从 0 到 1 掌握 LangChain Agents：自定义工具 + LLM 打造智能工作流！

已于 2025-02-11 09:19:07 修改
阅读量5.1k 收藏 23
点赞数 153
分类专栏： 现代大模型技术与应用 文章标签： langchain Agents 自定义工具 python LLM 大模型 LangChain
于 2025-02-04 11:56:46 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Kiradzy/article/details/145438477
版权

系列文章目录

基础篇

01-玩转LangChain：从模型调用到Prompt模板与输出解析的完整指南
02-玩转 LangChain Memory 模块：四种记忆类型详解及应用场景全覆盖
03-全面掌握 LangChain：从核心链条构建到动态任务分配的实战指南
04-玩转 LangChain：从文档加载到高效问答系统构建的全程实战
05-玩转 LangChain：深度评估问答系统的三种高效方法（示例生成、手动评估与LLM辅助评估）
06-从 0 到 1 掌握 LangChain Agents：自定义工具 + LLM 打造智能工作流！

实战篇

文章目录

前言

在近年来，LangChain作为一款强大的开源框架，逐渐成为构建基于大型语言模型（LLM）应用的首选工具。它不仅提供了简洁且灵活的API来进行模型的交互，还包括了众多功能模块，支持高效构建多种应用，如智能问答系统、自动化工作流等。LangChain的模块化设计使得开发者能够根据自己的需求灵活组合不同的功能，从而快速实现复杂的业务场景。

LangChain 的核心模块

LangChain 由以下核心模块组成，每个模块都有其特定的功能：

  1. Model（模型）
    • 提供与大语言模型交互的接口，例如 OpenAI、阿里云等的 LLM。
    • 开发者可以轻松配置 API 调用和模型参数。
  2. Prompt（提示词）
    • 提供动态提示词模板管理功能，支持变量插值、Prompt 优化。
    • 适用于创建灵活且高效的模型交互任务。
  3. Chains（链条）
    • 用于将多个任务步骤组合成一个链条，例如多次调用模型完成复杂的推理任务。
    • 支持模块化设计，便于维护和扩展。
  4. Memory（记忆）
    • 提供上下文记忆功能，可以让模型在多轮对话中记住用户的输入和历史对话内容。
    • 适合构建长时间、多轮交互的对话系统。
  5. Output Parsers（输出解析器）
    • 解析模型的返回结果，例如将文本解析为 JSON 结构，便于后续处理。
    • 特别适用于信息提取、分类任务等。
  6. Agents（代理）
    • 集成多种工具（如 API、数据库、文件系统）与模型交互，使模型能够动态调用外部资源完成复杂任务。
    • 适合构建更智能化的自动化工作流。

LangChain 的应用场景

LangChain 的灵活性和模块化设计使其广泛适用于以下场景：

  • 文本生成与翻译：例如生成新闻稿、调整语气风格、翻译专业文档。
  • 智能问答与知识库：构建基于文档、数据库的知识问答系统。
  • 信息提取与分析：从非结构化文本中提取关键信息，例如用户评论分析、商业报告解析。
  • 对话系统与聊天机器人：利用记忆模块支持上下文多轮对话，实现类似 ChatGPT 的应用。
  • 自动化工作流：通过 Agents 模块集成外部工具，完成复杂的任务链，例如自动处理订单或执行 API 查询。

本文主题

本文将探讨如何利用 LangChain 框架中的 Agents（代理） 功能，构建能够自动调用外部工具和资源的智能体。特别地，我们将重点介绍如何使用 LangChain 提供的内建工具，如 DuckDuckGo 搜索和 Wikipedia 进行动态信息查询，同时讲解如何定义和集成自定义工具，扩展智能体的功能以适应更加复杂的任务。

  • 使用内建工具：介绍如何利用 DuckDuckGo 搜索和 Wikipedia 进行信息查询。
  • 定义自定义工具：展示如何创建并集成自定义工具，以扩展智能体的功能。

通过这些内容，读者将学会如何通过 LangChain 构建更加智能化的自动化工作流。

一、LangChain 环境搭建与初始配置

在开始构建 LangChain 应用之前，需要完成基础环境的搭建和配置。

1.1 安装依赖

在项目环境中安装必要的 Python 包：

pip install langchain langchain-community langchain_openai python-dotenv openai docarray langchain-huggingface numexpr wikipedia

