学习路程十二langchain核心Agent

前序

之前了解过大模型训练数据有截止时间，如果要查询之后发生的内容。要么是一些内部私域数据向量化用于查询，要么是一些网上公开的可以通过浏览器查询到的数据。这里就需要借助于搜索工具与llm进行配合了。 在langchain中，Agent就是实现这些功能的。

Agent简介

代理（Agent）是使用LLM作为思考工具，决定当前要做什么。我们会给代理一系列的工具，代理根据我们的输入判断用哪些工具可以完成这个目标，然后不断的运行工具，来完成目标。代理（Agent）可以看做是增强版的Chain，不仅绑定模板、LLM，还可以给代理添加一些外部工具。

代理（Agent）还是构建智能体的基础，它负责根据用户输入和应用场景，在一系列可用工具中选择合适的工具进行操作。Agent可以根据任务的复杂性，采用不同的策略来决定如何执行操作。

langchain中主要提供了有两种类型的Agent：

动作代理（Action Agents）：这种代理一次执行一个动作，然后根据结果决定下一步的操作。计划-执行代理（Plan-and-Execute Agents）：这种代理首先决定一系列要执行的操作，然后根据上面判断的列表逐个执行这些操作。

对于简单的任务，动作代理（Action Agents）更为常见且易于实现。对于更复杂或长期运行的任务，计划-执行代理的初始规划步骤有助于维持长期目标并保持关注。但这会以更多调用和较高延迟为代价。这两种代理并非互斥，可以让动作代理负责执行计划-执行代理的计划。

LangChain 中内置了一系列常用的 Agent工具，这些工具提供的Agent都属于Action Agent。

Agent内部涉及的核心概念如下：

代理（Agent）：这是应用程序主要逻辑。代理暴露一个接口，接受用户输入和代理已执行的操作列表，并返回AgentAction或AgentFinish。工具（Tools）：这是代理可以采取的动作。比如发起HTTP请求，发邮件，执行命令。工具包（Toolkits）：这些是为特定用例设计的一组工具。例如，为了让代理以最佳方式与SQL数据库交互，它可能需要一个执行查询的工具和另一个查看表格的工具。可以看做是工具的集合。代理执行器（Agent Executor）：将代理与一系列工具包装在一起。它负责迭代运行代理，直到满足停止条件。

在LangChain框架中，智能代理（Agent）通常按照观察（Observation）- 思考（Thought）- 行动（Action）的模式来处理任务，这个模式叫ReAct思考框架。Agent的执行流程： 在LangChain中，ReAct框架的实现流程如下：

任务：Agent的起点是一个任务，如一个用户查询、一个目标或一个需要解决的特定问题。大模型：任务被输入大模型中。大模型使用训练好的模型进行推理。工具：大模型可能会决定使用一系列的工具来辅助完成任务。行动：Agent根据大模型的推理结果采取行动。环境：行动会影响环境，而环境将以某种形式响应这些行动。结果：将行动导致的结果反馈给Agent。 Agent工具函数 创建Agent的工具函数create_react_agent构建一个基于ReAct思考框架的智能体，只允许有1个参数create_structured_chat_agent构建一个支持多个任务对话处理的智能体，允许有多个参数create_json_agent构建一个支持返回json数据结构的智能体，不管返回得到内容或者接受的参数都支持json结构create_sql_agent构建一个能与SQL数据库交互的智能体，可用于创建一个能够处理SQL任务、自动化数据库操作或提供数据库连接管理的服务或组件create_openai_functions_agent构建一个基于OpenAI functions风格的智能体，能够与OpenAI提供的API函数进行交互create_tool_calling_agent构建一个基于大模型API接口的智能体，能够与OpenAI以外的其他本地或在线大模型的API进行交互【部分本地大模型无法兼容】 代码示例 langchain内置的工具函数 # # 获取当前langchian中内置提供的所有Agent工具函数 from langchain_community.agent_toolkits.load_tools import get_all_tool_names print(get_all_tool_names()) """ ['sleep', 'wolfram-alpha', 'google-search', 'google-search-results-json', 'searx-search-results-json', 'bing-search', 'metaphor-search', 'ddg-search', 'google-books', 'google-lens', 'google-serper', 'google-scholar', 'google-finance', 'google-trends', 'google-jobs', 'google-serper-results-json', 'searchapi', 'searchapi-results-json', 'serpapi', 'dalle-image-generator', 'twilio', 'searx-search', 'merriam-webster', 'wikipedia', 'arxiv', 'golden-query', 'pubmed', 'human', 'awslambda', 'stackexchange', 'sceneXplain', 'graphql', 'openweathermap-api', 'dataforseo-api-search', 'dataforseo-api-search-json', 'eleven_labs_text2speech', 'google_cloud_texttospeech', 'read_file', 'reddit_search', 'news-api', 'tmdb-api', 'podcast-api', 'memorize', 'llm-math', 'open-meteo-api', 'requests', 'requests_get', 'requests_post', 'requests_patch', 'requests_put', 'requests_delete', 'terminal'] """

