实战篇
文章目录
- 系列文章目录
- 前言
- 一、LangChain 环境搭建与初始配置
-
- 1.1 安装依赖
- 1.2 环境变量加载
-
- 1.2.1 具体步骤
- 1.2.2 注意事项
- 1.3 初始化模型客户端
- 二、使用 LangChain 内建工具
-
- 2.1 加载内建工具
- 2.2 初始化智能体
- 2.3 使用智能体执行任务
-
- 2.3.1 处理数学问题
- 2.3.2 使用 Wikipedia 查找信息
- 2.4 观察执行过程
- 三、定义和使用自定义工具
-
- 3.1 安装依赖并导入库
- 3.2 定义自定义工具
- 3.3 集成自定义工具到智能体中
- 3.4 使用智能体执行任务
- 3.5 错误处理与调试
- 四、总结
前言
在近年来，LangChain作为一款强大的开源框架，逐渐成为构建基于大型语言模型（LLM）应用的首选工具。它不仅提供了简洁且灵活的API来进行模型的交互，还包括了众多功能模块，支持高效构建多种应用，如智能问答系统、自动化工作流等。LangChain的模块化设计使得开发者能够根据自己的需求灵活组合不同的功能，从而快速实现复杂的业务场景。
LangChain 的核心模块
LangChain 由以下核心模块组成，每个模块都有其特定的功能：
- Model（模型）
- 提供与大语言模型交互的接口，例如 OpenAI、阿里云等的 LLM。
- 开发者可以轻松配置 API 调用和模型参数。
- Prompt（提示词）
- 提供动态提示词模板管理功能，支持变量插值、Prompt 优化。
- 适用于创建灵活且高效的模型交互任务。
- Chains（链条）
- 用于将多个任务步骤组合成一个链条，例如多次调用模型完成复杂的推理任务。
- 支持模块化设计，便于维护和扩展。
- Memory（记忆）
- 提供上下文记忆功能，可以让模型在多轮对话中记住用户的输入和历史对话内容。
- 适合构建长时间、多轮交互的对话系统。
- Output Parsers（输出解析器）
- 解析模型的返回结果，例如将文本解析为 JSON 结构，便于后续处理。
- 特别适用于信息提取、分类任务等。
- Agents（代理）
- 集成多种工具（如 API、数据库、文件系统）与模型交互，使模型能够动态调用外部资源完成复杂任务。
- 适合构建更智能化的自动化工作流。
LangChain 的应用场景
LangChain 的灵活性和模块化设计使其广泛适用于以下场景：
- 文本生成与翻译：例如生成新闻稿、调整语气风格、翻译专业文档。
- 智能问答与知识库：构建基于文档、数据库的知识问答系统。
- 信息提取与分析：从非结构化文本中提取关键信息，例如用户评论分析、商业报告解析。
- 对话系统与聊天机器人：利用记忆模块支持上下文多轮对话，实现类似 ChatGPT 的应用。
- 自动化工作流：通过 Agents 模块集成外部工具，完成复杂的任务链，例如自动处理订单或执行 API 查询。
本文主题
本文将探讨如何利用 LangChain 框架中的 Agents（代理） 功能，构建能够自动调用外部工具和资源的智能体。特别地，我们将重点介绍如何使用 LangChain 提供的内建工具，如 DuckDuckGo 搜索和 Wikipedia 进行动态信息查询，同时讲解如何定义和集成自定义工具，扩展智能体的功能以适应更加复杂的任务。
- 使用内建工具：介绍如何利用 DuckDuckGo 搜索和 Wikipedia 进行信息查询。
- 定义自定义工具：展示如何创建并集成自定义工具，以扩展智能体的功能。
通过这些内容，读者将学会如何通过 LangChain 构建更加智能化的自动化工作流。
一、LangChain 环境搭建与初始配置
在开始构建 LangChain 应用之前，需要完成基础环境的搭建和配置。
1.1 安装依赖
在项目环境中安装必要的 Python 包：
pip install langchain langchain-community langchain_openai python-dotenv openai docarray langchain-huggingface numexpr wikipedia
这些依赖包含了 LangChain 框架、环境变量管理工具 python-dotenv 和与 OpenAI 模型交互的接口。
1.2 环境变量加载
为了保护敏感信息（如 API Key 和 API URL），建议将这些信息存储在项目根目录下的一个名为 .env 的文件中。这样可以避免将敏感信息直接暴露在代码中，同时方便环境的统一配置。
1.2.1 具体步骤
-
创建
.env文件
在项目根目录下创建一个名为.env的文件。注意，这个文件不需要任何扩展名。
如果使用版本控制（如 Git），记得将.env文件添加到.gitignore中，避免敏感信息被提交到代码仓库。 -
编写
.env文件内容
.env文件的内容采用键值对的形式，每行一个键值对，格式如下：
阿里云通义千问（Qwen）API 配置
ALIYUN_API_KEY=你的阿里云API密钥
ALIYUN_API_URL=你的阿里云API地址，例如：https://dashscope.aliyuncs.com/compatible-mode/v1
DeepSeek API 配置
DEEPSEEK_API_KEY=你的DeepSeek API密钥
DEEPSEEK_API_URL=你的DeepSeek API地址，例如：https://api.deepseek.com