这些依赖包含了 LangChain 框架、环境变量管理工具 python-dotenv 和与 OpenAI 模型交互的接口。

1.2 环境变量加载

为了保护敏感信息（如 API Key 和 API URL），建议将这些信息存储在项目根目录下的一个名为 .env 的文件中。这样可以避免将敏感信息直接暴露在代码中，同时方便环境的统一配置。

1.2.1 具体步骤

  1. 创建 .env 文件
    在项目根目录下创建一个名为 .env 的文件。注意，这个文件不需要任何扩展名。
    如果使用版本控制（如 Git），记得将 .env 文件添加到 .gitignore 中，避免敏感信息被提交到代码仓库。

  2. 编写 .env 文件内容
    .env 文件的内容采用键值对的形式，每行一个键值对，格式如下：

阿里云通义千问（Qwen）API 配置
ALIYUN_API_KEY=你的阿里云API密钥
ALIYUN_API_URL=你的阿里云API地址，例如：https://dashscope.aliyuncs.com/compatible-mode/v1

DeepSeek API 配置
DEEPSEEK_API_KEY=你的DeepSeek API密钥
DEEPSEEK_API_URL=你的DeepSeek API地址，例如：h
最低0.47元/天 解锁文章
【LangChain编程：从入门到实践】自定义代理工具
AI天才研究院
06-25 1169
【LangChain编程：从入门到实践】自定义代理工具 1.背景介绍 在现代人工智能和自然语言处理领域，LangChain作为一种强大的编程框架，正在迅速崛起。LangChain的核心理念是通过链式调用的方式，将多个语言模型和工具组合在一起，以实现复杂的任务。然而，尽管
洞悉LangChain：LangChain工程化设计，从API到智能Agent的全面探索
丨汀、的博客
07-12 901
洞悉LangChain：LangChain工程化设计，从API到智能Agent的全面探索
AutoGen与Flowise：大语言模型(LLM)应用开发的两种工具
canduecho的专栏
06-04 515
例如，如果你正在开发一个基于LLM的应用程序，该程序需要处理用户查询，并根据查询的类型调用不同的服务。然后，你可以使用AutoGen的工作流功能来协调这些代理的交互，以确保正确的服务被调用，并将结果返回给用户。你可以使用Flowise来创建一个工作流，该工作流定义了机器人如何处理输入、调用LLM以生成回复，以及如何处理LLM的输出以生成最终的回复。然而，开发基于LLM的应用程序并不是一件容易的事情，需要处理许多复杂的问题，如工作流管理、错误处理、性能优化等。选择使用哪一个工具取决于你的具体需求和偏好。
LangChain-Agent自定义Tools类 ——基础篇（一）
To be a better man
06-27 5731
【代码】LangChain-Agent自定义Tools类 ——基础篇（一）
大模型从入门到应用——LangChain：代理（Agents）-[工具（Tools）：自定义工具（Custom Tools）]
冯·诺依曼
09-10 3755
如果我们的函数需要更结构化的参数，我们可以直接使用类，或者仍然继承BaseTool类。当我们创建自定义工具时，我们可能希望Agent更多地使用自定义工具而不是普通工具。例如，我们创建了一个自定义工具，用于从数据库中获取有关音乐的信息。当用户需要有关歌曲的信息时，我们希望Agent更多地使用自定义工具而不是普通的搜索工具。但是Agent可能会优先考虑普通的搜索工具。为了实现这一目标，可以在描述中添加类似于如果问题是关于音乐的，例如“昨天的歌手是谁？”或“2022年最受欢迎的歌曲是什么？tools = [
GPT实战系列-LangChain构建自定义Agent
Alex_StarSky的博客
03-13 2024
LangChain使构建由LLMs驱动的应用程序变得简单，使用LangChain，可以在统一的界面中轻松与不同类型的LLMs进行交互，管理模型版本，管理对话版本，并将LLMs连接在一起。
第27篇：深入剖析：LangChain的自定义Agent实践
Gemini的博客
06-30 1962
我们首先定义三个自定义Tool，分别用于搜索、数学计算和获取当前日期。通过这篇博客，我们详细介绍了如何使用LangChain库创建自定义Agent，集成搜索、数学计算和获取当前日期的功能。定义自定义Tool：创建用于搜索、数学计算和获取当前日期的工具。创建Plan and Execute Agent：将工具集成到Agent中，并实现任务的自动执行。集成功能：分别实现搜索、数学计算和获取当前日期功能的Agent应用。测试Agent：通过不同的提示语测试Agent的综合能力。
全面掌握 LangChain：从核心链条构建到动态任务分配的实战指南
吴师兄大模型的博客
01-14 3464