官网文档

基于维基百科实现联网搜索Agent # 运行时报错，让安装，那就装一个呗 pip install wikipedia # 实例化大模型 import os # 请求超时，设置以下代理，可以有效减缓超时的情况 # os.environ["http_proxy"] = "http://127.0.0.1:7890" # os.environ["https_proxy"] = "http://127.0.0.1:7890" os.environ['DEEPSEEK_API_KEY'] = "sk-e24324xxx" from langchain_deepseek import ChatDeepSeek llm = ChatDeepSeek(model="deepseek-chat") # 原生调用tools工具 # from langchain_community.tools import WikipediaQueryRun # from langchain_community.utilities import WikipediaAPIWrapper # tools = [WikipediaQueryRun(api_wrapper=WikipediaAPIWrapper())] # 通过load_tools工具函数加载wikipedia代理工具 from langchain_community.agent_toolkits.load_tools import load_tools tools = load_tools(['wikipedia']) # 提示词 from langchain.prompts import PromptTemplate prompt = PromptTemplate.from_template( """Answer the following questions as best you can. You have access to the following tools: {tools} Use the following format: Question: the input question you must answer Thought: you should always think about what to do Action: the action to take, should be one of [{tool_names}] Action Input: the input to the action Observation: the result of the action ... (this Thought/Action/Action Input/Observation can repeat N times) Thought: I now know the final answer Final Answer: the final answer to the original input question Begin! Question: {input} Thought:{agent_scratchpad}""") # 实例化ReAct智能体 # create_react_agent 创建一个ReAct风格智能体 from langchain.agents import create_react_agent, AgentExecutor agent = create_react_agent(llm, tools, prompt) # 基于create_react_agent提供的Agent创建代理执行器，只支持使用一个参数 # verbose=True列出大模型执行过程的执行细节 agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True) response = agent_executor.invoke({"input": "乌克兰现任总统是谁？"}) print(response)

运行这个我一直超时，找了好多解决方法也没用。不知道怎么搞。不用维基百科就是了，我换其他的就是了。烦死了。

解决方法： blog.csdn.net/binbinczsohu/article/details/135087296

基于searchapi的Agnet

这个注册后，每月有100次免费搜索次数。

搜索工具的账号注册： serpapi /search-api

import os os.environ['SERPAPI_API_KEY'] = 'c6b0xxx' os.environ['DEEPSEEK_API_KEY'] = "sk-e24xxx" from langchain_deepseek import ChatDeepSeek llm = ChatDeepSeek(model="deepseek-chat") # 加载所需工具，包括serpapi和llm-math from langchain_community.agent_toolkits.load_tools import load_tools tools = load_tools(["llm-math", "serpapi"], llm=llm) # 初始化代理对象，设定代理类型为ZERO_SHOT_REACT_DESCRIPTION，输出详细信息 from langchain.agents import initialize_agent, AgentType agent = initialize_agent( tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True, handle_parsing_errors=True ) # 运行代理对象，向其提问特朗普的年龄和年龄除以2的结果 response = agent.invoke({"input": "特朗普今年几岁了? 他的年龄除以2是多少?"}) print(response)

这回答还是有点问题，这个是基于deepseek-chat模型回答的，他的训练数据是2023的。所以认为今年是2023年。这个在后面可以自定义获取时间的工具来获取更准确的信息