OpenAI API 配置
OPENAI_API_KEY=你的OpenAI API密钥
OPENAI_API_URL=https://api.openai.com/v1
- 键名：
ALIYUN_API_KEY和ALIYUN_API_URL是阿里云 API 的密钥和访问地址；DEEPSEEK_API_KEY和DEEPSEEK_API_URL是DeepSeek API 的密钥和地址；OPENAI_API_KEY和OPENAI_API_URL是OpenAI API 的密钥和地址。 - 值：具体的密钥和 URL 需要根据实际情况替换为你自己的值。
- 在代码中加载
.env文件
使用python-dotenv模块加载.env文件中的内容到 Python 程序中。示例如下：
import os
from dotenv import load_dotenv
# 加载 .env 文件中的环境变量
load_dotenv()
# 获取环境变量的值
api_key = os.getenv("ALIYUN_API_KEY")
base_url = os.getenv("ALIYUN_API_URL")
1.2.2 注意事项
.env文件应放在项目根目录下，与主代码文件（如main.py）处于同一级目录。这样load_dotenv()可以自动找到.env文件。- 在使用其他环境变量（如
DEEPSEEK_API_KEY和DEEPSEEK_API_URL）时，直接通过os.getenv("<变量名>")访问即可。 - 确保
.env文件已正确加载。如果程序中获取不到变量值，请检查文件路径和格式是否正确。
通过这种方式，可以在保护敏感信息的同时，方便多环境配置和管理。
1.3 初始化模型客户端
使用 LangChain 提供的 ChatOpenAI，连接阿里云通义千问模型（Qwen）：
from langchain_openai import ChatOpenAI # type: ignore
llm = ChatOpenAI(
openai_api_key=api_key,
model_name="qwen-plus",
base_url=base_url
)
至此，环境已经完成初始化，可以开始与模型交互。
二、使用 LangChain 内建工具
LangChain 提供了多种内建工具，这些工具能够帮助开发者实现模型与外部资源的互动，使得智能体能够完成更多复杂的任务。本文将重点介绍如何加载并使用其中的两个常用工具——DuckDuckGo 搜索和 Wikipedia，以便智能体能够获取实时的互联网信息。
2.1 加载内建工具
在使用内建工具之前，我们需要先加载所需的工具。LangChain 提供了 load_tools 函数，方便加载 DuckDuckGo 搜索和 Wikipedia 工具。
import os
from dotenv import load_dotenv # type: ignore
from langchain_openai import ChatOpenAI # type: ignore
from langchain.agents import load_tools, initialize_agent
# 加载 .env 文件中的环境变量
load_dotenv()
# 从环境变量中获取 API Key 和 Base URL
api_key = os.getenv("DEEPSEEK_API_KEY")
base_url = os.getenv("DEEPSEEK_API_URL")
# 初始化 ChatOpenAI 客户端
llm = ChatOpenAI(
openai_api_key=api_key, # 必须明确设置 api_key
model_name="deepseek-chat", # 使用 deepseek-chat
base_url=base_url, # 设置 Base URL
)
tools = load_tools(["llm-math", "wikipedia"], llm=llm)
在上述代码中，我们加载了 llm-math 和 wikipedia 工具。llm-math 用于数学计算，wikipedia 则用于从 Wikipedia 获取信息。加载这些工具后，智能体可以通过它们来解答不同类型的问题。
2.2 初始化智能体
一旦工具加载完毕，我们就可以初始化智能体。通过 initialize_agent 函数，我们可以将加载的工具与语言模型（LLM）结合，从而使智能体能够动态调用外部工具来执行任务。
from langchain.agents import AgentType
# 初始化智能体，将工具和 LLM 传入
agent = initialize_agent(
tools,
llm,
agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION, # 使用零样本反应描述代理
handle_parsing_errors=True, # 处理解析错误
verbose=True # 打印详细的执行过程
)
2.3 使用智能体执行任务
智能体初始化后，我们可以开始让它执行任务。例如，智能体可以解答数学问题，或者查询 Wikipedia 获取关于某个主题的信息。下面是一个简单的数学问题示例：
# 询问智能体 25% 的 300 等于多少
response = agent("What is the 25% of 300?")
