30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度最近在尝试将大语言模型LLM集成到实际业务中时你是否遇到过这样的困境模型本身很强大但让它稳定、可靠地执行一个多步骤的复杂任务却异常困难比如你想让AI自动分析一份财报然后根据分析结果去数据库查询相关数据最后生成一份投资建议报告。这个流程涉及理解、决策、工具调用和数据整合单纯调用ChatGPT的API几乎无法完成。这正是AI Agent智能体要解决的核心问题。而LangChain作为当前最流行的AI应用开发框架之一提供了一套优雅的架构和抽象让构建这样的智能体变得清晰可控。本文将为你拆解LangChain中构建AI Agent最关键的5个核心概念理解它们你就能看懂一个AI Agent的骨架和运作原理无论是进行技术选型、架构设计还是故障排查都将游刃有余。本文适合有一定Python和LLM基础希望系统学习LangChain以构建复杂AI应用的开发者。我们将从最底层的组件开始逐步向上构建最终形成一个完整的Agent视角。1. 背景与核心概念为什么需要LangChain和AI Agent在深入细节之前我们有必要厘清几个基本概念。大型语言模型LLM如GPT-4、Claude等本质上是强大的“文本预测器”。它们根据输入的上下文生成概率最高的下一个词或一段话。它们知识渊博但存在固有局限缺乏实时性知识有截止日期、无法直接操作外部系统如数据库、API、可能产生幻觉编造信息以及处理长上下文能力有限。AI Agent智能体则是一个更高层次的概念。它指的是一个能够感知环境、进行决策并执行动作以实现目标的系统。在LLM的语境下一个AI Agent通常以LLM作为其“大脑”或“推理引擎”负责理解和规划同时配备一系列“工具”Tools作为其“手脚”使其能够与外部世界交互。Agent的核心能力是自主性和工具使用。那么LangChain是什么简单说它是一个用于开发由LLM驱动的应用程序的框架。它并不提供LLM本身而是提供了一套标准化的接口、组件和链式组装方法让你能更方便地将LLM与外部数据源、工具和记忆系统连接起来。你可以把它想象成构建AI应用的“乐高积木”套装。LangChain的核心价值在于模块化将复杂流程拆解为可复用的组件Models, Prompts, Chains, Agents等。标准化为不同的LLM提供商OpenAI, Anthropic, 本地模型等和工具提供统一接口。链式编排轻松地将多个步骤组合成可执行的序列Chain。Agent赋能提供构建具备推理和工具使用能力的智能体的高级抽象。理解了这层关系我们就能明白学习LangChain的核心概念就是学习如何用这套“乐高”搭建出功能强大的AI Agent。接下来我们逐一剖析这五个基石概念。2. 环境准备与版本说明在开始概念讲解和代码演示前我们需要搭建一个基础的Python环境。本文的示例代码基于当前以写作时为准较稳定的LangChain版本。环境要求操作系统Windows 10/11, macOS, 或 Linux (如Ubuntu 20.04)。Python版本 3.8。推荐使用Python 3.9或3.10以获得最佳兼容性。包管理工具pip。安装核心库我们将安装langchain核心包以及用于连接OpenAI模型的langchain-openai和用于创建Agent所需工具的langchain-community社区工具集。同时我们使用python-dotenv来管理API密钥等环境变量。打开你的终端或命令行创建一个新的虚拟环境强烈推荐然后执行以下命令# 创建并激活虚拟环境 (以conda为例也可使用venv) conda create -n langchain-agent python3.10 conda activate langchain-agent # 安装必要的包 pip install langchain langchain-openai langchain-community python-dotenv openai版本说明LangChain生态发展迅速模块化程度越来越高。请注意langchain包本身是一个“元包”它会自动安装一系列核心子包。从0.1.0版本左右开始LangChain团队将许多功能拆分到了独立的命名空间包中如langchain-openai,langchain-anthropic以提供更清晰的依赖管理和更小的安装体积。本文示例基于此新架构编写。API密钥配置你需要一个OpenAI的API密钥或其他LLM提供商的密钥。创建一个名为.env的文件在你的项目根目录并将密钥放入其中# .env 文件内容 OPENAI_API_KEY你的-openai-api-key-here然后在你的Python代码开头通过dotenv加载它# config.py 或主程序开头 from dotenv import load_dotenv import os load_dotenv() # 从 .env 文件加载环境变量 openai_api_key os.getenv(OPENAI_API_KEY) if not openai_api_key: raise ValueError(请在 .env 文件中设置 OPENAI_API_KEY)环境准备就绪现在让我们进入第一个核心概念。3. 核心概念一模型Models—— Agent的“大脑”在LangChain中Models是LLM的抽象。它是对不同提供商、不同型号LLM的统一封装。