基于LangChain构建一个简单的Agent代理

最新推荐文章于 2025-04-19 09:00:00 发布

八戒洗发用飘柔

最新推荐文章于 2025-04-19 09:00:00 发布

阅读量889

点赞数 9

分类专栏： LLM开发文章标签： langchain 语言模型 ai

本文链接：https://blog.youkuaiyun.com/java_lover222/article/details/140847904

版权

摘要：本文说明如何基于LangChain构建一个简单的Agent代理；使用OpenAi模型和TAVILY搜索。

该Agent代理具备读取历史信息的能力。

在介绍之前首先说明如何在Pycharm中配置代理。这样就可以使用LangSmith来进行追踪和TAVILY来搜索。

Pycharm打开，依次点积File，Settings，Appearance&behavior、System settings、HTTP Proxy，选择Manual proxy configuration，选择HTTP，以我为例，我挂着clash小猫，打开电脑网络设置的代理。

将IP地址、端口、下面的文本框分别粘贴复制到刚才打开的Pycharm中的相应地址，点击check connection，输入谷歌网址进行测试。测试成功即可。

上面介绍完了如何在Pycharm中使用代理，下面进入正题。根据我当前的理解，agent的工作流程是

接收输入：代理接收用户的输入消息，并开始处理。
启动代理链：代理链启动，准备处理输入数据。
调用工具或服务ÿ

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

八戒洗发用飘柔

关注关注

9
点赞
踩
18

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

基于LangChain构建安全Agent应用实践（含代码）

云上笛暮

10-30

1473

本文基于langchain和Cyber Security Breaches数据集构建Agent，并基于该Agent实现了数据分析、趋势图输出、预测攻击态势三个功能，最后给出Agent在安全领域应用的三点启示。

LangChain ：构建个人AI代理从这里开始

mate1357的博客

07-11

393

总之，LangChain 中的代理是一个强大的工具，可以帮助创建对语言模型和其他工具的复杂调用链。它们可以定制以满足特定需求，无论是针对小型任务还是更复杂的长期运行任务。关键是要了解代理的不同组件以及它们如何协同工作以根据用户输入做出决策。

参与评论您还未登录，请先登录后发表或查看评论

手把手教你用 LangChain 实现大模型 Agent

机器学习社区

03-22

3574

介绍如何构建LLM智能体系统。

从入门到进阶带你开发AI Agent智能体之LangChain入门

最新发布

2401_85325726的博客

04-19

830

如果你真的想学习大模型，请不要去网上找那些零零碎碎的教程，真的很难学懂！你可以根据我这个学习路线和系统资料，制定一套学习计划，只要你肯花时间沉下心去学习，它们一定能帮到你！

langchain构建一个 Agent 的过程

大多_C的博客

06-01

1471

在使用大型语言模型（LLM）时，语言模型本身无法直接采取行动，只能输出文本。LangChain 的一个重要用例是创建代理（Agents）。代理是使用 LLM 作为推理引擎的系统，用于确定应采取哪些行动以及这些行动的输入应该是什么。然后，这些行动的结果可以反馈给代理，它会确定是否需要更多行动，或者是否可以结束。在这个教程中，我们将构建一个可以与多种不同工具进行交互的代理：一个是本地数据库，另一个是搜索引擎。您将能够向这个代理提问，观察它调用工具，并与它进行对话。我们需要创建一些工具供代理使用。

LangChain Agent最全教程学习

2301_81888214的博客

05-06

2968

LangChain Agent的终极指南，本教程是您使用 Python 创建第一个agent的重要指南，请立即开始你的 LLM 开发之旅。

基于LangChain快速实现Agent应用，如何快速掌握大模型技术？_基于langchain快速实现agent应用,如何快速掌握大模型技术

2401_85328934的博客

07-02

1115

这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。Agent 构建在大语言模型的推理能力基础上，对大语言模型的 Planning 规划的方案使用工具执行（Action） ,并对执行的过程进行观测（Observation）,保证任务的落地执行。作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

LangChain（6）构建用户自己的Agent

weixin_40994552的博客

07-15

3439

LangChain 中有一些可用的Agent内置工具，但在实际应用中我们可能需要编写自己的Agent。

用LangChain实现一个Agent

xxue345678的博客

12-16

1342

上面，我们抛开了 LangChain，基于 OpenAI Python 程序库实现了一个 Agent，主要是为了让你更好地理解 Agent 的运作机理。其中最核心的部分就是一个循环，不断地执行各种动作，直到判断运行的结果是停下来。现在，你已经知道了 Agent 是怎样运作的，这一讲，我们再回来看看如何用 LangChain 实现一个 Agent，相信有了之前的铺垫，这一讲的代码就比较容易理解了。基于 LangChain 实现的 Agent工具。

X-AI 是一个基于LangChain4j构建的具备多模态、RAG、流程编排能力的AI平台

04-18

X-AI平台是一个基于LangChain4j框架构建的人工智能系统，它不仅融合了多模态处理能力，还集成了RAG（Retrieval-Augmented Generation）和流程编排技术，使其在处理复杂信息和执行任务时具有更高的灵活性和效率。...

