基于LangChain构建一个简单的Agent代理

八戒洗发用飘柔

墨衍会员 · AI 创作全网分发码龄8年

关注

原创最新推荐文章于 2026-08-30 11:44:54 发布 1.1k 阅读 AI 写同款· GEO 优化 ›

Langchain-agent入门笔记（1）自整理langchain-agent入门笔记阅读详情

摘要：本文说明如何基于LangChain构建一个简单的Agent代理；使用OpenAi模型和TAVILY搜索。

该Agent代理具备读取历史信息的能力。

在介绍之前首先说明如何在Pycharm中配置代理。这样就可以使用LangSmith来进行追踪和TAVILY来搜索。

Pycharm打开，依次点积File，Settings，Appearance&behavior、System settings、HTTP Proxy，选择Manual proxy configuration，选择HTTP，以我为例，我挂着clash小猫，打开电脑网络设置的代理。

将IP地址、端口、下面的文本框分别粘贴复制到刚才打开的Pycharm中的相应地址，点击check connection，输入谷歌网址进行测试。测试成功即可。

上面介绍完了如何在Pycharm中使用代理，下面进入正题。根据我当前的理解，agent的工作流程是

接收输入：代理接收用户的输入消息，并开始处理。
启动代理链：代理链启动，准备处理输入数据。
调用工具或服务：根据需要，代理调用特定的工具或服务来执行部分任务。
工具处理结束：工具完成任务并返回结果，代理接收工具输出。
生成响应：代理根据输入数据和工具输出，逐步生成响应内容。
代理链处理结束：代理链完成整个处理流程，生成最终响应。

第一步

导入相应的api创建chat对象以及搜索工具定义。

os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_API_KEY"] = ''
os.environ["TAVILY_API_KEY"] = ''
api_key = ""
api_base = ""
model = ChatOpenAI(model="gpt-3.5-turbo", api_key=api_key, base_url=api_base)

search = TavilySearchResults(max_results=2)
search_results = search.invoke("what is the weather in SF")
print(search_results)

tools = [search]
model_with_tools = model.bind_tools(tools)

引号中的内容都要自己去获取。定义model时直接在ChatOpenAI后的（）添加model、api_key、base_url是我随便试试的竟然成功了，这是使用代理的方式连接openai。如果读者有实力可以直接定义openai的api_key，模型定义时只要传入model参数即可。search是定义的工具。将定义的工具和模型bind一下，因为我没有找到科大讯飞对应的api说明，星火大模型也没有bind方法，所以用openai来示例。

第二步

定义agent_executor

agent_executor = create_react_agent(model, tools)

以上面的定义为例，分别以返回的输出结果以Messagt的形式或者token的形式展示；

Streaming Messages如下

for chunk in agent_executor.stream(
    {"messages": [HumanMessage(content="whats the weather in sf?")]}
):
    print(chunk)
    print("----")

async def handle_agent_events():
    async for event in agent_executor.astream_events(
        {"messages": [HumanMessage(content="whats the weather in sf?")]}, version="v1"
    ):
        kind = event["event"]
        if kind == "on_chain_start":
            if event["name"] == "Agent":
                print(
                    f"Starting agent: {event['name']} with input: {event['data'].get('input')}"
                )
        elif kind == "on_chain_end":
            if event["name"] == "Agent":
                print()
                print("--")
                print(
                    f"Done agent: {event['name']} with output: {event['data'].get('output')['output']}"
                )
        if kind == "on_chat_model_stream":
            content = event["data"]["chunk"].content
            if content:
                print(content, end="|")
        elif kind == "on_tool_start":
            print("--")
            print(
                f"Starting tool: {event['name']} with inputs: {event['data'].get('input')}"
            )
        elif kind == "on_tool_end":
            print(f"Done tool: {event['name']}")
            print(f"Tool output was: {event['data'].get('output')}")
            print("--")

# 启动异步事件处理函数
asyncio.run(handle_agent_events())

Streaming tokens如上，.astream_events方法就是以token的形式返回，输出结果如下

这两个个例子就是按照我的理解进行agent对事件的处理来执行的。这两个例子都不会读取历史信息，按我之前的介绍需要加入cofig，在agent中还要新增内存memory。

第三步

添加内存和config

memory = SqliteSaver.from_conn_string(":memory:")

agent_executor = create_react_agent(model, tools, checkpointer=memory)

config = {"configurable": {"thread_id": "abc123"}}

分别执行下面两段代码可以说明。

for chunk in agent_executor.stream(
    {"messages": [HumanMessage(content="hi im bob!")]}, config
):
    print(chunk)
    print("----")

for chunk in agent_executor.stream(
    {"messages": [HumanMessage(content="whats my name?")]}, config
):
    print(chunk)
    print("----")

读者可以尝试新定义一个config，更改线程id，执行第二段代码会输出我不知道您的名字类似的话。

本篇文章说明了用Langchain构建一个简单的agent代理的过程，还增加了内存可以读取历史信息。

收录于

LLM开发

标签

#langchain #语言模型 #ai

LLM之LangChain（二）| LangChain中的Agent 定义了两个工具，“搜索”和“查找”，其中“搜索”工具搜索文档，“查找”工具执行术语查找。上述代码从LangChain库导入必要的模块，包括代理和语言模型，它设置了一个具有特定代理配置的会话代理，称为“self-ask-with-search”。此代理是为在会话设置中使用而设计的，它结合了React框架来确定使用哪个工具，并利用内存来记住以前的对话交互。LangChain是一种功能强大的自动化工具，可用于各种任务，它提供了可用于创建agent的各种工具。然后，代码提供两个提示来演示与代理的一次性交互。阅读详情

基于LangChain构建一个简单的Agent代理

相关推荐