这是所有AI应用的起点也是Agent的“思考中枢”。核心作用提供调用LLM的统一接口。隐藏不同API的细节差异如参数命名、响应格式。支持多种模型类型聊天模型ChatModels和文本补全模型LLMs。关键点ChatModel vs LLM这是两种主要类型。ChatModel如ChatOpenAI专为多轮对话设计输入输出是结构化的消息列表SystemMessage,HumanMessage,AIMessage等。这是构建Agent和复杂交互的首选。LLM如OpenAI传统的文本补全模型输入输出是简单字符串。适用于单轮任务。温度Temperature控制模型输出的随机性。值越高如0.8输出越多样、有创造性值越低如0.1输出越确定、保守。对于需要稳定、可重复结果的Agent任务通常设置较低的温度。流式输出Streaming对于需要实时显示生成结果的场景如聊天界面可以启用流式输出。代码示例初始化一个ChatModel# 示例使用ChatOpenAI模型 from langchain_openai import ChatOpenAI from langchain.schema import HumanMessage, SystemMessage # 初始化聊天模型指定模型名称和温度 # 注意这里直接从环境变量读取API_KEY模型内部会自动处理 llm ChatOpenAI( modelgpt-3.5-turbo, # 或 gpt-4, gpt-4-turbo-preview temperature0.2, # 较低的temperature使Agent决策更稳定 api_keyos.getenv(OPENAI_API_KEY) # 通常通过环境变量传递这里显式写出以示清晰 ) # 使用ChatModel进行调用 messages [ SystemMessage(content你是一个有帮助的助手。), HumanMessage(content什么是LangChain) ] response llm.invoke(messages) # 同步调用也可用 ainvoke 进行异步调用 print(response.content)为什么这对Agent重要Agent的每一次“思考”决定下一步做什么、如何解析用户输入、如何理解工具返回结果都依赖于对Model的调用。选择一个合适的模型并配置正确的参数如温度、最大token数是保证Agent行为可靠的基础。4. 核心概念二提示词Prompts—— 引导Agent思考的“指令集”LLM本身是无状态的它的行为完全由输入提示词决定。Prompts就是精心设计的输入文本用于引导LLM产生我们期望的输出。在LangChain中Prompt被模板化使其可复用和动态化。核心作用将用户输入、上下文、指令等组合成有效的LLM输入。通过模板实现动态内容注入。标准化与Agent、Chain的交互格式。关键点提示词模板PromptTemplate包含变量的字符串模板变量在运行时被填充。聊天提示词模板ChatPromptTemplate专为ChatModel设计用于构建消息列表模板。这是构建Agent的核心因为Agent的“思考循环”通常需要系统指令、聊天历史、工具描述和用户问题共同构成提示词。少量示例Few-shot在模板中嵌入输入-输出示例让模型学习特定任务格式。代码示例构建一个用于Agent的ChatPromptTemplate# 示例构建一个包含系统指令和用户输入的聊天提示词模板 from langchain.prompts import ChatPromptTemplate, SystemMessagePromptTemplate, HumanMessagePromptTemplate # 1. 定义系统指令模板 - 这是塑造Agent角色和行为的关键 system_template 你是一个专业的股票分析助手。你的任务是 1. 理解用户关于公司或股票的问题。 2. 如果需要实时数据请使用提供的工具进行查询。 3. 根据查询结果给出清晰、有依据的分析或建议。 4. 如果问题超出你的能力或工具范围请如实告知。 你可以使用的工具 {tools} 请严格按照以下格式回应 思考首先分析用户的问题决定是否需要使用工具以及使用哪个工具。 行动如果需要工具输出工具名称和输入参数。格式为Action: 工具名 Action Input: 输入参数 最终答案当你有足够信息回答用户时输出Final Answer:开头后跟你的回答。 system_message_prompt SystemMessagePromptTemplate.from_template(system_template) # 2. 定义用户输入模板 human_template {user_input} human_message_prompt HumanMessagePromptTemplate.from_template(human_template) # 3. 组合成完整的聊天提示词模板 chat_prompt ChatPromptTemplate.from_messages([system_message_prompt, human_message_prompt]) # 4. 