【可能是全网最丝滑的LangChain教程】十九、LangChain进阶之Agents

Jeffray1991的博客

07-29

1547

LangChain 的代理（Agents）模块允许开发者使用语言模型作为推理引擎，以动态确定执行的一系列动作，而不是硬编码这些动作。

LangChain Agent（代理）技术实现及代码学习

pythonhy的博客

05-17

1423

LangChain Agent（代理）技术实现及代码学习

基于LangChain框架如何构建一个Kubernetes的AI Agent

2401_84204207的博客

08-26

902

本文介绍了Agent的概念、原理，以及如何通过LangChain来打造一个K8s魔法师自动运维工具[KubeWizard]。曾几何时，我们也幻想过AI能否替代人类做一部分工作，大模型时代，好像未来并不遥远。展望一下未来，具有意识和情感的智能体有没有可能在不远的将来出现呢。

第27篇：深入剖析：LangChain的自定义Agent实践

Gemini的博客

06-30

2037

我们首先定义三个自定义Tool，分别用于搜索、数学计算和获取当前日期。通过这篇博客，我们详细介绍了如何使用LangChain库创建自定义Agent，集成搜索、数学计算和获取当前日期的功能。定义自定义Tool：创建用于搜索、数学计算和获取当前日期的工具。创建Plan and Execute Agent：将工具集成到Agent中，并实现任务的自动执行。集成功能：分别实现搜索、数学计算和获取当前日期功能的Agent应用。测试Agent：通过不同的提示语测试Agent的综合能力。

LangChain与Agent实现

小马过河R的博客

11-22

2605

LangChain是一个开源框架，旨在帮助开发人员使用大型语言模型（LLMs）构建应用程序。它通过提供一系列工具、组件和接口，简化了创建由LLMs和聊天模型提供支持的应用程序的过程。有网友猜测，之所以选择鹦鹉作为 LangChain 的 logo，是因为大模型常被戏称为“随机鹦鹉”，即它只是模仿人类输出的文本，缺乏真正的理解能力。而 LangChain 则别出心裁地将鹦鹉（🦜）与链条（🔗）组合在一起，寓意其在提高大模型能力方面的作用。

langchain的Agent概述

qq_51319003的博客

09-01

1415

定义一个class- 工具：默认搜索- 提示词：定义agent要做什么任务- outparse：约束LLM的行为和输出- 不同的LLM不同的质量自定义toolsimport reimport osreturn [Tool(description="适用于当你需要回答关于当前事件的问题时",案例# 引入向量化的类import reimport os#自定义工具类return [Tool(description="当你需要回答2024年NBA冠军球队的问题时使用",

Langchain构建Agent

qq_52241167的博客

04-17

543

语言模型只能输出文本，无法执行操作。Agent是使用LLM作为推理引擎来确定要执行的操作以及这些操作的输入应该是什么。然后根据结果，Agent进行执行。创建Agent的API。

langChain之实现Agent的几种方式

sinat_35153174的博客

04-15

1091

作为LangChain的核心控制中枢，AgentExecutor通过「推理-执行-反馈」循环机制，实现了LLM从简单问答到复杂任务处理的能力跃迁。其本质是一个状态机，通过维护执行上下文（Execution Context）协调智能体与工具的交互。通过组合LangChain的LLMChain和ToolChain实现基础智能体，适用于简单任务场景。开发者需要手动管理工具调用逻辑和状态传递。面向多轮对话优化的结构化代理，通过维护会话上下文和实体记忆，实现自然流畅的复杂交互。特别适合需要持续状态管理的场景。

langchain构建自定义工具agent

01-03

### 使用LangChain创建自定义工具Agent #### 准备工作梳理为了构建能够执行特定任务（如SQL查询）的自定义Agent，需先安装并导入必要的Python库。这通常涉及`langchain`及其依赖项以及其他可能用于数据处理或API调用的相关模块[^1]。 ```bash pip install langchain sqlalchemy pandas ``` 接着，在编写具体逻辑前，应明确定义目标——即希望此Agent完成的任务是什么？对于本案例而言，则是要实现一个能与SQL数据库对话的功能性组件。 #### 定义自定义Tool类基于上述需求分析，下面展示了一个简单的名为`SqlExecutor`的自定义Tool类的设计： ```python from typing import Dict, Any import pandas as pd from sqlalchemy import create_engine class SqlExecutor: """A tool that executes SQL queries against a database.""" def __init__(self, connection_string: str): self.engine = create_engine(connection_string) def run(self, query: str) -> pd.DataFrame: with self.engine.connect() as conn: result = conn.execute(query) columns = result.keys() rows = result.fetchall() return pd.DataFrame(rows, columns=columns) ``` 这里通过继承实现了基本接口方法`run()`，它接受一条SQL语句作为参数，并返回由Pandas DataFrame表示的结果集。此外还初始化了连接到指定数据库所需的引擎对象。 #### 实例化Tools并将其实例加入列表一旦完成了对各个独立功能单元（即不同类型的Tool）的设计之后，就可以按照如下方式将其实例化并收集起来形成集合形式供后续操作使用[^2]: ```python sql_executor = SqlExecutor('sqlite:///example.db') tools = [sql_executor] ``` 此处假设已经存在一个SQLite数据库文件位于当前目录下命名为`example.db`；当然也可以替换为其他支持的数据源路径表达式以适应不同的应用场景。 #### 配置Action Schema 为了让代理更好地理解如何利用这些工具所提供的能力去解决问题，可以通过设置action schema的方式让其知道每个动作应该接收什么样的输入格式以及预期产生的输出结构。例如针对前面提到过的`SqlExecutor.run()`函数来说，就应当告知系统该方法期望获取的是字符串类型的SQL命令文本[^3]。 ```json { "type": "object", "properties": { "query": {"type": "string"} }, "required": ["query"] } ``` 最后一步就是将以上准备好的所有要素组合在一起构成完整的Agent解决方案啦！