PythonAI算法
LangChain 实战：Agent 思维框架与代码实现
本文介绍了 LangChain 中 Agent 的核心概念及 ReAct 思维框架，详细讲解了如何通过代码实现基于搜索和计算的智能定价 Agent。内容涵盖 Agent 的组成部分、ReAct 原理、从零搭建 Agent 的完整流程、自定义工具方法以及多 Agent 协作模式。文章还分析了常见 Agent 类型的区别，提供了调试技巧和最佳实践，旨在帮助开发者利用大模型构建具备自主决策能力的智能应用。
本文介绍了 LangChain 中 Agent 的核心概念及 ReAct 思维框架，详细讲解了如何通过代码实现基于搜索和计算的智能定价 Agent。内容涵盖 Agent 的组成部分、ReAct 原理、从零搭建 Agent 的完整流程、自定义工具方法以及多 Agent 协作模式。文章还分析了常见 Agent 类型的区别，提供了调试技巧和最佳实践，旨在帮助开发者利用大模型构建具备自主决策能力的智能应用。
大型语言模型（LLM）虽然具备强大的自然语言理解和生成能力，但其本质是基于训练数据预测下一个 token。这意味着它存在几个固有局限：无法访问实时信息、缺乏特定领域知识库、无法执行外部操作（如搜索、计算、调用 API）。为了解决这些问题，我们需要引入'外部工具'。当大模型需要通过自主判断调用外部工具来进一步完成任务时，LangChain 提供了 Agent（代理）模块。
Agent 的核心思想是让大模型像人类一样，通过观察环境、思考决策、采取行动来解决问题。在 LangChain 中，Agent 充当了连接大模型与外部工具的桥梁。
Agent 是一个抽象概念，当 LLM 无法仅凭自身内部知识准确回复用户请求时，Agent 会协助其调用外部工具。除了基础的代理概念外，LangChain 提供了一系列常用的 Agent 实现，例如用于数据库查询的 create_sql_agent，以及本文重点介绍的基于 ReAct 框架的通用 Agent。
我们可以从以下几个维度理解 Agent 的工作机制：
大模型是 Agent 的大脑。在 Agent 的工作过程中，LLM 负责逻辑推理、任务拆解和决策生成。它接收用户的输入和当前的状态信息，输出下一步的行动指令。
工具是 Agent 的手脚。这包括接口调用、文件处理、搜索引擎、计算器等。LangChain 封装了多种常用工具，开发者也可以自定义工具函数。
这是 Agent 的管家。当有多个代理协作时，负责调度分配任务。对于单个 Agent，它负责决定何时调用哪个工具，以及如何解析工具返回的结果。
ReAct（Reasoning + Acting）是 Agent 工作的核心思维框架。它模拟了人类解决问题的过程：先思考（Reasoning），再行动（Acting），然后根据观察结果再次思考。
以开发一个智能定价 Agent 为例：
这种'观察 - 思考 - 行动'的循环，将人类学习新任务并做出决策的能力赋予了 LLM。LangChain 的 Agent 类对 ReAct 进行了封装和实现，使得大模型获得了极大的自主性。
下面我们通过一个完整的 Demo，开发一个 Agent，帮助找到大蒜子的当前市场价格，并自动计算加价 20% 后的销售价格。
首先，我们需要安装 LangChain 及相关工具库。
pip install langchain
pip install openai
pip install google-search-results
这里我们使用了 SerpAPI，它是 Agent 需要的 Google 搜索工具，用于找出大蒜子的价格。同时需要 llm-math 工具来进行数学计算。
为了使用 OpenAI 的大模型和 SerpAPI 的搜索服务，需要配置环境变量。
import os
os.environ["OPENAI_API_KEY"] = "Your_OpenAI_API_Key_Here"
os.environ["SERPAPI_API_KEY"] = "Your_SerpAPI_Key_Here"
我们需要加载工具、初始化 Agent 以及指定使用的 LLM。
# 加载工具
from langchain.agents import load_tools
# 初始化 agent 工具
from langchain.agents import initialize_agent
from langchain.agents import AgentType
# 导入 LLM
from langchain.llms import OpenAI
这一步是核心。我们定义温度参数，加载搜索和计算工具，并选择 Zero-Shot ReAct 策略。
# 实例化 LLM，temperature=0 表示输出更确定
llm = OpenAI(temperature=0)
# 加载工具：serpapi 负责搜索，llm-math 负责计算 20%
tools = load_tools(["serpapi", "llm-math"], llm=llm)
# 初始化 Agent
# ZERO_SHOT_REACT_DESCRIPTION 的意思是使用 react 思维框架、不使用样本
agent = initialize_agent(
tools,
llm,
agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
verbose=True
)
运行 Agent，传入自然语言指令。
result = agent.run("目前市场上大蒜子的平均价格是多少？如果我在此基础上加价 20% 卖出，应该如何定价？")
print(result)
大模型根据 ReAct 框架，会自动生成如下推理链条：
> Entering new chain...
I need to find the current market price of garlic and then calculate the new price with a 20% markup.
Action: Search
Action Input: "Average price of garlic"
Observation: According to the study, the average price for garlic in Shandong is 4.2.
Thought: I need to calculate the new price with a 20% markup.
Action: Calculator
Action Input: 4.2 * 1.2
Observation: Answer: 5.04
Thought: I now know the final answer.
Final Answer: The new price with a 20% markup would be 5.04.
> Finished chain.
可以看到，Agent 自动完成了搜索、思考、计算三个步骤，无需人工干预中间过程。
LangChain 允许开发者编写自己的 Python 函数并将其注册为工具。这对于业务特定的逻辑非常有用。
from langchain.tools import BaseTool
class MyCustomTool(BaseTool):
name = "custom_search"
description = "用于查询特定内部系统的数据"
def _run(self, query: str):
# 这里可以写具体的业务逻辑
return f"查询结果：{query}"
def _arun(self, query: str):
raise NotImplementedError("This tool does not support async run.")
# 注册工具
my_tool = Tool(
name="MyCustomTool",
func=my_custom_function,
description="..."
)
除了单个 Agent，我们还可以同时使用多个 Agents。一个 Agent 的输出可以作为另一个 Agent 的输入。这便于将复杂任务分步细致地解决。例如，一个 Agent 负责数据收集，另一个 Agent 负责数据分析。
在 LangChain 中，不同的 Agent 类型适用于不同的场景：
在实际开发 Agent 时，可能会遇到以下问题：
max_iterations 参数限制最大步数。驱动 Agent 工作的是 ReAct 思想框架。通过结合大模型的推理能力和外部工具的执行力，Agent 能够完成复杂的任务闭环。
在实际应用中，需要注意以下几点：
LangChain 的 Agent 模块极大地扩展了大模型的应用边界，使其从单纯的对话机器人转变为能够执行任务的智能助手。随着技术的发展，未来我们将看到更多自主规划、多模态交互的 Agent 出现。
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