使用模板假设tools_list是工具描述字符串从后续的Tools部分获取 # 这里先演示格式后续会与Agent结合 from langchain.tools import Tool # 假设我们有一个获取股价的工具具体实现在Tools部分 # tools_list format_tools_for_prompt([stock_price_tool]) # 一个格式化函数 # formatted_prompt chat_prompt.format_prompt( # toolstools_list, # user_input苹果公司AAPL今天的股价是多少 # ) # messages formatted_prompt.to_messages() # llm_response llm.invoke(messages)为什么这对Agent重要Agent的智能很大程度上来自于提示词工程。系统提示词定义了Agent的角色、目标、可用工具以及最重要的——其推理和输出格式如ReAct格式Thought, Action, Observation, Final Answer。一个设计良好的提示词模板是Agent能够正确进行工具调用和链式思考的前提。5. 核心概念三工具Tools—— Agent的“手脚”Tools是Agent与外部世界交互的接口。一个Tool本质上是一个函数它封装了某个特定能力例如执行一次网络搜索、查询数据库、调用一个API、运行一段代码或操作一个文件。核心作用扩展LLM的能力边界使其能获取实时信息、执行具体操作。提供标准化的调用和响应格式便于Agent理解和使用。关键点Tool类LangChain中的基础工具类需要定义name工具名、description工具描述至关重要Agent靠它决定是否使用、func工具函数或coroutine异步函数。工具描述description字段必须清晰、准确说明工具的功能、输入格式和输出内容。这是Agent能否正确选择工具的关键。内置与自定义工具LangChain社区langchain-community提供了大量预构建工具如搜索、数学计算、文件读写。你也可以轻松地将任何Python函数包装成Tool。代码示例创建自定义工具并与Agent集成# 示例创建一个获取股票价格的模拟工具并将其用于Agent from langchain.tools import Tool import requests import json def get_stock_price(symbol: str) - str: 根据股票代码获取当前股价模拟函数实际中需调用真实API。 Args: symbol (str): 股票代码例如 AAPL, GOOGL. Returns: str: 包含股价信息的字符串。 # 这里模拟一个API调用。真实场景可使用yfinance、Alpha Vantage等库。 # 为演示我们返回一个模拟数据。 mock_data { AAPL: {price: 172.35, change: 1.23, currency: USD}, GOOGL: {price: 152.78, change: -0.45, currency: USD}, MSFT: {price: 415.86, change: 2.67, currency: USD}, } stock_info mock_data.get(symbol.upper()) if stock_info: return json.dumps({ symbol: symbol.upper(), price: stock_info[price], change: stock_info[change], currency: stock_info[currency], source: 模拟数据源 }) else: return json.dumps({error: f未找到股票代码 {symbol} 的信息}) # 将函数包装成Tool stock_price_tool Tool( nameget_stock_price, description根据股票代码例如AAPL, GOOGL查询当前股价、涨跌幅和货币单位。输入应为股票代码字符串。, funcget_stock_price, # coroutine... # 如果是异步函数使用此参数 ) # 另一个示例一个简单的计算器工具 from langchain.tools import tool tool def calculator(expression: str) - str: 计算一个数学表达式的值。支持加减乘除和括号。例如(3 5) * 2 try: # 警告使用eval有安全风险仅用于演示。生产环境应使用安全计算库如ast.literal_eval或自定义解析器。 result eval(expression) return str(result) except Exception as e: return f计算错误{e} # 现在我们有了两个工具stock_price_tool 和 calculator tools [stock_price_tool, calculator] # 工具列表可以传递给AgentAgent会根据描述自动选择使用。为什么这对Agent重要没有Tools的LLM只是一个“知识库”而配备了Tools的LLM就升级成了“智能体”。Tools定义了Agent的能力范围。一个Agent的强大程度直接取决于其可用工具集的丰富性和可靠性。6. 核心概念四记忆Memory—— Agent的“短期记忆”LLM本身是无状态的每次调用都是独立的。这意味着在对话或任务执行过程中它默认会“忘记”之前说过的话和得到的结果。