在自然语言处理（NLP）的世界里，任务需求的多样性和复杂性不断给开发者提出挑战。一个高效的NLP系统需要同时胜任多个任务，例如动态生成广告语、个性化推荐，甚至能回答跨学科的问题。然而，传统开发方法通常需要独立为每个任务设计逻辑模块，不仅耗时耗力，还极易导致代码的复杂性失控。LangChain以其模块化的设计为这一问题提供了解决方案。它不仅简化了开发流程，还通过强大的链条组合能力，使开发者能够快速搭建从单一任务到多任务分配的完整逻辑流。
【LangChain编程：从入门到实践】自定义提示模板原理与应用实战 系列文章
AI天才研究院
06-21 962
随着人工智能技术的快速发展,特别是自然语言处理领域的突破,大语言模型(LLM)正在重塑人机交互的方式。LLM能够理解和生成接近人类水平的自然语言,为构建智能对话系统和知识应用带来了新的机遇。然而,直接使用LLM进行应用开发往往需要大量的prompt engineering工作,而且缺乏组合不同LLM能力的灵活性。这些挑战催生了一个新的编程范式—— LangChain。LangChain是一个面向LLM应用开发的开源框架,它提供了一系列工具和最佳实践,帮助开发者更轻松地构建LLM驱动的应用。
玩转 LangChain：从文档加载到高效问答系统构建的全程实战
吴师兄大模型的博客
01-21 4249
在人工智能技术快速发展的背景下，大语言模型（LLM）的应用场景越来越广泛，例如自动化文本生成、智能问答系统、知识提取等。然而，如何高效地与这些大模型交互，成为开发者面临的一大挑战。LangChain正是为解决这一问题而生的。LangChain 是一个开源框架，旨在帮助开发者更便捷地与大语言模型（如 OpenAI 的 GPT 系列、阿里云通义千问 Qwen）进行交互。
langchain 的 agent + tool 使用
热门推荐
木下瞳的博客
05-19 1万+
langchain 中提供了内置工具的，但是基本不能用，除了一个计算器和一个执行 python 代码的，其他的都要 apiTool 模块相当于是使用外部工具，或者自定义工具。
LangChain神器：只需五步，就能构建自定义知识聊天机器人
ytt0523_com的博客
07-08 974
前言你可能听说过，最近几个月出现了很多人工智能的应用程序。你可能也在用一些这样的应用。比如和AI这些AI工具，它们可以帮我们省去很多麻烦，我们不用再翻来覆去地看文档，就能找到想要的答案。它们让AI为我们做了很多工作。那么，开发这些工具的人是怎么做到的呢？其实，他们都用了一个叫的开源框架。在这篇文章里，我会告诉你LangChain是什么，以及它是怎么和OpenAI的API一起工作的，来创建这些很厉害的工具。同时，希望通过文本的介绍能给你带来一些灵感，让你也想出自己的创意。OK，我们开始吧！
Langchain自定义Tool的三种方式
weixin_48707135的博客
04-15 5563
在构建你自己的智能体（Agent)时，你会需要提供一系列供它使用的工具（Tools)。除了被调用的函数，Tool还由以下部分组成接下来，我会以一个谷歌搜索工具来演示如何自定义Tool。
Langchain的学习心得--自定义工具（两种）
king_21e的博客
07-25 1101
当构建自己的代理时，您需要为其提供一组工具列表，代理可以使用这些工具。除了调用的实际函数之外，工具由几个组件组成：name（str），是必需的，并且在提供给代理的工具集中必须是唯一的description（str），是可选的但建议的，因为代理使用它来确定工具的使用方式return_direct（bool），默认为 Falseargs_schema（Pydantic BaseModel），是可选的但建议的，可以用于提供更多信息（例如，few-shot 示例）或用于验证预期参数。
如何使用LangChain自定义agent的制作（1） - 自定义一个可以执行 SQL 查询的 Agent
一起来研究langchain和langchain-chatchat
06-21 1968
之前我们一块学习了如何使用LangChain库使用大模型与SQL数据库进行交互文章末尾说了要写一个自定义的 agent 把我们的代码包进去，今天我们一块来尝试写一个自定义agent# 创建数据库会话# 定义执行SQL查询的工具函数try:# 定义LangChain的工具# 初始化LangChain的LLM# 创建自定义Agentllm=llm,
langchain-Agent-工具篇
我只钓小鱼的博客
01-13 1534
langchain 中如何自定义工具，已提供给Agent进行调用
LangChain学习笔记：四、代理Agent和工具Tools的使用
walker_skill的博客
10-25 7327
代理（Agents)过程中我需要使用其他功能而不是AI来作为链中的一环（例如数据库操作、计算器）怎么办如果我的链是需要判断逻辑，依据当前情况来决定下一步的话怎么办？为了尝试一下代理Agent的选择功能，这里自定义一个新工具，看是否会自动选择# 简单定义函数作为一个工具"age": 18,},"age": 16,},# 自定义工具字典tools = (# 这个就是上面的llm-math工具Tool(),# 自定义的信息查询工具，声明要接收用户名字，并会给出用户信息Tool(
