LangChain Agent 基础入门：LLM 外部工具调用

4. 实例化 LLM 与 Agent

创建 LLM 实例，加载搜索和数学计算工具，并初始化 Agent。

llm = OpenAI(temperature=0)
# serpapi 负责搜索，llm-math 负责计算 20%
tools = load_tools(["serpapi", "llm-math"], llm=llm)
# ZERO_SHOT_REACT_DESCRIPTION 表示使用 React 思维框架，不使用样本提示
agent = initialize_agent(
    tools, 
    llm, 
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, 
    verbose=True
)

5. 执行任务

运行 Agent 并传入自然语言指令。

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？")

OpenAI 模型通常会输出详细的 Thought-Action-Observation 过程，并最终给出定价建议。

国产模型集成方案

原生 LangChain 主要支持 OpenAI 生态，对于文心一言、智谱 AI 等国产模型，通常需要自定义 LLM 类进行适配。

文心一言集成

需自定义 Wenxin_LLM 类继承自 LangChain 的 BaseLLM 接口。

import os
from dotenv import find_dotenv, load_dotenv
_ = load_dotenv(find_dotenv())

wenxin_api_key = os.environ.get("wenxin_api_key")
wenxin_secret_key = os.environ.get("wenxin_secret_key")
os.environ["SERPAPI_API_KEY"] = "Your_SerpAPI_API_Key"

from langchain.agents import load_tools, initialize_agent, AgentType
from wenxin_llm import Wenxin_LLM  # 假设已自定义该类

llm = Wenxin_LLM(api_key=wenxin_api_key, secret_key=wenxin_secret_key)
tools = load_tools(["serpapi", "llm-math"], llm=llm)
agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True)

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？")

*注意：部分国产模型直接调用可能因上下文长度限制导致报错，需调整 Prompt 或截断策略。

智谱 AI 集成

类似地，智谱 AI 也需要自定义 LLM 适配器。

import os
zhipuai.api_key = "Your_Zhipu_API_Key"
os.environ["SERPAPI_API_KEY"] = "Your_SerpAPI_API_Key"
import zhipuai

from langchain.agents import load_tools, initialize_agent, AgentType
from zhipuai_llm import ZhipuAILLM  # 假设已自定义该类

llm = ZhipuAILLM(model="chatglm_std", temperature=0, zhipuai_api_key=zhipuai.api_key)
tools = load_tools(["serpapi", "llm-math"], llm=llm)
agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True)

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？")

智谱模型通常能较好地完成搜索与计算任务，输出包含具体的 Action 和 Final Answer。

最佳实践与常见问题

1. 温度设置 (Temperature)

在 Agent 任务中，建议将 temperature 设置为 0 或较低值。Agent 需要遵循确定的逻辑流程，过高的随机性可能导致工具调用顺序混乱。

2. 工具选择

并非所有工具都适合所有场景。例如，llm-math 适合简单算术，复杂数学问题建议使用 Wolfram Alpha 插件。serpapi 适合实时信息，但需注意隐私合规。

3. 错误处理

Agent 可能会陷入死循环（如反复调用同一工具）。建议在 initialize_agent 时设置 max_iterations 限制最大步数，防止 Token 耗尽。

4. 自定义 LLM 注意事项

在使用非 OpenAI 模型时，务必确保自定义类实现了 generate 或 call 方法，且返回格式符合 LangChain 预期。同时注意模型的上下文窗口大小，长对话可能需要分段处理。

总结

通过 LangChain 的 Agent 模块，开发者可以将大模型从单纯的文本生成器转变为能够感知环境、调用工具的自主智能体。ReAct 框架提供了清晰的推理路径，而多样化的工具链则扩展了模型的能力边界。在实际应用中，结合合适的模型与工具，可以构建出解决复杂现实问题的 AI 应用。