认识LangChainLangChain 由 Harrison Chase 创建于 2022年10月是用于开发智能体工程 Agent Engineering的平台。1.1 架构体系LangChain 并不仅仅是一个框架而是一整个智能体开发平台包含很多不同的组件。其中包含一系列开源的智能体Agent开发框架而且兼容 Python和 TypeScript 两种语言LangChain用于快速构建智能体可兼容任何模型提供商。LangGraph从底层一步步控制智能体的构建包括记忆Memory、人机协同HITL等Deep Agents用于构建复杂的、处理多步骤的任务的智能体另外LangChain 还包含一套帮助人工智能团队利用实时生产数据进行持续测试和改进的平台叫做LangSmith。总结LangChain是智能体开发平台包含一套各种帮助开发、测试、评估智能体的框架。核心包括LangChain用于快速构建智能体可兼容任何模型提供商。LangGraph从底层一步步控制智能体的构建包括记忆Memory、人机协同HITL等Deep Agents用于构建复杂的、处理多步骤的任务的智能体LangSmith用于测试、观察、评估、部署智能体可以看到LangChain平台的所有框架都是围绕着构建智能体Agent这一目标的那么问题来了什么是智能体Agent呢1.2 什么是Agent什么是 Agent这其实没有一个标准的答案每个人都有自己的理解。对于这个问题LangChain 创始人 Harrison Chase 有一个偏向技术性的答案Agent 是一种使用大语言模型LLM来决定应用程序控制流的系统。在人工智能领域Agent通常翻译为智能体或代理是指一种能感知环境、进行推理、自主决策并采取行动以实现特定目标的智能系统。特性传统聊天机器人/LLMAI Agent交互模式被动响应问一句答一句主动规划以目标为导向执行力停留在文本生成层面能操作软件、发送邮件、分析数据自主性需要人类给出详细步骤只需给定最终目标自主寻找路径如果说大模型LLM是“大脑”那么 Agent 就是“拥有手脚和思维逻辑的独立个体”。它不再只是被动地回答问题而是能主动拆解任务并调用各种工具来完成工作。例如要开发一个《AI旅游助手》的应用。如果是传统LLM应用程序流程是这样的用户提出需求例如帮我计划一个5天的北京之旅预算8000元我喜欢历史。调用LLM分析用户需求直接由LLM生成一个简单旅游计划这个计划基于它训练数据中的通用知识可能没有考虑当前的天气、景点是否关闭、门票是否可预订等实时信息。如果是Agent应用Agent可以自主规划程序流程用户提出需求例如帮我计划一个5天的北京之旅预算8000元我喜欢历史。Agent分析用户需求分步执行规划 将大目标分解为查询机票酒店价格 - 查询天气和景点信息 - 设计每日行程 - 计算总预算。调用工具调用机票/酒店API查询用户指定日期范围内的价格和可选酒店。调用天气预报API查询未来5天北京的天气建议携带的衣物。调用搜索引擎/景点API查询故宫、国博等热门景点的最新开放时间、预约政策和当前展览。感知与反馈 综合感知所有查询到的实时信息生成一个动态的、可执行的计划。例如“根据预算和您对历史的兴趣我推荐入住胡同里的XX酒店。第一天去故宫但请注意下周一故宫闭馆所以调整到第二天……总花费预计7500元还在预算内。需要我现在帮您预订酒店和机票吗”Agent通过主动规划任务流程主动使用工具整合了实时信息并进行了动态调整最终产出的是一个真正可落地的方案。总结如下LLM 聪明的大脑Agent 聪明的大脑 手脚当然Agent的模式也是在不断演进的阶段一ReAct Tool Calling阶段二Reflection Long Memory阶段三Multi Agent SystemMAS接下来我们会从最简单的Agent开始学习逐渐升级到更复杂的Agent结构。1.3 快速入门1.3.1 准备工作uv add langchainLangChain支持各种不同的模型而且提供了对应的兼容SDK不过也都需要安装对应依赖你可以按需添加# 集成 DeepSeek uv add langchain-deepseek ​ # 集成 OpenAI uv add langchain-openai ​ # 集成 Anthropic uv add langchain-anthropic1.3.2 代码示例开发Agent了基本步骤如下加载环境变量定义工具定义Agent调用AgentLangchain提供了create_agent方法用来快速创建Agent我们只需要提供好Agent所需的模型Models、工具Tools即可。示例代码如下# 1.加载环境变量 from dotenv import load_dotenv ​ load_dotenv() ​ # 2.定义工具基础版通过注释描述工具 tool def getWeather(location: str) - str: Get the weather in a given location. Args: location: city name or coordinates return fCurrent weather in {location} is sunny ​ # 3.定义Agent agent create_agent( deepseek-chat, # 模型名称必须是LangChain支持的模型 tools[getWeather] # 工具集 ) ​ # 4.调用模型 print( 正在调用大模型...) response agent.invoke({ messages: [ {role: user, content: 杭州今天天气如何?} ] }) ​ # 5.打印结果 print(response)运行结果如下 正在调用大模型... {messages: [HumanMessage(content杭州今天天气如何?, additional_kwargs{}, response_metadata{}, id216c9cd1-8ebc-4365-a192-6b1a30ae788c), AIMessage(content我来帮您查询杭州今天的天气情况。