本文介绍了如何使用 LangChain 构建基于 LLM 的智能体（Agent）。内容涵盖从基础链到检索增强生成（RAG）再到代理的演进过程。重点演示了如何配置本地向量数据库、创建自定义工具（如文档检索和数学计算）、利用 ReAct 模式初始化代理，并展示了单轮问答与多轮对话的实现方式。通过实际代码示例，帮助开发者快速掌握 Agent 的核心逻辑与应用场景，同时补充了生产环境中的稳定性、成本与安全考量。
LangChain 是一个强大的框架，支持将外部数据源和计算资源连接到大型语言模型（LLM），从而构建复杂的应用程序。本文将带你从基础的 LLM 链开始，逐步构建检索链、对话检索链，最终实现一个能够自主决定行动的智能体（Agent）。
最简单的形式是只依赖提示模板中的信息来响应请求。这种模式适合知识固定的场景。
为了处理动态数据，我们可以构建检索链。它先从独立的数据库获取相关数据，再将其注入到提示模板中，增强回答的准确性。
在此基础上添加聊天记录管理，创建对话检索链。这使得 LLM 能够记住上下文，允许用户以自然对话的方式交互。
这是本教程的核心。与预设步骤的链不同，Agent 利用 LLM 的能力来决定下一步该做什么。它可以根据问题类型，自主选择调用工具或生成答案。
一句话概括：Agent（代理）是目前构建智能体的基础架构。
构建 Agent 的首要任务是确定其权限范围，即它可以访问哪些工具（Tools）。在本示例中，我们将配置两个核心工具：
llm-math，用于处理复杂的数值运算。简单来说，当用户询问电影细节时，Agent 会调用检索工具；当涉及计算时，则调用数学工具。
在开始之前，需要确保已安装必要的依赖库，如 langchain-community, faiss-cpu, torch 等。以下是初始化嵌入模型、加载网页数据并构建向量数据库的标准流程。
from langchain_community.document_loaders import WebBaseLoader
from langchain.embeddings.huggingface import HuggingFaceEmbeddings
import torch
from langchain_community.vectorstores import FAISS
from langchain_text_splitters import RecursiveCharacterTextSplitter
# 设置设备：优先使用 GPU (CUDA)，其次是 Apple Silicon (MPS)，最后是 CPU
EMBEDDING_DEVICE = "cuda" if torch.cuda.is_available() else "mps" if torch.backends.mps.is_available() else "cpu"
# 初始化嵌入模型
embeddings = HuggingFaceEmbeddings(
model_name='m3e-base',
model_kwargs={'device': EMBEDDING_DEVICE}
)
# 加载外部文档
loader = WebBaseLoader("https://baike.baidu.com/item/%E8%AE%A9%E5%AD%90%E5%BC%B9%E9%A3%9E/5358?fr=ge_ala")
docs = loader.load()
# 文档分块与向量化
text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
documents = text_splitter.split_documents(docs)
vector = FAISS.from_documents(documents, embeddings)
# 创建检索器
retriever = vector.as_retriever(search_kwargs={"k": 3})
首先，为刚刚创建的向量检索器封装一个工具接口，使其能被 Agent 识别。
from langchain.tools.retriever import create_retriever_tool
retriever_tool = create_retriever_tool(
retriever,
"rzdf_search",
"搜索有关电影《让子弹飞》的信息。对于任何关于《让子弹飞》的问题，你必须使用此工具！"
)
LangChain 提供了多种内置工具，这里我们加载数学计算工具。
from langchain.agents import load_tools
# 假设 llm 变量已经初始化好
tools = load_tools(['llm-math'], llm=llm)
将自定义工具和内置工具合并，形成 Agent 可用的工具集。
tools.append(retriever_tool)
现在我们可以利用 ReAct（Reasoning + Acting）模式创建代理。ReAct 是一种让模型先推理再行动的框架。
from langchain import hub
from langchain.agents import create_react_agent
from langchain.agents import AgentExecutor
# 拉取内置 Prompt 模板
prompt = hub.pull("hwchase17/react")
# 创建 Agent
agent = create_react_agent(llm, tools, prompt)
# 创建执行器，verbose=True 可打印中间思考过程
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
调用代理处理简单查询。
result = agent_executor.invoke({"input": "让子弹飞的导演是谁"})
print(result["output"])
如果设置了 verbose=True，你会看到完整的思维链（CoT）过程，包括模型如何决定调用哪个工具。
测试 Agent 对数学问题的处理能力。
result = agent_executor.invoke({
"input": "8 的立方根是多少？乘以 13.27，然后减去 5。"
})
print(result["output"])
Agent 同样支持维护上下文记忆。通过传入 chat_history，可以实现连续对话。
from langchain_core.messages import HumanMessage, AIMessage
chat_history = [
HumanMessage(content="让子弹飞是谁导演的"),
AIMessage(content="让子弹飞是姜文导演的。")
]
result = agent_executor.invoke({
"chat_history": chat_history,
"input": "这部电影什么时候上映的？"
})
print(result["output"])
虽然上述代码展示了 Agent 的基础用法，但在实际生产环境中，还需要考虑以下因素：
本文详细介绍了如何使用 LangChain 构建基于 LLM 的智能体。从环境搭建、向量数据库配置，到工具封装、ReAct 模式实现，再到多轮对话管理，涵盖了 Agent 开发的核心链路。掌握这些基础后，你可以进一步探索自定义工具、多 Agent 协作以及更复杂的业务逻辑集成。
未来，随着大模型能力的提升，Agent 将在自动化运维、数据分析、客户服务等领域发挥更大作用。建议开发者在实际项目中不断尝试不同的 Prompt 策略和工具组合，以找到最适合业务场景的解决方案。
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
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
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML转Markdown 互为补充。 在线工具，Markdown转HTML在线工具，online