图解 LangChain Agents，熬了三天三夜只为你实现AI自动化工作流_langchain react agentexecutor 计算器-优快云博客

本文链接：https://blog.youkuaiyun.com/zhishi0000/article/details/146885135

LangChain Agents 就像是一个智能助手团队，可以帮你把大型语言模型变成能自动完成复杂任务的工作流程。

基本概念

1. Agent 组成

# 导入基础组件
from langchain.agents import Agent, AgentExecutor, Tool
from langchain.llms import OpenAI
# 创建LLM模型
llm = OpenAI(temperature=0)
# 定义工具集
工具列表 = [
    Tool(
        name="搜索",
        func=lambda q: "搜索结果：" + q,
        description="搜索网络信息的工具"
    ),
    Tool(
        name="计算器",
        func=lambda q: eval(q),
        description="进行数学计算的工具"
    )
]
# 创建Agent
agent = Agent.from_llm_and_tools(llm=llm, tools=工具列表)
# 创建执行器
agent_executor = AgentExecutor.from_agent_and_tools(
    agent=agent,
    tools=工具列表,
    verbose=True
)

2. 工作流程

# 执行Agent
结果 = agent_executor.run("查询今天的天气，然后计算23+45的结果")
# 查看执行过程和结果
print(f"任务完成: {结果}")
# 执行过程会显示：
# > 思考需要做什么
# > 决定使用搜索工具查询天气
# > 获取天气信息
# > 决定使用计算器工具计算23+45
# > 计算结果: 68
# > 最终返回完整回答

Generated Image

实用功能

1. ReAct 推理

# 导入ReAct代理
from langchain.agents import create_react_agent
# 创建一个能思考、行动和观察的代理
react_agent = create_react_agent(llm, 工具列表, prompt=react_prompt)
# 创建执行器
react_执行器 = AgentExecutor.from_agent_and_tools(
    agent=react_agent,
    tools=工具列表,
    verbose=True,
    max_iterations=5  # 限制最大迭代次数
)
# 执行复杂任务
结果 = react_执行器.run(
    "分析公司过去三年财务数据，找出增长趋势"
)

2. 自定义工具

# 创建自定义工具
from langchain.tools import BaseTool
class 数据库查询(BaseTool):
    name = "数据库查询"
    description = "从数据库查询信息的工具"
    def _run(self, query: str) -> str:
        # 连接数据库并执行查询
        return f"查询结果: {query}的数据"
    def _arun(self, query: str) -> str:
        # 异步版本
        return self._run(query)
# 添加自定义工具
我的工具 = [数据库查询()]

3. 记忆功能

# 使用记忆功能
from langchain.memory import ConversationBufferMemory
# 创建对话记忆
记忆 = ConversationBufferMemory(
    memory_key="chat_history",
    return_messages=True
)
# 使用记忆创建执行器
智能助手 = AgentExecutor.from_agent_and_tools(
    agent=agent,
    tools=工具列表,
    memory=记忆,
    verbose=True
)
# 第一次对话
智能助手.run("我的名字是小明")
# 第二次对话 - 助手记得之前的信息
智能助手.run("你还记得我的名字吗？")
# 会回复: "你的名字是小明"

Generated Image

常见任务示例

1. 多步骤处理

# 创建一个处理多步骤任务的工作流
from langchain.agents import ZeroShotAgent, AgentExecutor
# 定义工具集
多步工具 = [
    Tool(name="搜索商品", func=lambda q: f"找到商品: {q}"),
    Tool(name="价格比较", func=lambda q: f"价格对比: {q}最低99元"),
    Tool(name="用户评价", func=lambda q: f"评价摘要: {q}质量不错"),
    Tool(name="下单", func=lambda q: f"已为{q}创建订单")
]
# 创建多步骤代理
购物助手 = ZeroShotAgent.from_llm_and_tools(llm, 多步工具)
购物执行器 = AgentExecutor.from_agent_and_tools(
    agent=购物助手,
    tools=多步工具,
    verbose=True
)
# 执行多步骤购物流程
结果 = 购物执行器.run("帮我找一台性价比高的笔记本电脑并下单")

2. 集成外部API

# 集成天气API
import requests
def 获取天气(地点):
    # 实际应用中使用真实的API密钥
    url = f"https://api.weather.com?location={地点}"
    # 发起API请求
    return f"{地点}天气晴朗，温度25°C"
# 创建天气工具
天气工具 = Tool(
    name="天气查询",
    func=获取天气,
    description="查询指定地点的天气情况"
)
# 添加到工具集
助手工具 = [天气工具] + 基础工具列表
# 创建执行器
天气助手 = AgentExecutor.from_agent_and_tools(
    agent=Agent.from_llm_and_tools(llm, 助手工具),
    tools=助手工具,
    verbose=True
)
# 执行查询
天气助手.run("我想知道北京今天的天气")

Generated Image