基于langchain的python执行器

需要安装

pip install langchain_experimental from langchain.agents import Tool from langchain_experimental.tools.python.tool import PythonAstREPLTool # 创建Python解释器 python_repl_tool = PythonAstREPLTool() # python代码 query_value = """ def add(a,b): return a+b print(add(100,200)) """ # 基本使用 repl_tool = Tool( name="python_repl", description="一个Python shell。使用它来执行python命令。输入应该是一个有效的python命令。一个值的输出，应该用`print(...)`打印出来。", func=python_repl_tool.run, ) response = repl_tool.invoke(query_value) print(response) """ 300 """ 结合searchiapi与python代码执行器完成文件操作 # -*- coding: utf-8 -*- # @Author : John # @Time : 2025/03/03 # @File : python解释器.py import os os.environ['SERPAPI_API_KEY'] = 'c6b02xx' os.environ['DEEPSEEK_API_KEY'] = "sk-e2432xxx" from langchain_deepseek import ChatDeepSeek llm = ChatDeepSeek(model="deepseek-chat") # 加载所需工具 from langchain_community.agent_toolkits.load_tools import load_tools # python from langchain.agents import Tool from langchain_experimental.tools.python.tool import PythonAstREPLTool python_repl_ast = Tool( name="python_repl_ast", description="一个Python shell。使用它来执行python命令。输入应该是一个有效的python命令。一个值的输出，应该用`print(...)`打印出来。", func=PythonAstREPLTool().run, ) # allow_dangerous_tools 小心使用，给出创建删除等权限 tools = load_tools(["serpapi"], allow_dangerous_tools=True) tools += [python_repl_ast] # 提示词 from langchain.prompts import PromptTemplate prompt = PromptTemplate.from_template( """Answer the following questions as best you can. You have access to the following tools: {tools} Use the following format: Question: the input question you must answer Thought: you should always think about what to do Action: the action to take, should be one of [{tool_names}] Action Input: the input to the action Observation: the result of the action ... (this Thought/Action/Action Input/Observation can repeat N times) Thought: I now know the final answer Final Answer: the final answer to the original input question Begin! Question: {input} Thought:{agent_scratchpad}""") from langchain.agents import create_react_agent, AgentExecutor agent = create_react_agent(llm, tools, prompt) agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True, handle_parsing_errors=True) response = agent_executor.invoke( {"input": "获取当前文件的路径，基于python代码，创建一个data.txt，并在该文件中写入'2025，学习langchain第12课'。并基于python解释器来执行前面所述的代码。"}) print(response)

提示词Hub

之前的提示词都是别人写好复制过来的，也可以通过langchain hub拉取提示词。

地址： smith.langchain /hub

例如之前用到的提示词就是这个

结合searchapi和ChatMessageHistory的对话agent import os os.environ['SERPAPI_API_KEY'] = 'c6xxx' os.environ['DEEPSEEK_API_KEY'] = "sk-e24xxx" from langchain_deepseek import ChatDeepSeek llm = ChatDeepSeek(model="deepseek-chat") # 加载所需工具 from langchain_community.agent_toolkits.load_tools import load_tools tools = load_tools(["serpapi"]) # 从 LangChain Hub 中拉取预训练的 ReAct 提示词模板： smith.langchain /hub/hwchase17/react-chat from langchain import hub prompt = hub.pull("hwchase17/react-chat") # 实例化Agent from langchain.agents import create_react_agent, AgentExecutor agent = create_react_agent(llm, tools, prompt) # 创建Agent执行器 agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True) # 创建对话历史管理对象 from langchain_community.chat_message_histories import ChatMessageHistory from langchain_core.runnables.history import RunnableWithMessageHistory message_history = ChatMessageHistory() agent_with_chat_history = RunnableWithMessageHistory( agent_executor, lambda session_id: message_history, input_messages_key="input", history_messages_key="chat_history", ) while True: user = input("用户名：") if user == "exit": break while True: query = input("问题：") if query == "exit": break response = agent_with_chat_history.invoke( {"input": query}, config={"configurable": {"session_id": user}}, ) print(response)

