核心内容摘要
汤姆叔叔温馨提示30s：让生活的小确幸，在每一次呼吸间绽放
LangChain Agent的终极指南本教程是您使用 Python 创建第一个agent的重要指南请立即开始你的 LLM 开发之旅。
什么是LangChain Agent代理LangChain中代理背后的想法是利用语言模型以及要执行的一系列操作。
代理正在使用推理引擎来确定要执行哪些操作来获取结果。
代理对于处理从简单的自动响应到复杂的上下文感知交互等任务至关重要。
例如您可能有一个与 Google 搜索、Wikipedia 和 OpenAI LLM 集成的代理。
使用给定的代理工具他们可以在 Google 中搜索结果然后使用维基百科工具中检索到的上下文来查找详细信息并扩展上下文。
请记住您必须放置明确定义的指令以确保代理将以正确的顺序调用工具。
该图展示了代理及其组件的示例
提升你的Agent代理你可能想知道“为什么我不能使用简单的LLM来回答我的问题在某些情况下使用的 LLM 模型具有旧数据或者您必须提供一些内部数据并使用嵌入来查找相似性。
探索这些可以提升座席功能的示例
网页搜索工具您可以轻松地将不同类型的 Web 搜索作为可用操作添加到您的代理。
它可能是 Google 搜索、Tavily 搜索、DuckDuckGo 等。
在矢量数据库中嵌入搜索您可以从检索器创建一个工具并根据需要对其进行描述因此代理将使用此工具来获取某种数据例如相似性检查和嵌入模型。
做特定动作您的代理可以是多用途的。
例如它可能在 Internet 上搜索某种信息执行推理步骤然后调用操作来创建 Jira 事务。
API集成工具LangChain框架已经做了很多API集成你需要做的就是获取API密钥安装包并将工具附加到代理上。
自定义工具您可以编写自己的工具请参阅文档以了解如何操作。
它可能是与您的内部 API、文档系统和许多其他应用程序的集成
LangChain Agent vs. Chain除了拥有代理之外LangChain还支持链的想法。
链是要执行的操作的子序列始终以硬编码的方式进行。
这是代理和链之间的关键区别。
虽然在代理中推理模型可以选择其他操作从给定的工具来获取特定数据但链将始终采用我们选择的相同路径。
与链相比代理商的优势根据工具的描述代理决定应使用哪种工具来获取相关信息。
代理采取行动并获取给定结果的上下文例如在其他资源例如Google搜索和维基百科中搜索其他信息。
代理检查结果并重复该过程以获取所需的数据。
使用代理的主要目标当您构建自己的 AI LangChain 解决方案时您需要了解使用代理是否是您想要的方式。
如果您的用例始终基于相同的流程和策略例如
网络搜索。
向量数据库文本嵌入。
推理。
然后您可以考虑使用链而不是代理。
agent成本是不可预测的因为有些问题可能会在调用一个工具后直接回答而另一些问题可能会使用一套全面的工具进行适当的推理。
如果您的用例基于确定来自不同来源的事物称为工具那么代理似乎是一个很好的解决方案。
另一方面一种代理类型使用单个工具将复杂的查询划分为更简单的查询因此这也可能是决定是使用链查询还是代理的另一个标准。
LangChain Agent类型LangChain根据几个维度对代理进行分类模型类型;支持聊天记录;多输入工具;并行函数调用;必需的模型参数。
选择适合您的选项
OpenAI函数某些模型经过微调输入与平时略有不同。
可以调用一些特殊函数此代理的作用是确定何时应调用它。
该代理旨在与这种 OpenAI 模型一起使用。
它支持聊天记录。
OpenAI 工具该代理旨在与 OpenAI 工具配合使用因此其作用是交互并确定是否使用图像生成工具或其他内置工具。
OpenAI 函数之间的主要区别在于该函数试图找到最适合的算法/算法的一部分以进行更好的推理而 OpenAI 工具是关于内置工具如图像生成和执行代码。
它支持聊天记录。
XML代理在一些模型中推理/编写XML处于非常高级的水平一个很好的例子是Anthropic Claude的模型。
如果您正在处理 XML 文件这可能是要考虑的正确选择。
它支持聊天记录。
JSON 对话代理在读取JSON时市场上有几种LLM特别方便。
JSON也是某些实体表示的非常常见的标准。
如果您正在构建某种对 JSON 文件进行操作的集成并且模型支持它则可以尝试使用此代理。
它支持聊天记录。
结构化聊天适用于多输入工具。
它支持聊天记录。
ReAct代理为简单模型LLM - 非对话式制作。
它支持聊天记录。
自助搜索这种代理仅支持一个工具作为输入。
主要目标是将您的查询分成更小的查询使用工具获得答案然后将其组合成问题的完整答案。
这种代理不支持聊天记录。
工具工具是执行单个任务的代理的主要组件。