Memory组件就是为了解决这个问题它为Agent或Chain提供了一种持久化对话或任务状态的能力。核心作用在多次LLM调用之间存储和检索信息。维护对话历史实现连贯的多轮对话。保存任务执行的中间状态供后续步骤使用。关键点Memory的类型ConversationBufferMemory简单地将所有对话历史保存在一个缓冲区中。ConversationBufferWindowMemory只保留最近K轮对话防止上下文过长。ConversationSummaryMemory对历史对话进行摘要只保存摘要节省token。VectorStoreRetrieverMemory将记忆存储在向量数据库中通过语义检索相关记忆适用于大量长期记忆。Memory与Chain/Agent的集成Memory通常作为Chain或Agent的一个属性在每次运行时自动载入历史并在运行后保存新的输入/输出。代码示例为Agent添加对话记忆# 示例创建一个带有简单记忆的ConversationChain虽然还不是完整Agent但演示Memory原理 from langchain.memory import ConversationBufferMemory from langchain.chains import ConversationChain # 初始化记忆 memory ConversationBufferMemory(memory_keychat_history, return_messagesTrue) # memory_key: 在prompt中用于填充历史记录的变量名。 # return_messages: 设为True以便与ChatModel兼容返回Message对象列表。 # 创建一个简单的对话链 conversation_chain ConversationChain( llmllm, # 使用之前定义的ChatOpenAI实例 memorymemory, verboseTrue # 打印详细日志便于理解流程 ) # 进行多轮对话 print(第一轮) response1 conversation_chain.invoke({input: 你好我叫小明。}) print(fAI: {response1[response]}) print(\n第二轮AI应该记得我的名字) response2 conversation_chain.invoke({input: 你还记得我叫什么吗}) print(fAI: {response2[response]}) # 查看记忆内容 print(\n当前记忆内容) print(memory.load_memory_variables({}))为什么这对Agent重要一个复杂的Agent任务往往需要多步推理和多次工具调用。Memory使得Agent能够记住之前的思考步骤Thought、执行的动作Action和观察到的结果Observation从而在后续步骤中基于完整上下文做出决策。例如在“查询天气然后决定是否带伞”的任务中Agent需要记住查询到的天气结果才能做出最终建议。7. 核心概念五代理Agent与代理执行器AgentExecutor—— 智能体的“调度中心”这是将所有前述概念组合起来的顶层抽象。Agent是一个由LLM驱动的决策模块它根据用户输入、历史记忆和可用工具的描述来决定下一步该做什么是调用某个工具还是直接给出最终答案。AgentExecutor是驱动Agent运行的“引擎”。它负责调用Agent进行决策。执行Agent选择的工具。将工具执行结果Observation作为新的上下文再次调用Agent进行下一步决策。重复此过程直到Agent决定结束输出Final Answer或达到最大迭代次数。核心作用将LLM的推理能力与工具的执行能力结合起来。管理复杂的多步任务执行流程。处理错误和迭代限制。关键点Agent类型LangChain提供了多种预定义的Agent类型如ZERO_SHOT_REACT_DESCRIPTION零样本ReAct、STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION结构化聊天ReAct等它们内置了不同的提示词模板来指导LLM的推理格式。ReAct框架这是许多Agent的核心推理模式即“推理Reason-行动Act-观察Observe”的循环。LLM输出“Thought: ... Action: ... Action Input: ...”执行器执行Action然后将结果作为“Observation: ...”反馈给LLM进行下一轮Thought。AgentExecutor的关键参数max_iterations: 最大迭代次数防止Agent陷入死循环。early_stopping_method: 提前停止条件。handle_parsing_errors: 当LLM输出无法解析为有效Action时的处理方式。完整实战案例构建一个股票查询与分析Agent现在让我们将前四个概念组合起来创建一个完整的、具备记忆和工具使用能力的股票分析Agent。