用LangChain手搓一个数学Agent：工具、执行器与边界控制

如果想省事，直接把函数加上 @tool，装饰器会自动提取函数名、文档字符串作为描述，参数类型也会自动映射。

from langchain.tools import tool

@tool
def add(a: int, b: int) -> int:
    """Adds two numbers together"""
    return a + b

print(add.name)
print(add.description)
print(add.args)

两种方法跑起来差别不大，选哪个看个人习惯。后面我们组装 Agent 的时候就用装饰器方式。

搭建数学 Agent

需要一个 LLM、几个工具、一个 Prompt，再套上 AgentExecutor 就能跑。LLM 我用的是 gpt-4o-2024-05-13，温度设 0，免得它浪。

定义工具与 Toolkit

先把加法和乘法写了，然后放到一个 MathToolkit 里统一管理。Toolkit 的由来是 LangChain 的一个习惯性封装，方便后面提取工具列表。

from typing import List
from langchain_core.tools import BaseToolkit
from langchain.tools import tool

@tool
def add(a: int, b: int) -> int:
    """Adds two numbers together"""
    return a + b

@tool
def multiply(a: int, b: int) -> int:
    """Multiplies two numbers together"""
    return a * b

class MathToolkit(BaseToolkit):
    def get_tools(self) -> List:
        return [add, multiply]

提示词与 LLM

Prompt 是这个 Agent 的灵魂。你得在 system 消息里把它的行为边界画清楚：只回答数学问题，没有对应工具就说'我没办法'。我还给它个回答格式的例子，省得它啰嗦一堆。

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain.agents import create_tool_calling_agent, AgentExecutor

llm = ChatOpenAI(model="gpt-4o-2024-05-13", temperature=0)

prompt = ChatPromptTemplate.from_messages([
    ("system", """
      You are a mathematical assistant. Use your tools to answer questions.
      If you do not have a tool to answer the question, say so.
      Return only the answers. e.g.
      Human: What is 1 + 1?
      You: 2
      """),
    MessagesPlaceholder("chat_history", optional=True),
    ("human", "{input}"),
    MessagesPlaceholder("agent_scratchpad"),
])

组装与运行

把工具列表塞给 create_tool_calling_agent 生成 Agent，然后包一层 AgentExecutor，就能调用了。

tools = MathToolkit().get_tools()
agent = create_tool_calling_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

result = agent_executor.invoke({"input": "what is (1 + 3) * 6"})
print(result)

verbose=True 会打印每一步的思考过程，调试的时候很有用，但正式环境最好关掉，不然日志爆炸。

测试非数学输入

故意问一个时间问题，看它会不会越界。

result = agent_executor.invoke({"input": "What is the time now?"})
print(result["output"])

如果 Prompt 写得到位，Agent 会说自己没有时间相关的工具，无法回答。要是它开始胡编，那说明 system 提示词还得改。

几个踩坑心得

• 工具描述别太简略。LLM 真的会看 description 来决策，写一两句说明加上使用场景示例，效果好很多。
• 参数类型尽量用 Pydantic 约束。装饰器方式虽然自动推断，但如果你参数复杂，自定义 BaseTool 加 args_schema 更稳妥。
• Prompt 里的示例（Few-shot）别省。我习惯在 system 消息里塞一两个 Q&A 例子，能显著减少 Agent 说废话的概率。
• 线上部署记得给工具加上异常捕获。_run 方法里 try-except 一下，免得某个工具出错直接把整个对话搞挂。
• Token 开销会涨。Agent 交互可能会来回多轮，观察下你的成本，必要时限制步数。

相关文档链接，基本都在 LangChain 官方站，按需翻看：

• 内置工具清单：LangChain Tools Integration
• Agent 类型和选用：Agent Types
• AgentExecutor 接口：Agent Executor API
• BaseTool 细节：BaseTool API
• 自定义工具参考：Custom Tools Guide

上面这些是写本文时用的版本，LangChain 迭代快，碰上不一致的地方以最新文档为准。

就这么几行代码，一个能算加减乘的 Agent 就搭好了。实际项目里你可以往 Toolkit 里塞各种工具，数据库查询、API 调用、文件操作……只要把工具描述和 Prompt 配合好，Agent 就能自己挑着用。别指望它 100% 听话，但多数时候够用。