LangChain 智能体执行引擎 AgentExecutor 详解与实战

创建 AgentExecutor 时，几个关键参数决定了它的表现，咱们一个个说清楚（直接用表格更直观）：

这些参数里，verbose=True 和 max_iterations 是开发时必设的——前者帮你看清楚执行过程，后者帮你避免程序崩掉。

五、使用场景：什么时候该用 AgentExecutor？

只要你的智能体需要执行多步骤任务，AgentExecutor 就必须用！常见场景有这 4 类：

1. 多步骤工具调用：比如'先查商品价格，再算折扣价''先查天气，再推荐穿搭'；
2. 工具依赖任务：比如预订航班，需要先调用'查航班'工具，再调用'订机票'工具，最后调用'发短信通知'工具；
3. 复杂推理任务：比如数学题需要多次尝试不同公式，逻辑推理需要逐步验证；
4. 生产环境部署：需要保证服务稳定，自动处理超时、限流、格式错误等异常。

六、LangChain 实战：用 AgentExecutor 跑通多步骤任务

咱们用之前学的 ReAct Agent，结合 AgentExecutor，做一个'查北京气温并转换为华氏度'的任务——先查摄氏度，再调用计算工具转换，全程让 AgentExecutor 管执行。

6.1 实战步骤：先准备工具和智能体

首先安装依赖（如果没装的话）：

pip install langchain langchain-openai

6.2 完整代码

from langchain_openai import ChatOpenAI
from langchain.agents import create_react_agent, AgentExecutor, load_tools
from langchain_core.prompts import ChatPromptTemplate

# 1. 初始化大模型（通义千问，替换成自己的 api_key）
llm = ChatOpenAI(
    model_name="qwen-plus",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
    api_key="sk-xxx",
    temperature=0.3
)

# 2. 加载工具：天气查询工具 + 计算工具
tools = load_tools(["openweathermap","calculator"], llm=llm)

# 3. 定义 ReAct Agent 的提示词模板
react_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个助手，能调用工具解决问题。先思考需要做什么，再调用合适的工具。"),
    ("human", "{input}"),
    ("placeholder", "{agent_scratchpad}") # 存储思考、行动、观察记录
])

# 4. 创建 ReAct 智能体
react_agent = create_react_agent(
    llm=llm,
    tools=tools,
    prompt=react_prompt
)

# 5. 创建 AgentExecutor（核心：执行引擎）
agent_executor = AgentExecutor(
    agent=react_agent,
    tools=tools,
    verbose=True, # 开启日志，看执行过程
    max_iterations=3, # 最多执行 3 步，防死循环
    handle_parsing_errors=True, # 自动处理解析错误
    return_intermediate_steps=True # 返回中间步骤，方便调试
)

# 6. 执行任务：查北京气温并转换为华氏度
task = "查询北京现在的气温（摄氏度），并转换为华氏度，最后告诉我结果。"
response = agent_executor.invoke({"input": task})

# 7. 输出结果
print("\n最终结果：", response["output"])
print("\n中间步骤：")
for step in response["intermediate_steps"]:
    print(f"步骤：{step}")

6.3 运行结果解读

开启 verbose=True 后，控制台会输出详细执行过程，大概是这样：

> Entering new AgentExecutor chain...
我需要先查询北京的气温（摄氏度），再用计算器转换为华氏度。
Action: openweathermap
Action Input: 北京
Observation: Current weather in 北京：clear sky, temperature: 25°C
Thought: 现在知道北京气温是 25 摄氏度，需要转换为华氏度，公式是华氏度=摄氏度×9/5 +32。
Action: calculator
Action Input: 25 * 9 / 5 + 32
Observation: 77.0
Thought: 已经算出结果，25 摄氏度等于 77 华氏度，可以直接回答用户。
Final Answer: 北京现在的气温为 25 摄氏度，转换为华氏度是 77 华氏度。
> Finished chain.
最终结果：北京现在的气温为 25 摄氏度，转换为华氏度是 77 华氏度。
中间步骤：
步骤：(ToolCall(...), 'Current weather in 北京：clear sky, temperature: 25°C')
步骤：(ToolCall(...), '77.0')

可以看到：AgentExecutor 自动完成了'查天气→算华氏度→返回结果'的两步循环，还记录了每一步的行动和结果，完全不用我们写循环和日志代码！

七、避坑技巧：让 AgentExecutor 稳定运行的 5 个要点

1. 调试必开 verbose=True：不管什么任务，开发时先开日志，能快速定位'思考错了'还是'工具调用错了'；
2. 合理设置 max_iterations：简单任务设 3-5 步，复杂任务设 8-10 步，太多浪费资源，太少完不成任务；
3. 自定义错误处理逻辑：如果 handle_parsing_errors=True 满足不了需求，可以写自定义函数，比如'解析错误时提示用户重新提问'；
4. 生产环境关 verbose：日志会占用资源，生产时设为 False，只保留必要的错误日志；
5. 集成 LangSmith 做追踪：复杂任务可以集成 LangSmith，能看到更详细的执行链路、耗时、错误率，方便优化。

八、总结

今天咱们学会了 AgentExecutor 这个'执行管家'，核心要点总结 3 句话：

1. AgentExecutor 帮我们搞定智能体执行的杂活：循环、错误、防死循环、日志；
2. 关键参数要记牢：verbose（调试）、max_iterations（防死循环）、handle_parsing_errors（错误处理）；
3. 只要是多步骤智能体任务，都要用它——开发效率翻倍，稳定性也大大提升。

有了 AgentExecutor，咱们后续开发复杂智能体（比如智能助手、数据分析机器人）就轻松多了，不用再纠结执行层面的细节，专心设计任务逻辑和工具就行～