第一次问题： 第二次问题：

使用Travily Search

注册

地址： tavily /

需要安装一个authenticator，扫码。然后验证

基于create_react_agent使用

与之前使用的searchapi没什么区别，只是需要改一些配置

os.environ["TAVILY_API_KEY"] = "tvly-r8wxxx" os.environ['LANGCHAIN_TRACING_V2'] = 'true' # 固定为'true' from langchain_community.tools.tavily_search import TavilySearchResults tools = [TavilySearchResults(max_results=1)]

其他一致

基于create_structured_chat_agent构建多任务智能体 import os os.environ["TAVILY_API_KEY"] = "tvly-dev-8Uxxx" os.environ['LANGCHAIN_TRACING_V2'] = 'true' os.environ['DEEPSEEK_API_KEY'] = "sk-e2432xxx" from langchain_deepseek import ChatDeepSeek llm = ChatDeepSeek(model="deepseek-chat") # 加载Agent工具 from langchain_community.tools.tavily_search import TavilySearchResults tools = [TavilySearchResults(max_results=1)] from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder from langchain.agents import create_structured_chat_agent, AgentExecutor def structured_chat(input): ## 提示词 system = '''你需要尽可能地帮助和准确地回答人类的问题。你可以使用以下工具: {tools} 使用json blob通过提供action key（工具名称）和action_input key（工具输入）来指定工具。 "action"的有效取值为: "Final Answer" or {tool_names} 每个$JSON_BLOB只提供一个action，如下所示： {{ "action": $TOOL_NAME, "action_input": $INPUT }} ``` 遵循此格式: Question: 用户输入的问题 Thought: 回答这个问题我需要做些什么，尽可能考虑前面和后面的步骤 Action: 回答问题所选取的工具 ``` $JSON_BLOB ``` Observation: 工具返回的结果 ... (这个思考/行动/行动输入/观察可以重复N次) Thought: 我现在知道最终答案 Action: 工具返回的结果信息 ``` {{ "action": "Final Answer", "action_input": "原始输入问题的最终答案" }} ``` 开始！提醒始终使用单个操作的有效json blob进行响应。必要时使用工具. 如果合适，直接回应。格式是Action：“$JSON_BLOB”然后是Observation''' human = '''{input} {agent_scratchpad} (提醒:无论如何都要在JSON blob中响应!)''' prompt = ChatPromptTemplate.from_messages( [ ("system", system), MessagesPlaceholder("chat_history", optional=True), ("human", human), ] ) agent = create_structured_chat_agent(llm=llm, tools=tools, prompt=prompt) print(agent) agent_executor = AgentExecutor.from_agent_and_tools(agent=agent, tools=tools, verbose=True, handle_parsing_errors=True) inputs = {"input": input} response = agent_executor.invoke(inputs) return response.get("output") response = structured_chat("2025年中国除夕档的电影，最受欢迎的是哪些，请按票房排名输出，大的在前？") print(response) 自定义工具函数 基于basetool自定义获取时间工具

docs.tavily /sdk/python/get-started

在之前create_structured_chat_agent稍加两行代码，增加一个获取时间的tool，让agent

import time from langchain_core.tools import BaseTool class Get_Time(BaseTool): name: str = "get_time" description: str = """获取当前时间""" def _run(self) -> str: """调用工具""" return time.strftime("%Y-%m-%d %H:%M:%S", time.localtime()) # 把获取时间的tool加载到tools tools = [TavilySearchResults(max_results=1), Get_Time()] ... # 提问 response = structured_chat("今年是公元多少年，现在的美国总统是谁？")

可以看到，使用了get_time来获取了当前时间，再使用当前时间去tavily查询获得结果。

基于tool装饰器构建工具 # 与上面很类似，只需改成如下即可 from langchain_core.tools import tool @tool("get_time_func") def get_time(): """返回当前时间""" return time.strftime("%Y-%m-%d %H:%M:%S", time.localtime()) tools = [TavilySearchResults(max_results=1), get_time] ... # 提问 response = structured_chat("今年是公元多少年，现在的日本首相是谁？") print(response)

LangSmith

运行一直报警告，让弄langsmith，我这强迫症，就去弄了一下，然后就没有警告了。 具体操作可以参考下面这个

blog.csdn.net/qq_74929891/article/details/145007527