print(response)
2.3.1 处理数学问题
通过 llm-math 工具，智能体将计算 25% 的 300，并返回结果。执行后的输出为：
Final Answer: 75.0
2.3.2 使用 Wikipedia 查找信息
智能体也能够使用 wikipedia 工具来查询知识库中的信息。例如，询问智能体有关 Tom M. Mitchell 的书籍，它会自动访问 Wikipedia 查找相关信息并返回答案：
question = "Tom M. Mitchell is an American computer scientist what book did he write?"
result = agent(question)
print(result)
返回的结果将是：
Final Answer: Machine Learning
2.4 观察执行过程
LangChain 提供了调试模式，可以查看智能体的执行过程，帮助开发者了解每个步骤的详细信息。通过调试模式，可以清晰地看到智能体在执行任务时如何选择工具、执行操作并得出结果。
import langchain
langchain.debug = True # 开启调试模式
# 运行任务
response = agent("What is the 25% of 300?")
print(response)
langchain.debug = False # 关闭调试模式
三、定义和使用自定义工具
除了 LangChain 提供的内建工具外，开发者还可以根据自己的需求定义并集成自定义工具。通过自定义工具，智能体可以执行更为专门化的任务，从而适应更加复杂的业务场景。本文将展示如何定义一个简单的工具，例如返回当前日期的工具，并将其集成到智能体中。
3.1 安装依赖并导入库
首先，我们需要确保所需的依赖已安装，并导入相关库。为了获取当前日期，我们将使用 Python 内置的 datetime 模块。接着，使用 LangChain 的 @tool 装饰器来定义自定义工具。
from langchain.agents import tool
from datetime import date
3.2 定义自定义工具
在 LangChain 中，自定义工具通过装饰器 @tool 定义，工具函数的输入和输出可以根据需求进行定制。下面我们定义一个简单的工具，返回今天的日期：
@tool
def time(text: str) -> str:
"""返回今天的日期，用于与日期相关的任务"""
return str(date.today())
此 time 工具的功能非常简单：当调用时，它将返回当前日期。它的输入参数 text 在本例中并不会实际使用，但保留该参数是为了保持工具接口的统一性。
3.3 集成自定义工具到智能体中
在定义好自定义工具后，我们可以将其集成到智能体中。将自定义工具与其他内建工具一起加载，并初始化智能体，便于它动态执行任务。
from langchain.agents import initialize_agent
from langchain.chat_models import ChatOpenAI
# 初始化 ChatOpenAI 客户端
llm = ChatOpenAI(
openai_api_key=api_key, # 必须明确设置 api_key
model_name="deepseek-chat", # 使用 deepseek-chat
base_url=base_url, # 设置 Base URL
)
# 加载内建工具和自定义工具
tools = load_tools(["llm-math", "wikipedia"], llm=llm)
tools.append(time) # 将自定义的 time 工具添加到工具列表中
# 初始化智能体
agent = initialize_agent(
tools,
llm,
agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION,
handle_parsing_errors=True,
verbose=True
)
3.4 使用智能体执行任务
智能体现在已经具备了调用内建工具和自定义工具的能力。我们可以让智能体执行查询任务并使用自定义工具。例如，我们可以询问智能体今天的日期：
result = agent("What's the date today?")
print(result)
返回结果会是：
Final Answer: Today's date is February 4, 2025.
