【LangChain】代理（Agent）支持的 工具（Tools）和说明

在 LangChain 中，代理（Agent）可以通过工具（Tools）与外部世界交互，执行诸如搜索、计算、数据查询等操作。langchain_community.agent_toolkits.load_tools 函数用于加载 LangChain 提供的预定义工具，这些工具可以通过 load_tools 函数集成到代理中。以下基于 LangChain 0.3.x 和官方文档（https://python.langchain.com/docs/integrations/tools/），，详细列出代理支持的工具及其功能，并提供代码示例。

---

代理支持的工具列表

LangChain 提供了丰富的工具集成，涵盖搜索、数据查询、文件管理、代码执行等场景。以下是 load_tools 支持的常用工具（截至 LangChain 0.3.x），根据 官方工具集成文档 和 langchain_community 源代码整理：

1. 搜索工具

• wikipedia

  • 功能：查询 Wikipedia 内容，支持通用知识问答。
  • 依赖：pip install wikipedia
  • 输入：字符串查询
  • 输出：Wikipedia 页面摘要
  • 适用场景：历史事件、人物、地点等知识查询
  • 示例工具名称：wikipedia

• serpapi

  • 功能：通过 SerpAPI 进行 Google 搜索，获取实时网络信息。
  • 依赖：pip install google-search-results 和 SerpAPI 密钥
  • 输入：字符串查询
  • 输出：搜索结果摘要
  • 适用场景：实时新闻、天气、趋势等
  • 示例工具名称：serpapi

• duckduckgo

  • 功能：通过 DuckDuckGo 进行隐私优先的网络搜索。
  • 依赖：pip install duckduckgo-search
  • 输入：字符串查询
  • 输出：搜索结果
  • 适用场景：隐私敏感的搜索任务
  • 示例工具名称：duckduckgo-search

• tavily_search

  • 功能：使用 Tavily 搜索 API，专为 LLM 优化的搜索。
  • 依赖：pip install tavily-python 和 Tavily API 密钥
  • 输入：字符串查询
  • 输出：优化的搜索结果
  • 适用场景：高效的网络信息检索
  • 示例工具名称：tavily-search

• exa_search

  • 功能：使用 Exa（原 Metaphor Search）进行语义搜索，适合 LLM 的文档检索。
  • 依赖：pip install exa-py 和 Exa API 密钥
  • 输入：字符串查询
  • 输出：清洗后的 HTML 内容
  • 适用场景：学术或专业文档搜索
  • 示例工具名称：exa_search

2. 数据和 API 工具

• openweathermap

  • 功能：查询 OpenWeatherMap API 的天气信息。
  • 依赖：pip install pyowm 和 OpenWeatherMap API 密钥
  • 输入：城市名称
  • 输出：天气数据（如温度、湿度）
  • 适用场景：实时天气查询
  • 示例工具名称：openweathermap

• dataforseo

  • 功能：通过 DataForSEO API 获取 SEO 和数字营销数据。
  • 依赖：pip install dataforseo-client 和 DataForSEO API 密钥
  • 输入：SEO 查询
  • 输出：SEO 数据
  • 适用场景：市场分析、关键词研究
  • 示例工具名称：dataforseo

• pubmed

  • 功能：查询 PubMed 数据库的生物医学文献。
  • 依赖：pip install biopython
  • 输入：文献查询
  • 输出：文献引用和摘要
  • 适用场景：医学研究、学术查询
  • 示例工具名称：pubmed

• reddit_search

  • 功能：搜索 Reddit 帖子和评论。
  • 依赖：pip install praw 和 Reddit API 凭证
  • 输入：搜索查询
  • 输出：Reddit 帖子摘要
  • 适用场景：社交媒体分析
  • 示例工具名称：reddit-search

3. 代码和计算工具

• python_repl

  • 功能：执行 Python 代码，适合动态计算或脚本运行。
  • 依赖：无（内置 Python 解释器）
  • 输入：Python 代码字符串
  • 输出：代码执行结果
  • 适用场景：数学计算、数据处理
  • 示例工具名称：python_repl

• wolfram-alpha

  • 功能：通过 Wolfram Alpha API 进行复杂计算和知识查询。
  • 依赖：pip install wolframalpha 和 Wolfram Alpha API 密钥
  • 输入：计算或知识查询
  • 输出：计算结果或答案
  • 适用场景：科学计算、单位转换
  • 示例工具名称：wolfram-alpha

