExecutor 是控制 Agent 执行流程的核心组件，它负责：

1. 处理 Agent 选择不存在的工具的情况。
2. 捕获并处理工具执行过程中发生的错误。
3. 处理 Agent 生成无法解析为工具调用的输出情况。
4. 提供日志记录和可观察性（记录决策过程、工具调用细节）。

思考的过程 (ReAct Loop)

Agent 在执行任务时遵循 ReAct (Reasoning + Acting) 模式，主要步骤包括：

• Action: 根据用户输入，决定选用哪个 Tool 并行动。
• Action Input: 从用户输入中提取该 Tool 所需的具体参数。
• Observation: 观察 Tool 执行后的输出结果。
• Thought: 再次审视用户输入和 Observation，判断下一步该怎么做。
• Final Answer: 基于 Thought 给出最终回答。

创建一个 React 代理实战

本示例创建一个 React 代理，配备谷歌搜索引擎和计算器，并演示如何处理多步推理。

环境准备

确保安装必要的依赖：

pip install langchain langchain-openai langchain-community serpapi python-dotenv

代码实现

import os
from dotenv import find_dotenv, load_dotenv
from langchain_openai import ChatOpenAI
from langchain.agents import create_react_agent, AgentExecutor, tool
from langchain import hub
from langchain.tools import load_tools

# 加载环境变量
load_dotenv(find_dotenv())
os.environ["OPENAI_API_BASE"] = os.getenv("OPENAI_API_BASE", "")
os.environ["OPENAI_API_KEY"] = os.getenv("OPENAI_API_KEY", "")
os.environ["SERPAPI_API_KEY"] = os.getenv("SERPAPI_API_KEY", "")

# 实例化大模型
llm = ChatOpenAI(temperature=0, model="gpt-3.5-turbo")

# 从 Hub 拉取 Prompt
prompt = hub.pull("hwchase17/react")

# 定义自定义工具
@tool
def calculate(expression: str) -> str:
    """计算数学表达式，例如 '2+2'"""
    try:
        # 注意：在生产环境中应限制 eval 的使用范围或使用 ast.literal_eval
        return str(eval(expression))
    except Exception as e:
        return f"Error calculating expression: {str(e)}"

@tool
def web_search(query: str) -> str:
    """使用 SerpAPI 搜索网络信息"""
    from serpapi import GoogleSearch
    params = {
        "q": query,
        "api_key": os.getenv("SERPAPI_API_KEY")
    }
    search = GoogleSearch(params)
    results = search.get_dict()
    if results.get('organic_results'):
        return results['organic_results'][0].get('snippet', 'No snippet available')
    return "No search results found."

# 组合工具包
tools = [web_search, calculate]

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

# 创建代理执行器
agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    verbose=True,  # 开启详细日志，便于调试
    max_iterations=5,  # 限制最大迭代次数防止死循环
    handle_parsing_errors=True  # 尝试自动修复解析错误
)

def agent_invoke(user_input: str):
    result = agent_executor.invoke({"input": user_input})
    return result['output']

if __name__ == "__main__":
    text = input("请输入问题：")
    print(agent_invoke(text))

运行说明

1. 配置 .env 文件，填入 OPENAI_API_KEY 和 SERPAPI_API_KEY。
2. 运行脚本，输入自然语言问题。
3. 观察控制台输出的 Thought, Action, Observation 等中间步骤。

最佳实践与优化建议

1. 内存管理 (Memory)

虽然上述示例未显式引入 Memory 模块，但在长对话场景中，Agent 需要记住之前的上下文。可以使用 ConversationBufferMemory 或 VectorStoreRetrieverMemory 来存储历史对话，并将其注入到 Agent 的 Prompt 中。

2. 安全性考虑

当 Agent 拥有执行代码或访问外部 API 的工具时，存在安全风险。务必对工具输入进行校验，避免 SQL 注入或命令注入。对于 eval 等危险操作，建议使用沙箱环境或专门的计算库。

3. 迭代控制

设置 max_iterations 至关重要，防止 Agent 陷入无限循环。如果超过限制仍未解决，应触发终止逻辑并返回当前最佳结果。

4. 错误处理

在 AgentExecutor 中启用 handle_parsing_errors=True，可以让系统尝试重新解析失败的输出，提高鲁棒性。

总结

Agent 赋予了大模型行动的能力，使其不再局限于文本回答。通过 LangChain 框架，我们可以灵活地组合 LLM、工具和记忆，构建出具备自主决策能力的智能助手。随着技术的发展，Agent 的应用场景将从简单的问答扩展到自动化运维、数据分析、甚至硬件控制等领域。未来，私人 AI 助理的实现将更加贴近现实。

在实际开发中，开发者应关注模型的幻觉问题、工具调用的准确性以及系统的整体稳定性，持续优化 Prompt 和执行策略，以发挥 Agent 的最大效能。