# 文件stock_agent_demo.py from langchain_openai import ChatOpenAI from langchain.agents import AgentExecutor, create_structured_chat_agent from langchain.memory import ConversationBufferMemory from langchain.tools import Tool from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder from langchain.schema import SystemMessage import json import os from dotenv import load_dotenv load_dotenv() # --- 1. 初始化模型 --- llm ChatOpenAI( modelgpt-3.5-turbo, temperature0, api_keyos.getenv(OPENAI_API_KEY) ) # --- 2. 定义工具 --- def get_stock_price(symbol: str) - str: 模拟获取股票价格 mock_data { AAPL: {price: 172.35, change: 1.23, currency: USD, name: Apple Inc.}, GOOGL: {price: 152.78, change: -0.45, currency: USD, name: Alphabet Inc.}, MSFT: {price: 415.86, change: 2.67, currency: USD, name: Microsoft Corporation}, TSLA: {price: 175.22, change: -5.34, currency: USD, name: Tesla Inc.}, } stock_info mock_data.get(symbol.upper()) if stock_info: return json.dumps(stock_info, ensure_asciiFalse) else: return json.dumps({error: fSymbol {symbol} not found.}) def get_company_news(symbol: str) - str: 模拟获取公司新闻摘要 news_mock { AAPL: [苹果发布新款iPad, 苹果与欧盟就App Store规则达成和解], GOOGL: [谷歌AI模型Gemini推出新版本, 谷歌云营收增长超预期], MSFT: [微软财报显示Azure云业务持续增长, 微软推出新的网络安全产品], } news news_mock.get(symbol.upper(), [暂无近期重要新闻。]) return json.dumps({symbol: symbol, news: news}, ensure_asciiFalse) stock_price_tool Tool( nameGetStockPrice, description根据股票代码查询当前股价、涨跌幅、货币和公司名称。输入是股票代码字符串如AAPL。, funcget_stock_price ) company_news_tool Tool( nameGetCompanyNews, description根据股票代码获取该公司的最新新闻标题摘要。输入是股票代码字符串。, funcget_company_news ) tools [stock_price_tool, company_news_tool] # --- 3. 创建提示词模板使用LangChain内置的Agent提示词--- # 我们将使用为结构化聊天Agent设计的预设提示词。 # 但为了清晰我们看看其核心结构。实际上create_structured_chat_agent会帮我们处理。 from langchain.agents import AgentType # 注意高版本LangChain中创建Agent的方式可能变化。以下是通用方法。 # 更推荐使用 create_react_agent 或 create_structured_chat_agent如果可用 # 这里我们使用一个更显式的方式来展示原理适用于最新版本模式 from langchain.agents.format_scratchpad import format_log_to_str from langchain.agents.output_parsers import ReActSingleInputOutputParser from langchain.tools.render import render_text_description # 构建系统消息 system_message SystemMessage(content你是一个专业的股票分析助手。你可以使用工具来获取股票价格和公司新闻。 请严格遵循以下格式 思考你需要分析当前情况决定是否需要使用工具。 行动json {{ action: 工具名, action_input: 工具的输入参数 }}观察工具返回的结果 ...这个思考-行动-观察循环可以重复多次 最终答案当你拥有足够信息回答用户时用Final Answer:开头给出最终答案。如果你不需要使用工具可以直接给出最终答案。 )构建包含记忆的提示词模板prompt ChatPromptTemplate.from_messages([ system_message, MessagesPlaceholder(variable_namechat_history), # 记忆的占位符 (human, {input}), MessagesPlaceholder(variable_nameagent_scratchpad), # Agent思考过程的占位符 ])--- 4. 