3.5 错误处理与调试
在实际应用中，智能体可能会遇到错误。为了确保应用的健壮性，我们可以加入错误处理机制。例如，如果某个工具无法正确访问或执行时，智能体会捕获异常并返回相应的错误信息。
try:
result = agent("What's the date today?")
except Exception as e:
print(f"Exception occurred: {e}")
四、总结
本篇文章深入探讨了 LangChain 框架中 Agents（代理） 模块的使用方法，详细介绍了如何加载内建工具、初始化智能体，以及如何自定义工具以扩展智能体的功能。以下是核心要点总结：
-
LangChain Agents 介绍
- Agents 允许 LLM 结合外部工具，实现更智能的自动化工作流。
- 适用于动态查询、数据处理和多步骤推理等任务。
-
使用 LangChain 内建工具
- 通过
load_tools()轻松加载wikipedia和llm-math等工具，让智能体具备实时信息查询和数学计算能力。 initialize_agent()结合 LLM 和工具，使智能体可以自动调用合适的工具执行任务。
- 通过
-
执行智能体任务
- 通过 LangChain Agents 解决数学计算、Wikipedia 查询等任务，展示了智能体如何动态选择合适的工具来完成不同类型的请求。
- 开启
langchain.debug = True调试模式，观察智能体执行任务的每个细节，方便优化和调试。
-
定义和集成自定义工具
- 使用
@tool装饰器创建自定义工具，例如获取当前日期的time()方法，并成功集成到智能体中。 - 自定义工具的引入，使得智能体可以执行更多定制化任务，不局限于 LangChain 预置的工具集。
- 使用
-
错误处理与优化
- 通过
try-except结构捕获可能的异常，提高智能体的稳定性。 - 结合
verbose=True参数观察智能体执行过程，帮助优化工具调用逻辑。
- 通过
LangChain 的 Agents 让 LLM 具备了超越单纯文本对话的能力，使其可以动态选择和调用外部工具，执行更复杂的任务。通过内建工具和自定义工具的结合，开发者可以根据自己的业务需求构建智能化应用，如自动化数据分析、智能搜索、信息提取等。未来，随着 LangChain 生态的发展，可以期待更强大的工具集成能力，让 AI 代理真正成为生产力工具的核心组件。
计算机毕业何去何从？
现如今大模型岗位需求越来越大，但是相关岗位人才难求，薪资持续走高，AI运营薪资平均值约18457元，AI工程师薪资平均值约37336元，大模型算法薪资平均值约39607元。
掌握大模型技术你还能拥有更多可能性：
• 成为一名全栈大模型工程师，包括Prompt，LangChain，LoRA等技术开发、运营、产品等方向全栈工程；
• 能够拥有模型二次训练和微调能力，带领大家完成智能对话、文生图等热门应用；
• 薪资上浮10%-20%，覆盖更多高薪岗位，这是一个高需求、高待遇的热门方向和领域；
• 更优质的项目可以为未来创新创业提供基石。
可能大家都想学习AI大模型技术，也_想通过这项技能真正达到升职加薪，就业或是副业的目的，但是不知道该如何开始学习，因为网上的资料太多太杂乱了，如果不能系统的学习就相当于是白学。为了让大家少走弯路，少碰壁，这里我直接把都打包整理好，希望能够真正帮助到大家_。
零基础如何高效学习大模型？
为了帮助大家打破壁垒，快速了解大模型核心技术原理，学习相关大模型技术。从原理出发真正入局大模型。在这里我和MoPaaS魔泊云联合梳理打造了系统大模型学习脉络，这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码免费领取🆓**⬇️⬇️⬇️
【大模型全套视频教程】