它可以是 Web 搜索、矢量数据库搜索或任何其他操作。
您可以从社区完成的许多完整工具中进行选择也可以编写自己的工具。
LangChain还具有从检索器创建工具的非常有用的功能代码语言shell**复制tool create_retriever_tool( retriever, namecompanies_database, descriptionUseful when you need to find information about company. )从 Chroma in-memory 数据库创建检索器的位置代码语言shell**复制retriever Chroma.from_documents(documents_list, embedding_function).as_retriever()像这个例子一样对检索工具进行良好的描述是非常重要的因为代理步骤决策机制就是基于此。
如果您的描述缺失或不完整可能会导致跳过代理执行的操作。
值得一提的是工具名称也应该是唯一的。
工具包工具包是工具与预定义操作的组合可以在我们的代理中使用。
通常它们被组装到特定域。
有不同的例子CSV代理工具包用于对“CSV”文件进行操作读取、写入Github 代理工具包在 Github 上实现了不同的操作例如创建新问题、创建新拉取请求等。
与工具相比工具包实现了很多操作。
创建第一个LangChain Agent先决条件Tavily API tokenOpenAI API tokenPython v
11 版Pip 包langchain至少 v
0.
1.
openai、wikipedia、langchain-community、tavily-python、langchainhub、langchain-openai、python-dotenv此时您必须选择您想使用的 LLM例如 ChatOpenAI;代理类型有关代理类型部分的更多内容;工具。
现在您可以组合所有内容代码语言shell**复制from dotenv import load_dotenv from langchain import hub from langchain.agents import AgentExecutor, create_openai_functions_agent, load_tools from langchain.tools.tavily_search import TavilySearchResults from langchain.utilities.tavily_search import TavilySearchAPIWrapper from langchain_openai import ChatOpenAI load_dotenv() def get_function_tools(): search TavilySearchAPIWrapper() tavily_tool TavilySearchResults(api_wrappersearch) tools [ tavily_tool ] tools.extend(load_tools([wikipedia])) return tools def init_action(): llm ChatOpenAI(modelgpt-4, temperature
0.
prompt hub.pull(hwchase17/openai-functions-agent) tools get_function_tools() agent create_openai_functions_agent(llm, tools, prompt) agent_executor AgentExecutor(agentagent, toolstools, verboseTrue) agent_executor.invoke({input: Who is the owner of Tesla company? Let me know details about owner.}) init_action()Dotenv 文件应具有以下环境代码语言shell**复制TAVILY_API_KEY OPENAI_API_KEY
Agent 执行器从LangChain v
0.
0版本开始推荐的创建新代理的方式是使用AgentExecutor。
您可以通过传递代理和工具轻松定义您的执行器。
旧的initialize_agent使用方式被标记为从 v
0.
0 版本开始弃用。
代码语言shell**复制agent_executor AgentExecutor(agentagent, toolstools, verboseTrue)
定义提示语LangChain v
0.