初始化记忆 ---memory ConversationBufferMemory(memory_keychat_history, return_messagesTrue)--- 5. 构建Agent执行器 ---由于新版API变化这里展示一个更稳定、高层次的创建方式使用create_react_agenttry: # 方式一使用LangChain新版推荐的高阶函数如果可用 from langchain.agents import create_react_agent agent create_react_agent(llm, tools, prompt) except ImportError: # 方式二手动构建Agent工作流更底层但更可控 print(使用底层方式构建Agent...) from langchain.agents import AgentExecutor, initialize_agent # 使用initialize_agent它封装了提示词、输出解析等复杂逻辑 agent_executor initialize_agent( tools, llm, agentAgentType.STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION, # 指定Agent类型 verboseTrue, memorymemory, max_iterations3, early_stopping_methodgenerate, handle_parsing_errorsTrue # 优雅处理解析错误 ) agent agent_executor如果不是通过initialize_agent创建的则需要创建AgentExecutorif not isinstance(agent, AgentExecutor): agent_executor AgentExecutor( agentagent, toolstools, memorymemory, verboseTrue, max_iterations5, early_stopping_methodgenerate, handle_parsing_errorsCheck your output and make sure it conforms to the format!, ) else: agent_executor agent--- 6. 运行Agent ---print( 股票分析Agent演示 ) queries [ 苹果公司AAPL的股价现在是多少, 它今天涨了还是跌了, # 这个问题需要记忆上下文 那微软MSFT呢, 关于微软有什么最新新闻吗 ]for query in queries: print(f\n用户: {query}) try: # 注意新版LangChain中输入格式可能是字典 result agent_executor.invoke({input: query}) print(f助手: {result.get(output, result)}) except Exception as e: print(f执行出错: {e}) # 打印记忆以调试 print(当前记忆:, memory.load_memory_variables({}))**运行与结果说明** 运行上述代码你将看到类似以下的输出verbose模式会显示详细的思考过程 股票分析Agent演示 用户: 苹果公司AAPL的股价现在是多少Entering new AgentExecutor chain... 思考用户询问苹果公司AAPL的当前股价。我需要使用GetStockPrice工具来获取这个信息。 行动json { action: GetStockPrice, action_input: AAPL }观察{price: 172.35, change: 1.23, currency: USD, name: Apple Inc.} 思考我已经获取到了苹果公司的股价信息。我可以直接给出最终答案。 最终答案苹果公司AAPL的当前股价是172.35美元今日上涨1.23美元。 用户: 它今天涨了还是跌了 Entering new AgentExecutor chain... 思考用户问“它”今天涨了还是跌了。从对话历史看之前的“它”指的是苹果公司AAPL。我已经在上一轮观察中获得了涨跌信息1.23这意味着上涨。我不需要再调用工具。 最终答案根据之前的信息苹果公司AAPL的股价今天上涨了1.23美元。 用户: 那微软MSFT呢 ...这个例子完整展示了AI Agent的架构是如何工作的模型负责思考提示词指导思考格式工具提供外部能力记忆保存对话历史而代理执行器协调整个循环。8. 常见问题与排查思路在构建和运行LangChain Agent时你可能会遇到一些典型问题。下表列出了常见问题及其解决方法问题现象可能原因排查思路与解决方案Agent陷入死循环不断调用工具而不输出最终答案。1. 工具描述不清晰导致Agent无法理解结果。2. 提示词未明确要求输出Final Answer。3.max_iterations设置过高。1.检查工具描述确保description准确说明了工具的功能和输出格式。2.