LangChain Agents代理实战：零代码构建能思考会行动的AI智能体

你是否觉得大语言模型像一位博学的顾问，但有时却“眼高手低”？它知道许多知识，却无法告诉你今天的天气，也算不准复杂的数学题。这正是 LangChain 中 Agents（代理） 要解决的问题。简单来说，Agents 让 AI 拥有了“手”和“脚”，它不仅能思考，还能调用工具去执行任务。

为什么我们需要 Agents？打破 AI 的能力边界

想象一个场景：你有一位知识渊博的助理，但他被关在一个没有网络、没有计算器的房间里。

• 你问他：“2024年奥运会在哪里举办？”他可能回答：“我的知识截止到2021年。”——这是 时效性问题。
• 你问他：“354的2.5次方是多少？”他可能会给你一个“幻觉”出的答案。——这是 精确计算的能力缺陷。

大语言模型（LLM）本质上是“大脑”，擅长理解和生成语言，但缺乏与现实世界交互和执行具体操作的能力。Agents 的出现，就是为了给这个强大的“大脑”配上得力的“工具”。

Agent = LLM（大脑）+ Tools（工具）+ AgentExecutor（执行器）

通过这个组合，AI 可以：

• 上网搜索最新信息。
• 进行精确计算。
• 查询数据库、操作文件、甚至执行代码。

LangChain Agent 的核心架构与工作模式

一个完整的 Agent 系统主要由三个核心部件构成：

• LLM（大脑）：负责决策和规划，决定下一步该使用哪个工具。
• Tools（工具集）：具体执行任务的函数，如计算器、搜索引擎、Python解释器等。
• AgentExecutor（执行器）：驱动整个“思考 -> 行动 -> 观察”循环的引擎。

其中最经典的工作模式是 ReAct（Reasoning + Acting）模式。AI 会像人一样一步步推理：

1. 思考 (Reasoning)：分析问题，决定需要什么信息或操作。
2. 行动 (Acting)：调用合适的工具。
3. 观察 (Observation)：获取工具返回的结果。
4. 再思考 (Reasoning)：基于观察结果，决定下一步是继续调用工具还是给出最终答案。

这个过程可以用一个简单的骨架图表示：

用户提问: "Tom Mitchell 写的书叫什么？"
    |
    v
[Agent (LLM)] --> 思考: "我不知道，但我有 Wikipedia 工具"
    |
    v
[Tool: Wikipedia] --> 执行: 搜索 "Tom Mitchell"
    |
    v
[Agent (LLM)] <-- 观察: "Tom Mitchell 写了 Machine Learning 这本书"
    |
    v
[Agent (LLM)] --> 思考: "我知道答案了"
    |
    v
最终回答: "他写的书叫 Machine Learning"

实战：用 Python 代码构建你的第一个 AI 代理

理论讲完了，我们来动手实现。以下代码将展示如何创建具备不同能力的 Agents。

首先，进行基础的环境设置和模型初始化：

import os
from langchain_openai import ChatOpenAI
from langchain_community.agent_toolkits.load_tools import load_tools
from langchain.agents import initialize_agent
from langchain.agents import AgentType
from langchain.agents import tool
from langchain_experimental.utilities import PythonREPL
from langchain_experimental.agents.agent_toolkits import create_python_agent
from langchain_experimental.tools.python.tool import PythonREPLTool
from dotenv import load_dotenv, find_dotenv

# 加载环境变量
_ = load_dotenv(find_dotenv())

# 配置 OpenAI API Key 和 Base URL (适配 DeepSeek)
api_key = os.getenv("OPENAI_API_KEY")
base_url = os.getenv("OPENAI_API_BASE")
model_name = os.getenv("OPENAI_MODEL_NAME")

print(f"🚀 正在启动...")
# 🚀 正在启动...
print(f"🤖 模型名称: {model_name}")
# 🤖 模型名称: deepseek-chat
print(f"🔗 API Base: {base_url}")
# 🔗 API Base: https://api.deepseek.com

# 初始化 LLM (适配 DeepSeek)
llm = ChatOpenAI(
    temperature=0.0,
    model=model_name,
    base_url=base_url,
    api_key=api_key,
    tiktoken_model_name="gpt-3.5-turbo",
)

案例一：打造数学与百科全能助手

我们给 Agent 加载 llm-math（计算器）和 wikipedia（维基百科）两个内置工具。

print(“\n--- 1. 使用内置工具 (Built-in Tools) ---“)
# --- 1. 使用内置工具 (Built-in Tools) ---
# 加载工具：llm-math (数学计算), wikipedia (维基百科)
# 注意：DeepSeek 等模型可能无法直接访问外网，wikipedia 工具依赖本地网络环境
tools = load_tools([“llm-math“, “wikipedia“], llm=llm)

# 初始化 Agent
# CHAT_ZERO_SHOT_REACT_DESCRIPTION:
# - CHAT: 针对对话模型优化
# - ZERO_SHOT: 不需要示例
# - REACT: Reasoning + Acting (推理+行动)
agent = initialize_agent(
    tools,
    llm,
    agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION,
    handle_parsing_errors=True,
    verbose=True,
)

# 提问 1: 简单的数学题
print(“\n[提问 1] Math Question:“)
# [提问 1] Math Question:
result = agent.run(
“300 的 25% 是多少？请用中文回答。Please start your final answer with ‘Final Answer:‘.“
)
print(f”最终结果: {result}“)
# 最终结果: 300的25%是75。

