【带你 langchain 双排系列教程】8.LangChain开发Agent智能体：从入门到实战

最新推荐文章于 2025-04-30 14:49:42 发布

夜里慢慢行456

最新推荐文章于 2025-04-30 14:49:42 发布

阅读量353

点赞数 5

分类专栏：双排人工智能文章标签： python langchain

本文链接：https://blog.youkuaiyun.com/u013257767/article/details/145816220

版权

双排人工智能专栏收录该内容

13 篇文章

订阅专栏

一、什么是LangChain？

LangChain是一个专为构建大模型应用设计的开发框架，其模块化设计和丰富的工具链让智能体开发更高效。相比传统开发，LangChain提供以下核心优势：

内置Agent模板：快速实现工具调用、多轮对话、记忆管理。
无缝对接主流大模型：支持OpenAI、ChatGLM、DeepSeek等。
灵活可扩展：通过Chains组合实现复杂业务逻辑。

二、快速开始：环境搭建与基础配置

1. 安装依赖

bash复制

pip install langchain langchain-openai python-dotenv

在.env文件中配置OpenAI API Key：

env复制

OPENAI_API_KEY = "sk-xxx"

2. 初始化智能体骨架

Python复制

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

llm = ChatOpenAI(model="gpt-3.5-turbo")

三、新手入门：10分钟实现聊天机器人

目标

创建一个能回答基础问题的智能体。

实现步骤

Python复制

# 1. 定义Prompt模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个友好的人工智能助手"),
    ("human", "{input}")
])

# 2. 创建基础Agent
agent = create_openai_tools_agent(llm, tools=[], prompt=prompt)

# 3. 封装执行器
agent_executor = AgentExecutor(agent=agent, tools=[], verbose=True)

# 4. 运行测试
response = agent_executor.invoke({"input": "你好！你是谁？"})
print(response["output"])

输出效果

你好！我是一个人工智能助手，随时准备为您提供帮助。

四、企业级项目：电商客服智能体开发

需求

处理退货申请，自动调用订单查询接口。

实现步骤

1. 定义业务工具集

Python复制

@tool
def search_order(order_id: str) -> dict:
    """模拟订单查询系统"""
    return {
        "status": "已发货",
        "product": "智能手表"
    }

@tool
def create_return_request(order_id: str, reason: str) -> str:
    """创建退货工单"""
    return f"退货申请已提交（订单：{order_id}，原因：{reason}）"

2. 构建专业Agent

Python复制

# 定制系统Prompt
system_prompt = """你是电商客服助手，严格按照以下规则处理请求：
1. 用户提及退货时，必须先查询订单状态
2. 仅允许已发货订单提交退货申请
"""
prompt = ChatPromptTemplate.from_messages([
    ("system", system_prompt),
    ("human", "{input}"),
    MessagesPlaceholder(variable_name="agent_scratchpad")
])

# 创建执行器
tools = [search_order, create_return_request]
agent = create_openai_tools_agent(llm, tools, prompt)
executor = AgentExecutor(agent=agent, tools=tools, max_iterations=3)

3. 测试业务逻辑

Python复制

response = executor.invoke({
    "input": "我想退货，订单号123456"
})
print(response["output"])
# 输出：已查询订单123456状态为已发货，已为您提交退货申请

五、精通技巧：高级功能与性能优化

1. 异步并发处理

Python复制

# 异步调用提高响应速度
async def async_query():
    response = await executor.ainvoke({"input": "北京天气"})
    print(response["output"])

import asyncio
asyncio.run(async_query())

2. 自定义工具的高级用法

Python复制

from langchain.tools import StructuredTool

def complex_calculation(a: float, b: float) -> dict:
    """执行复杂数学计算"""
    return {
        "sum": a + b,
        "product": a * b
    }

calc_tool = StructuredTool.from_function(
    func=complex_calculation,
    name="AdvancedCalculator",
    description="执行复杂数学运算"
)

3. 监控与调试

Python复制

# 启用详细日志
import langchain
langchain.debug = True

# 查看中间步骤
response = executor.invoke(
    {"input": "计算3的平方"},
    return_intermediate_steps=True
)
print(response["intermediate_steps"])

六、实战案例：LangChain在不同场景下的应用

1. 数据查询AI应用

使用Dify+Agent搭建数据查询AI应用，实现自然语言流畅的和AI对话，无感切换数据源。

2. 企业级电商客服项目

通过LangChain开发电商客服智能体，处理退货申请，自动调用订单查询接口。

3. 多模型比较

使用LangChain连接OpenAI、Cohere和HuggingFace的模型，比较不同模型对同一个问题的回答。

Python复制

# 导入langchain_openai库中的OpenAI类，用于与OpenAI进行交互
from langchain_openai import OpenAI
# 导入cohere，用于使用cohere的模型
from langchain_cohere import ChatCohere
# 导入huggingface，用于使用huggingface的模型
from langchain_huggingface import ChatHuggingFace, HuggingFaceEndpoint

import os

os.environ["CO_API_KEY"] = "myRKkidpqyuQqXZfe"
os.environ["HUGGINGFACEHUB_API_TOKEN"] = "hf_wQwVfvKMoGK"

# 初始化OpenAI、Cohere和HuggingFace的实例，并设置温度参数（控制生成文本的创新性）
openai = OpenAI(
    api_key='hk-iwtbie100a91e427',
    base_url='https://api.openai-hk.com/v1',
    temperature=0.1
)
# Cohere command-xlarge-nightly这个模型支持中文；command模型不支持中文
cohere = ChatCohere(model="command-xlarge-nightly", temperature=0.1)

# HuggingFace
repo_id = "Qwen/Qwen2.5-72B-Instruct"  # 使用千问的模型
llm = HuggingFaceEndpoint(
    repo_id=repo_id,
    temperature=0.1,
    model_kwargs={'trust_remote_code': True}
)
huggingface = ChatHuggingFace(llm=llm, verbose=True)

# 导入ModelLaboratory类，用于创建和管理多个语言模型
from langchain.model_laboratory import ModelLaboratory

# 创建一个模型实验室实例，整合了OpenAI、Cohere和HuggingFace的模型
model_lab = ModelLaboratory.from_llms([openai, cohere, huggingface])

# 使用模型实验室比较不同模型对同一个问题“百合花是来源自哪个国家？”的回答
model_lab.compare("百合花是来源自哪个国家？")

七、总结

LangChain作为一个强大的开发框架，通过其模块化设计和丰富的工具链，极大地简化了Agent智能体的开发过程。无论是基础的聊天机器人，还是复杂的企业级应用，LangChain都能提供高效、灵活的解决方案。通过本文的介绍和实战案例，希望能帮助你快速上手LangChain，开发出属于自己的智能体应用。