0 版本提供了一种新的初始化代理的方法。
我们必须对每种类型使用明确定义的方法而不是使用initialize_agent。
还有一个称为 prompt 的附加参数。
我们可以使用默认提示您可以参考文档查看每个代理的提示。
OpenAI 函数代理的默认提示示例代码语言shell**复制prompt hub.pull(hwchase17/openai-functions-agent)如果您不打算覆盖默认提示请相应地提供默认提示。
想入门 AI 大模型却找不到清晰方向备考大厂 AI 岗还在四处搜集零散资料别再浪费时间啦2026 年AI 大模型全套学习资料已整理完毕从学习路线到面试真题从工具教程到行业报告一站式覆盖你的所有需求现在全部免费分享扫码免费领取全部内容
学习必备100本大模型电子书26 份行业报告 600 套技术PPT帮你看透 AI 趋势想了解大模型的行业动态、商业落地案例大模型电子书这份资料帮你站在 “行业高度” 学 AI
100本大模型方向电子书
26 份行业研究报告覆盖多领域实践与趋势报告包含阿里、DeepSeek 等权威机构发布的核心内容涵盖职业趋势《AI 职业趋势报告》《中国 AI 人才粮仓模型解析》商业落地《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》领域细分《AGI 在金融领域的应用报告》《AI GC
实践案例集》行业监测《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。
600套技术大会 PPT听行业大咖讲实战PPT 整理自
年热门技术大会包含百度、腾讯、字节等企业的一线实践安全方向《端侧大模型的安全建设》《大模型驱动安全升级腾讯代码安全实践》产品与创新《大模型产品如何创新与创收》《AI 时代的新范式构建 AI 产品》多模态与 Agent《Step-Video 开源模型视频生成进展》《Agentic RAG 的现在与未来》工程落地《从原型到生产AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。
求职必看大厂 AI 岗面试 “弹药库”300 真题 107 道面经直接抱走想冲字节、腾讯、阿里、蔚来等大厂 AI 岗这份面试资料帮你提前 “押题”拒绝临场慌
107 道大厂面经覆盖 Prompt、RAG、大模型应用工程师等热门岗位面经整理自
年真实面试场景包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题每道题都附带思路解析
102 道 AI 大模型真题直击大模型核心考点针对大模型专属考题从概念到实践全面覆盖帮你理清底层逻辑
97 道 LLMs 真题聚焦大型语言模型高频问题专门拆解 LLMs 的核心痛点与解决方案比如让很多人头疼的 “复读机问题”
路线必明 AI 大模型学习路线图1 张图理清核心内容刚接触 AI 大模型不知道该从哪学起这份「AI大模型 学习路线图」直接帮你划重点不用再盲目摸索路线图涵盖 5 大核心板块从基础到进阶层层递进一步步带你从入门到进阶从理论到实战。
L1阶段:启航篇丨极速破界AI新时代L1阶段了解大模型的基础知识以及大模型在各个行业的应用和分析学习理解大模型的核心原理、
关键技术以及大模型应用场景。
L2阶段攻坚篇丨RAG开发实战工坊L2阶段AI大模型RAG应用开发工程主要学习RAG检索增强生成包括Naive RAG、Advanced-RAG以及RAG性能评估还有GraphRAG在内的多个RAG热门项目的分析。
L3阶段跃迁篇丨Agent智能体架构设计L3阶段大模型Agent应用架构进阶实现主要学习LangChain、 LIamaIndex框架也会学习到AutoGPT、 MetaGPT等多Agent系统打造Agent智能体。
L4阶段精进篇丨模型微调与私有化部署L4阶段大模型的微调和私有化部署更加深入的探讨Transformer架构学习大模型的微调技术利用DeepSpeed、Lamam Factory等工具快速进行模型微调并通过Ollama、vLLM等推理部署框架实现模型的快速部署。
L5阶段专题集丨特训篇 【录播课】