# 提问 2: 结合搜索和计算
# 这个问题需要先查 Wikipedia (Tom M. Mitchell 是谁，写了什么书)，再计算
print(“\n[提问 2] Wikipedia + Math:“)
# [提问 2] Wikipedia + Math:
question = “Tom M. Mitchell 是一位美国计算机科学家。他写了什么书？这本书的页数（如果有提到）的平方根是多少？请用中文回答。Please start your final answer with ‘Final Answer:‘.“
# 注意：Wikipedia 的内容可能会变，Agent 的回答取决于查到的内容
try:
    result = agent.run(question)
    print(f”最终结果: {result}“)
# 最终结果: Tom M. Mitchell写了一本名为《Machine Learning》的教科书。根据常见版本，这本书的页数约为414页，其平方根约为20.347。
except Exception as e:
    print(f”运行出错 (可能是网络问题或解析错误): {e}“)

运行输出节选：

> Entering new AgentExecutor chain...
Thought: 我需要计算300的25%，这是一个简单的百分比计算问题，可以使用计算器工具。
Action:

{
"action": "Calculator",
"action_input": "300 * 0.25"
}

Observation: Answer: 75.0
Thought:我已经通过计算器得到了结果，300的25%等于75。
Final Answer: 300的25%是75。
...

可以看到，Agent 清晰展示了其思考链（Thought），并正确调用了计算器工具。

案例二：授予 AI 编写与执行代码的能力

对于排序、数据转换等任务，直接让 AI 写代码往往更高效。我们可以使用 PythonREPLTool。

print(“\n--- 2. 使用 Python REPL 工具 ---“)
# --- 2. 使用 Python REPL 工具 ---
# Python REPL 让 AI 可以写 Python 代码并执行
agent_python = create_python_agent(
    llm, tool=PythonREPLTool(), verbose=True, handle_parsing_errors=True # 添加容错处理
)

customer_list = [
    [“Harrison“, “Chase“],
    [“Lang“, “Chain“],
    [“Dolly“, “Too“],
    [“Elle“, “Elem“],
    [“Geoff“, “Hinton“],
    [“Roba“, “Robert“],
    [“Thomas“, “Weiss“],
    [“Cohen“, “David“],
]

print(“\n[提问 3] Sorting with Python:“)
# [提问 3] Sorting with Python:
# DeepSeek 可能会返回带格式的代码块或其他非标准格式，这里明确指示
try:
    result = agent_python.run(
f“”“对这些客户按照姓氏(last name)然后是名字(first name)进行排序，并打印输出结果: {customer_list}。
        请用中文回答。Please start your final answer with ‘Final Answer:‘.“”“
    )
    print(f”最终结果: {result}“)
# 最终结果: 按照姓氏（last name）然后是名字（first name）排序后的结果为：[[‘Lang‘, ‘Chain‘], [‘Harrison‘, ‘Chase‘], [‘Cohen‘, ‘David‘], [‘Elle‘, ‘Elem‘], [‘Geoff‘, ‘Hinton‘], [‘Roba‘, ‘Robert‘], [‘Dolly‘, ‘Too‘], [‘Thomas‘, ‘Weiss‘]]。
except Exception as e:
    print(f”运行出错: {e}“)

Agent 成功理解了任务，并写出了正确的排序代码 sorted(customer_list, key=lambda x: (x[1], x[0]))。

案例三：创建自定义工具

如果内置工具不满足需求，我们可以轻松创建自定义工具。只需要使用 @tool 装饰器。

print(“\n--- 3. 自定义工具 (Custom Tool) ---“)
# --- 3. 自定义工具 (Custom Tool) ---
from langchain.tools import tool
from datetime import date

@tool
def time(text: str) -> str:
“”“返回今天的日期。
    当需要回答关于今天日期的问题时使用此工具。
    输入应该始终为空字符串，
    此函数始终返回今天的日期。
    任何日期计算都应在此函数之外进行。”“”
    return str(date.today())

# 初始化一个新的 Agent，加入自定义工具
agent_custom = initialize_agent(
    tools + [time],  # 把 time 工具加进去
    llm,
    agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION,
    handle_parsing_errors=True,
    verbose=True,
)

print(“\n[提问 4] Custom Tool (Date):“)
# [提问 4] Custom Tool (Date):
try:
    result = agent_custom.run(
“今天的日期是多少？请用中文回答。Please start your final answer with ‘Final Answer:‘.“
    )
    print(f”最终结果: {result}“)
# 最终结果: 今天的日期是2026年3月3日。
except Exception as e:
    print(f”运行出错: {e}“)

自定义的 time 工具被成功集成，Agent 能够调用它来获取当前日期。

核心总结与展望

通过以上实战，我们可以清晰地把握 Agents 开发的精髓：

1. Agent 是 AI 应用的进化方向：它让 AI 从被动的信息提供者，转变为能主动规划并执行复杂任务的智能体。
2. Tools 定义能力边界：一个 Agent 的强大与否，关键在于其拥有的工具集。从计算、搜索到控制硬件，可能性无限。
3. 理解 ReAct 循环至关重要：这是调试和优化 Agent 的关键。通过观察其“思考-行动”链，我们能精准定位问题所在。
4. 高度可扩展性：LangChain 提供了从内置工具、社区工具到完全 自定义工具 的完整路径，方便你为 AI 装配任何所需的“技能”。

一句话概括：Agents 技术正在将大语言模型从“聊天伙伴”转变为真正的“数字员工”。无论是数据分析、自动化流程还是复杂的 Python开发，基于 Agents 构建的应用都将极大地提升我们的工作效率。希望这篇来自 云栈社区 的实战指南能帮助你快速入门，开启智能体开发之旅。