【模型之美】13、LangChain智能代理系统全攻略：从工具调用到多特工协同决策

引言：为什么需要“会做决策”的AI代理？

在AI应用中，简单任务（如查询天气、翻译文本）可通过单工具调用完成，但复杂任务（如“推出一款新智能手表的市场策略”“分析股票投资价值”）需要多步骤推理、多工具协同和专业领域知识——这正是LangChain智能代理系统的核心价值。

传统AI工具存在三大局限：

• 单工具依赖：无法根据任务自动切换工具（如查订单→推荐商品→解答售后政策）；
• 无专业分工：面对跨领域任务（如“财务分析+市场调研”）时表现不佳；
• 决策能力弱：无法像人类团队一样分解任务、协调资源、解决冲突。

LangChain的代理系统（Agent）通过“决策+工具+协同”三大能力突破这些局限：

• 基础Agent：自动选择工具处理单领域任务（如电商客服查订单）；
• 多代理系统：由“决策中介”协调“专业特工”，处理跨领域复杂任务（如产品上市策略）。

本文整合两大文档核心技术，详解从基础工具调用到多特工协同的完整方案，包含60+代码片段、8张架构图和10个实战场景，帮你构建能“自主决策”的智能代理系统。

一、基础Agent：让AI学会“选择工具”

1.1 Agent的核心原理：从“被动执行”到“主动决策”

基础Agent通过“观察-思考-行动”循环实现自主决策，核心流程为：

1. 接收用户问题；
2. 分析是否需要工具（或直接回答）；
3. 选择最合适的工具并调用；
4. 根据工具返回结果继续决策（或结束）。

基础Agent工作流程图：

graph LR
    A[用户问题] --> B{Agent思考}
    B -->|无需工具| C[直接生成回答]
    B -->|需要工具| D[选择工具]
    D --> E[调用工具获取结果]
    E --> F{结果是否足够？}
    F -->|是| C
    F -->|否| D[继续调用工具]

关键代码：初始化基础Agent

from langchain.agents import initialize_agent, Tool
from langchain.chat_models import ChatOpenAI
from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate

# 1. 定义工具（以电商客服为例）
def search_order(order_id: str) -> str:
    """查询订单状态的工具"""
    # 实际应用中连接数据库
    mock_data = {
   
   
        "ORD-2023-1234": "已发货，预计3天后送达",
        "ORD-2023-5678": "未付款，订单保留24小时"
    }
    return mock_data.get(order_id, f"订单号{
     
     order_id}不存在")

def recommend_product(category: str) -> str:
    """推荐商品的工具"""
    mock_rec = {
   
   
        "手机": "推荐iPhone 15（新品优惠）、华为Mate 60（续航强）",
        "耳机": "推荐AirPods Pro（降噪好）、小米Buds 4（性价比高）"
    }
    return mock_rec.get(category, "暂无推荐商品")

# 2. 封装工具列表
tools = [
    Tool(
        name="SearchOrder",  # 工具名称
        func=search_order,  # 工具函数
        description="查询订单状态，输入为订单号（如ORD-2023-1234）"  # 工具描述（关键：帮助Agent判断何时使用）
    ),
    Tool(
        name="RecommendProduct",
        func=recommend_product,
        description="推荐商品，输入为商品类别（如手机、耳机）"
    )
]

# 3. 初始化Agent
llm = ChatOpenAI(model_name="gpt-3.5-turbo", temperature=0.7)
agent = initialize_agent(
    tools=tools,
    llm=llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,  # 零样本决策（根据工具描述选择）
    verbose=True,  # 打印决策过程
    max_iterations=3  # 最大迭代次数（避免死循环）
)

# 4. 测试Agent
result = agent.run("我的订单ORD-2023-1234到哪里了？")
print(result)  # 输出：已发货，预计3天后送达

result = agent.run("我想买耳机，有什么推荐？")
print(result)  # 输出：推荐AirPods Pro（降噪好）、小米Buds 4（性价比高）

决策过程解析（verbose=True打印）：

> Entering new AgentExecutor chain...
我的订单ORD-2023-1234到哪里了？
我需要查询订单状态，应该使用SearchOrder工具。
Action: SearchOrder
Action Input: ORD-2023-1234
Observation: 已发货，预计3天后送达
Thought: 我已经获取了订单状态，可以直接回答用户。
Final Answer: 您的订单已发货，预计3天后送达。
> Finished chain.

1.2 工具封装技巧：让Agent“看懂”工具用途

工具描述（description）是Agent选择工具的关键，需清晰说明适用场景和输入格式，避免歧义。

反例与正例对比：

工具	错误描述（模糊）	正确描述（精确）
查订单	“用于订单查询”	“查询订单状态，输入为订单号（格式：ORD-年份-数字，如ORD-2023-1234）”
推荐商品	“推荐东西”	“根据商品类别推荐产品，输入为类别名称（如手机、耳机、笔记本）”

1.3 多工具协同：处理复杂任务

当任务需要多个工具协同（如“查订单→推荐相关配件”），Agent会自动规划步骤：

# 测试多工具协同任务
result = agent.run("我的订单ORD-2023-1234买的是手机，能推荐配套的耳机吗？")
print(</