LangChain入门(八)-自定义agent中所使用的工具
Good Luck
05-05 3488
比如 Calculator 在描述里面写到，如果你问关于数学的问题就用他这个工具。我们就可以在上面的执行过程中看到，他在我们请求的 prompt 中数学的部分，就选用了Calculator 这个工具进行计算。自定义工具里面有个比较有意思的地方，使用哪个工具的权重是靠。来实现的，和我们之前编程靠数值来控制权重完全不同。
LLM应用： AI 应用开发平台-工作流workflow创建自定义模版使用
weixin_42357472的博客
05-01 667
本案例是在coze平台上操作的，也有其他工具支持工作流的创建例如dify；也例如图像生成的comfyui工作流工具。可以根据自己需求创建自己的工作流工具；bing搜索、大模型都有插件可以选择使用。
langchain tools
最新发布
03-14
### LangChain相关的开发工具和资源 LangChain 是一种用于构建 AI 应用程序的强大框架，它提供了一系列丰富的工具和资源来支持开发者完成复杂的任务。以下是关于 LangChain 的一些重要工具及其相关内容： #### 工具概述 LangChain 提供了多种内置工具和工具包，旨在简化开发过程并增强应用程序的功能[^1]。这些工具涵盖了数据处理、模型交互以及外部服务集成等多个方面。 #### 主要工具分类 1. **检索器（Retrievers）** - 该类工具主要用于从数据库或其他存储介质中提取信息。例如，向量数据库检索器可以帮助快速找到与查询最相似的内容[^2]。 2. **链式操作（Chains）** - 链式操作允许将多个步骤组合成一个连贯的工作流。这使得复杂任务能够被分解为更小的部分逐一执行，从而提高了代码的可读性和维护性[^3]。 3. **记忆模块（Memory Modules）** - 记忆模块让对话型应用具备上下文感知能力，这对于聊天机器人等场景尤为重要。通过保存历史记录，系统可以在后续响应中更好地理解用户的意图[^4]。 4. **代理（Agents）** - Agents 结合了语言模型和其他实用插件的能力，在面对未预设的任务时也能表现出良好的适应性。它们可以根据输入动态决定采取哪些行动[^5]。 #### 开发者资源推荐 为了充分利用上述提到的各项特性，建议参考以下材料深入了解： - **官方文档**: 包含详尽的技术细节说明及示例教程，适合各个层次的学习者查阅。 - **GitHub仓库**: 不仅能下载源码文件，还经常会有社区贡献的新案例分享。 - **安全指引**: 特别强调了在实际项目部署阶段需要注意的安全事项，防止潜在风险发生。 ```python from langchain import OpenAI, Wikipedia from langchain.agents import initialize_agent, Tool from langchain.tools import BaseTool class CustomSearchTool(BaseTool): name = "custom_search" description = ( "A custom search tool useful for finding information about technology." ) def _run(self, query: str) -> str: """Use the tool.""" result = Wikipedia.run(query) return f"Custom Search Result: {result}" llm = OpenAI(temperature=0) tools = [ Tool( name="Custom Search", func=Wikipedia.run, description="useful for when you need to answer questions about technology.", ), ] agent = initialize_agent(tools, llm, agent="zero-shot-react-description", verbose=True) response = agent.run("What is Python programming language?") print(response) ``` 以上是一个简单的例子展示了如何创建自定义工具并与LLM一起工作形成Agent实例。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

吴师兄大模型

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值