强化提示词在系统指令中明确写出“当你拥有足够信息时必须输出Final Answer:”。3.设置迭代限制合理设置max_iterations如5-10并使用early_stopping_method。解析错误如ValueError: Could not parse LLM output: ...1. LLM的输出不符合Agent预期的格式如JSON解析失败。2. 使用的Agent类型与提示词模板不匹配。1.启用错误处理在AgentExecutor中设置handle_parsing_errorsTrue或一个自定义处理函数。2.检查提示词确保使用的提示词模板与Agent类型兼容例如STRUCTURED_CHATAgent需要特定的JSON格式。3.降低温度将LLM的temperature设为0使输出更稳定。Agent选择了错误的工具或对工具输入格式理解错误。1. 工具描述description不够精确未能与其他工具区分开。2. 工具输入示例不清晰。1.优化工具描述在描述中明确输入格式例如“输入应为股票代码字符串如‘AAPL’”。2.简化工具集初期尽量减少工具数量或确保工具功能区分度大。3.使用更强大的模型尝试GPT-4等更擅长遵循复杂指令的模型。记忆未正确工作Agent忘记之前的对话。1.memory_key未在提示词模板中正确设置占位符。2. 记忆对象未正确传递给Agent或Chain。3. 使用了不兼容的记忆类型如字符串记忆用于聊天模型。1.检查提示词确保提示词中包含MessagesPlaceholder(variable_name“chat_history”)。2.检查初始化确保将memory参数传递给AgentExecutor或Chain。3.设置return_messagesTrue对于ChatModel记忆应返回Message对象列表。工具执行出错如API调用失败。1. 网络问题或API服务不可用。2. 工具函数内部有bug。3. Agent传递给工具的输入参数格式错误。1.添加工具异常处理在自定义工具函数内部使用try-catch返回清晰的错误信息。2.打印调试信息在工具函数中打印输入参数检查是否符合预期。3.使用模拟工具测试开发阶段先用模拟数据工具确保Agent逻辑正确再接入真实API。上下文长度超限。1. 对话历史或工具输出过长导致提示词超过模型token限制。2. 使用了ConversationBufferMemory且未限制长度。1.使用窗口记忆换用ConversationBufferWindowMemory只保留最近K轮对话。2.使用摘要记忆换用ConversationSummaryMemory压缩历史信息。3.精简工具输出让工具返回更简洁的结果。9. 最佳实践与工程建议基于上述核心概念和常见问题以下是一些构建生产级LangChain AI Agent的最佳实践从简单开始逐步迭代不要一开始就设计包含几十个工具的复杂Agent。从一个明确的用户目标、一个工具和一个清晰的提示词开始。验证其工作后再逐步增加工具和复杂度。精心设计工具描述将工具描述视为给LLM的“API文档”。它必须精确、无歧义并包含输入示例。好的描述能极大提升工具选择的准确率。为Agent设定明确的边界和人格在系统提示词中清晰定义Agent的角色、职责、限制和输出格式。例如“你是一个内部数据分析助手只能使用提供的工具不能编造数据。最终答案必须以‘结论’开头。”实施严格的输入验证和清理无论是用户输入还是工具返回的结果都可能包含意外字符或格式。在将数据放入提示词或传递给工具前进行必要的清洗和验证防止注入攻击或解析错误。控制交互循环和成本务必设置max_iterations防止无限循环消耗大量API费用。对于付费API考虑在AgentExecutor层面添加成本监控和熔断机制。使用verboseTrue进行开发调试生产环境中关闭。采用结构化输出和解析对于复杂任务鼓励LLM输出结构化数据如JSON然后使用OutputParser进行解析。这比解析自由文本更可靠。LangChain提供了PydanticOutputParser等强大工具。实现可观察性和日志记录记录Agent完整的执行轨迹Thought, Action, Observation这对于调试、优化和审计至关重要。可以将这些日志存储到数据库或文件中。分离业务逻辑与Agent框架将核心的业务工具函数与LangChain的Tool包装器分离。这样便于单独测试工具逻辑也方便在未来替换Agent框架。准备降级和后备方案Agent可能失败或超时。设计用户友好的错误消息并考虑后备方案例如“很抱歉股票查询服务暂时不可用您可以稍后再试或直接提供股票代码我为您查找历史分析报告。”进行全面的测试单元测试单独测试每个工具函数。集成测试测试Agent与工具的基本交互。端到端测试用典型用户问题测试完整流程。对抗测试尝试用模糊、错误或恶意的输入测试Agent的鲁棒性。掌握这五个核心概念——模型Models、提示词Prompts、工具Tools、记忆Memory、代理与执行器Agent Executor你就掌握了LangChain AI Agent架构的骨架。理解它们如何各司其职又协同工作是构建可靠、高效智能应用的关键。下一步你可以探索更高级的主题如多Agent协作、使用LangGraph编排复杂工作流、集成向量数据库进行知识检索以及将Agent部署为可扩展的API服务。 30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度