教程从当下的市场现状和趋势出发，分析各个岗位人才需求，带你充分了解自身情况，get 到适合自己的 AI 大模型入门学习路线。
从基础的 prompt 工程入手，逐步深入到 Agents，其中更是详细介绍了 LLM 最重要的编程框架 LangChain。最后把微调与预训练进行了对比介绍与分析。
同时课程详细介绍了AI大模型技能图谱知识树，规划属于你自己的大模型学习路线，并且专门提前收集了大家对大模型常见的疑问，集中解答所有疑惑！
深耕 AI 领域技术专家带你快速入门大模型
跟着行业技术专家免费学习的机会非常难得，相信跟着学习下来能够对大模型有更加深刻的认知和理解，也能真正利用起大模型，从而“弯道超车”，实现职业跃迁！
【精选AI大模型权威PDF书籍/教程】
精心筛选的经典与前沿并重的电子书和教程合集，包含《深度学习》等一百多本书籍和讲义精要等材料。绝对是深入理解理论、夯实基础的不二之选。
【AI 大模型面试题 】
除了 AI 入门课程，我还给大家准备了非常全面的**「AI 大模型面试题」，**包括字节、腾讯等一线大厂的 AI 岗面经分享、LLMs、Transformer、RAG 面试真题等，帮你在面试大模型工作中更快一步。
【大厂 AI 岗位面经分享（92份）】
【AI 大模型面试真题（102 道）】
【LLMs 面试真题（97 道）】
【640套 AI 大模型行业研究报告】
【AI大模型完整版学习路线图（2025版）】
明确学习方向，2025年 AI 要学什么，这一张图就够了！
👇👇点击下方卡片链接免费领取全部内容👇👇
抓住AI浪潮，重塑职业未来！
科技行业正处于深刻变革之中。英特尔等巨头近期进行结构性调整，缩减部分传统岗位，同时AI相关技术岗位（尤其是大模型方向）需求激增，已成为不争的事实。具备相关技能的人才在就业市场上正变得炙手可热。
行业趋势洞察：
- 转型加速： 传统IT岗位面临转型压力，拥抱AI技术成为关键。
- 人才争夺战： 拥有3-5年经验、扎实AI技术功底和真实项目经验的工程师，在头部大厂及明星AI企业中的薪资竞争力显著提升（部分核心岗位可达较高水平）。
- 门槛提高： “具备AI项目实操经验”正迅速成为简历筛选的重要标准，预计未来1-2年将成为普遍门槛。
与其观望，不如行动！
面对变革，主动学习、提升技能才是应对之道。掌握AI大模型核心原理、主流应用技术与项目实战经验，是抓住时代机遇、实现职业跃迁的关键一步。
01 为什么分享这份学习资料？
当前，我国在AI大模型领域的高质量人才供给仍显不足，行业亟需更多有志于此的专业力量加入。
因此，我们决定将这份精心整理的AI大模型学习资料，无偿分享给每一位真心渴望进入这个领域、愿意投入学习的伙伴！
我们希望能为你的学习之路提供一份助力。如果在学习过程中遇到技术问题，也欢迎交流探讨，我们乐于分享所知。
*02 这份资料的价值在哪里？*
专业背书，系统构建：
-
本资料由我与MoPaaS魔泊云的鲁为民博士共同整理。鲁博士拥有清华大学学士和美国加州理工学院博士学位，在人工智能领域造诣深厚：
-
- 在IEEE Transactions等顶级学术期刊及国际会议发表论文超过50篇。
- 拥有多项中美发明专利。
- 荣获吴文俊人工智能科学技术奖（中国人工智能领域重要奖项）。
-
目前，我有幸与鲁博士共同进行人工智能相关研究。
内容实用，循序渐进：
-
资料体系化覆盖了从基础概念入门到核心技术进阶的知识点。
-
包含丰富的视频教程与实战项目案例，强调动手实践能力。
-
无论你是初探AI领域的新手，还是已有一定技术基础希望深入大模型的学习者，这份资料都能为你提供系统性的学习路径和宝贵的实践参考，助力你提升技术能力，向大模型相关岗位转型发展。
抓住机遇，开启你的AI学习之旅！
扫一扫
1083
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