, additional_kwargs{refusal: None}, response_metadata{token_usage: {completion_tokens: 51, prompt_tokens: 313, total_tokens: 364, completion_tokens_details: None, prompt_tokens_details: {audio_tokens: None, cached_tokens: 256}, prompt_cache_hit_tokens: 256, prompt_cache_miss_tokens: 57}, model_provider: deepseek, model_name: deepseek-chat, system_fingerprint: fp_eaab8d114b_prod0820_fp8_kvcache, id: bbeda11e-7653-4c3d-9cc5-9a58491f63f0, finish_reason: tool_calls, logprobs: None}, idlc_run--019c92f4-8395-7852-8e36-d4645f86d443-0, tool_calls[{name: getWeather, args: {location: 杭州}, id: call_00_H7Yklbf4osnSeFOj3k4TP33N, type: tool_call}], invalid_tool_calls[], usage_metadata{input_tokens: 313, output_tokens: 51, total_tokens: 364, input_token_details: {cache_read: 256}, output_token_details: {}}), ToolMessage(contentCurrent weather in 杭州 is sunny, namegetWeather, id911eda0e-a5a8-4375-909d-b8707b3a08a9, tool_call_idcall_00_H7Yklbf4osnSeFOj3k4TP33N), AIMessage(content根据查询结果杭州今天的天气是**晴朗**的。, additional_kwargs{refusal: None}, response_metadata{token_usage: {completion_tokens: 13, prompt_tokens: 388, total_tokens: 401, completion_tokens_details: None, prompt_tokens_details: {audio_tokens: None, cached_tokens: 320}, prompt_cache_hit_tokens: 320, prompt_cache_miss_tokens: 68}, model_provider: deepseek, model_name: deepseek-chat, system_fingerprint: fp_eaab8d114b_prod0820_fp8_kvcache, id: 692c1420-4a06-4080-adf7-54250207e86a, finish_reason: stop, logprobs: None}, idlc_run--019c92f4-8d74-7770-89fd-da1e9d67efca-0, tool_calls[], invalid_tool_calls[], usage_metadata{input_tokens: 388, output_tokens: 13, total_tokens: 401, input_token_details: {cache_read: 320}, output_token_details: {}})]}原本大模型不具备查询天气的能力所以无法回答天气问题。但是当我们提供了一个查询添加的Tool以后它就能自动查询天气来回答问题是不是很神奇。那么Agent是如何做到的呢传统的LLM应用都是一问一答的形式模型只能根据自己的训练数据来回答流程非常简单而智能体则可以调用工具与外界交互获取实时信息工作流程则要复杂很多是这样的流程如下用户提问Input杭州今天天气如何模型分析Reasoning用户询问杭州天气我不知道需要调用查询天气的工具get_weather调用工具Action调用工具get_weather传入城市杭州分析结果Observation工具返回结果模型分析结果判断是否足以回答用户问题是整理生成响应结果否重复前面步骤生成结果Output根据工具的结果生成响应给用户那么模型是如何知道工具的信息的呢其实在大模型提供的API接口中有一个tools参数描述了工具的详细信息所以LangChain会帮助我们把tool的信息封装为此tool参数与message一起发送给大模型大模型就了解tool的详细信息根据用户需求判断是否需要调用tool需要调用哪个tool.那么问题来了当大模型决定调用某个tool时该如何调用呢毕竟tool是我们定义的模型是没有调用能力的。模型确实不能直接调用tool只能返回字符串。但是它可以把要调用的tool信息、参数信息都以Json格式返回这样一来LangChain就会帮我们解析响应结果中的Function信息也就是tool信息就知道了要调用哪个函数以及参数是什么了。LangChain就会执行该函数再把得到的结果再次发送给大模型。具体的工作流程如图OK弄明白了Agent的原理我们不难发现Agent中最重要的两个部分就是Model负责推理分析、思考相当于Agent的大脑Tools负责执行任务相当于Agent与外界交互的手脚当然Agent中肯定不止这两个部分接下来我们就逐一解析Agent创建的各个细节。