[AI]实现简易AI Agent — — Langchain库-优快云博客

[AI]实现简易AI Agent — — Langchain库

文中全部代码地址：https://github.com/ziyifast/ziyifast-code_instruction/tree/main/python-demo/AI-demo/AI-Agent/lang-chain

欢迎大家star哦😯~

目前实现AI Agent主要有两种方式：一种是基于更底层的Transformer，另一种是基于Langchain库。上期有给大家Transformer的实现，本期主要介绍基于Langchain该如何实现。

往期文章：[AI]实现简易AI Agent — — Transformers库

概念

为什么LLM需要Agent

经常用AI的人都知道，AI的输出结果只能作为一个参考，这是为什么呢？因为虽然大语言模型的能力很强大，但是LLM仅限于用于训练的知识，这些知识很快会过时（虽然现在有联网功能，但依然免不了幻觉），所以LLM有以下缺点：

幻觉
结果并不总是真实的
对时事的了解有限或一无所知
难以应对复杂推理和计算

(虽然LLM完全理解了我的需求，但是它本身并不知道“我”所处的城市等信息）
而基于大模型的Agent (LLM based Agent) 可以利用外部工具来克服以上缺点。

ReAct核心定义

ReAct Agent 论文：https://arxiv.org/abs/2210.03629
ReAct = Reasoning（推理） + Action（行动），是一种AI Agent的设计范式：

Reasoning：模型通过思考确定解决问题的最佳路径（如选择工具、分解步骤）
Action：根据推理结果调用外部工具（如API、数据库）或执行操作

AI Agent典型流程：

实战

这里以查询天气的AI Agent为例，思路：

通过Langchain库调用大模型
注册高德开发者，通过高德API直接查询城市天气。将该功能封装为工具，提供给AI

Langchain官方文档：https://python.langchain.ac.cn/docs/tutorials/agents/

解析AI返回结果

为了让大家可以更直观的感受到大模型根据我们的输入，进行判断并调用不同的工具，我们将会实现两个自定义工具，一个是get_weather，一个是say_hello。

对比Transformer实现方式，我们这里不用自己将向量转换为文本输出，Langchain API帮我们封装了对应的能力。

环境准备

Python环境准备：本地需要有Python开发环境，我这里是Mac，所以自带Python。

方式一：可以选择直接下载PyCharm：https://www.jetbrains.com/pycharm/
方式二：直接从Python官方下载并配置：https://www.python.org/

高德API Key：注册高德开发者即可

注册高德开发者：https://developer.amap.com/api/webservice/guide/create-project/get-key
获取API Key：

获取大模型 API Key

我这里以ChatGPT API 为例，大家可以根据自己的想法选用不同的模型。只要最后配置好API Key即可。

我这里使用DevAGI平台获取ChatGPT API Key，新用户注册免费送20次调用机会，通过邮箱注册即可：https://devcto.com/app/account

安装python依赖

pip install requests langchain-openai langchain langchain-core python-dotenv openai

模型与工具初始化

实现Agent第一个自定义工具get_weather：天气查询

这里主要实现Agent核心能力：调用高德API查询实时天气

获取行政区划代码
获取天气数据

①调用高德API获取行政区划代码

调用高德行政区划API
检查API返回状态码status
提取第一个匹配城市的adcode和名称

def get_abcode(city):
    url = "https://restapi.amap.com/v3/config/district?"
    params = {"key": GD_KEY, "keywords": city, "subdistrict": 0}
    try:
        response = requests.get(url=url, params=params)
        response.raise_for_status()  # 自动抛出HTTP错误
        if response.json()["status"] == "1":
            return (
                response.json()["districts"][0]["adcode"],  # 行政区划代码
                response.json()["districts"][0]["name"]     # 城市名称
            )
        else:
            return None
    except Exception as e:
        print(f"Error: {e}")
        return None

②获取对应城市天气数据

def get_weather(cityname: str = "成都"):
    abcode, city_name = get_abcode(cityname)
    url = "https://restapi.amap.com/v3/weather/weatherInfo?"
    params = {"key": GD_KEY, "city": abcode, "extensions": "base"}
    try:
        response = requests.get(url=url, params=params)
        if response.json()["status"] == "1":
            return response.json()["lives"][0]  # 实时天气数据
        else:
            return None
    except Exception as e:
        print(f"Error: {e}")
        return None

实现第二个自定义工具say_hello：打招呼

# 定义打招呼工具
@tool
def say_hello(name: str) -> str:
    """当需要向某人打招呼时使用此工具。例如：向Tom打招呼。

    Args:
        name: 需要打招呼的对象名称
    Returns:
        个性化问候语
    """
    return f"👋 你好 {name}！今天过得怎么样？"

主对话循环

①消息模板构建

预制提示词以及大模型角色。

官方提示词模版：https://python.langchain.com/api_reference/core/prompts/langchain_core.prompts.chat.ChatPromptTemplate.html

# 构建提示模板
prompt = ChatPromptTemplate.from_messages([
    ("system", """你是一个智能助手，可以使用以下工具：

    {tools}

    使用规则：
    1. 当用户说“向[名字]打招呼”时，必须使用say_hello工具
    2. 当用户说“查询[城市]天气”时，必须使用get_weather工具
    3. 保持自然友好的语气
    4. 始终使用中文
    """),
    MessagesPlaceholder("chat_history", optional=True),
    ("human", "{input}"),
    MessagesPlaceholder("agent_scratchpad")
]).partial(
    tools="\n".join([
        f"工具名称：{t.name}\n功能描述：{t.description}\n参数格式：{t.args}"
        for t in tools
    ]),
    tool_names=", ".join([t.name for t in tools])
)

②模型推理与输出解析

# 创建Agent工作流
agent = create_openai_tools_agent(llm=llm, tools=tools, prompt=prompt)

# 创建执行器
agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    verbose=True,  # 显示详细执行过程
    handle_parsing_errors=True,  # 自动处理解析错误
    return_intermediate_steps=True  # 返回中间步骤
)


# 格式化函数
def format_response(data, tool_name):
    """根据工具类型增强格式化"""
    if tool_name == "get_weather":
        return (
            f"🌆 {data['city']}天气\n"
            f"🌤 现象：{data['weather']}\n"
            f"🌡 温度：{data['temperature']}℃\n"
            f"💨 风力：{data['windpower']}\n"
            f"💧 湿度：{data['humidity']}%\n"
            f"🕒 更新：{data['reporttime']}"
        )
    elif tool_name == "say_hello":
        return f"✨ {data}"
    else:
        return data


# 主循环
while True:
    user_input = input("请输入你的需求（输入退出结束对话）：")
    if user_input == "退出":
        break
    try:
        result = agent_executor.invoke({"input": user_input})

        # 提取工具调用结果
        if "intermediate_steps" in result:
            for step in result["intermediate_steps"]:
                tool_call, tool_result = step
                fn_name = tool_call.tool
                print(format_response(tool_result, fn_name))
    except Exception as e:
        print(f"\n❌ 错误: {str(e)}\n")