4. 文件和系统工具

• file_management
  • 功能：文件操作工具包，包括读取、写入、复制、删除、移动文件等。
  • 依赖：langchain_community.agent_toolkits.FileManagementToolkit
  • 输入：文件路径和操作参数
  • 输出：操作结果
  • 适用场景：本地文件管理（需沙盒环境）
  • 示例工具名称：read_file、write_file 等（通过 FileManagementToolkit 加载）

5. 媒体和生成工具

• dalle_image_generator

  • 功能：使用 OpenAI 的 DALL-E API 生成图像。
  • 依赖：pip install openai 和 OpenAI API 密钥
  • 输入：图像描述
  • 输出：图像 URL 或数据
  • 适用场景：创意内容生成
  • 示例工具名称：dalle_image_generator

• elevenlabs_text2speech

  • 功能：通过 ElevenLabs API 实现文本转语音。
  • 依赖：pip install elevenlabs 和 ElevenLabs API 密钥
  • 输入：文本
  • 输出：音频文件
  • 适用场景：语音生成
  • 示例工具名称：elevenlabs-text2speech

6. 其他工具

• apify

  • 功能：通过 Apify 平台进行网页抓取和自动化任务。
  • 依赖：pip install apify-client 和 Apify API 密钥
  • 输入：抓取任务配置
  • 输出：网页数据
  • 适用场景：数据采集、爬虫
  • 示例工具名称：apify

• aws_lambda

  • 功能：调用 AWS Lambda 函数，执行无服务器计算。
  • 依赖：pip install boto3 和 AWS 凭证
  • 输入：Lambda 函数参数
  • 输出：函数执行结果
  • 适用场景：云端计算
  • 示例工具名称：aws_lambda

• requests

  • 功能：发送 HTTP 请求，获取网页或 API 数据。
  • 依赖：pip install requests
  • 输入：URL
  • 输出：HTTP 响应内容
  • 适用场景：API 调用、网页抓取
  • 示例工具名称：requests_get、requests_post

• scenex

  • 功能：通过 SceneXplain API 进行图像描述生成。
  • 依赖：pip install scenex 和 SceneXplain API 密钥
  • 输入：图像 URL 或数据
  • 输出：图像描述
  • 适用场景：图像分析
  • 示例工具名称：scenex

• nuclia

  • 功能：通过 Nuclia 索引和搜索非结构化数据（视频、音频、文档）。
  • 依赖：pip install nuclia 和 Nuclia API 密钥
  • 输入：查询或数据
  • 输出：搜索结果或生成答案
  • 适用场景：多模态数据处理
  • 示例工具名称：nuclia

• oracleai

  • 功能：使用 Oracle AI Vector Search 进行语义搜索。
  • 依赖：pip install oracledb 和 Oracle 凭证
  • 输入：语义查询
  • 输出：相关文档
  • 适用场景：企业数据搜索
  • 示例工具名称：oracleai

---

代码示例

以下是一个使用 load_tools 加载 wikipedia 和 serpapi 工具，并创建代理的示例：

import os
os.environ["OPENAI_API_KEY"] = "Your OpenAI API Key"
os.environ["SERPAPI_API_KEY"] = "Your SerpAPI Key"

from langchain.agents import initialize_agent, AgentType
from langchain_community.agent_toolkits.load_tools import load_tools
from langchain_openai import ChatOpenAI

# 初始化 LLM
llm = ChatOpenAI(temperature=0, model="gpt-4o-mini")

# 加载工具
tools = load_tools(["wikipedia", "serpapi"], llm=llm)

# 初始化代理
agent = initialize_agent(
    tools=tools,
    llm=llm,
    agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True
)

# 调用代理
response = agent.invoke({"input": "成都的特色美食是什么？"})
print(response["output"])

输出示例：

成都的特色美食包括麻婆豆腐、辣子鸡、火锅、串串香，以及小吃如担担面、龙抄手和钟水饺。这些菜品以麻辣鲜香著称，深受本地人和游客喜爱。

代码说明

1. OpenAI API 密钥：
   • 设置 OPENAI_API_KEY 和 SERPAPI_API_KEY，确保工具和模型正常运行。
   • 替换为实际密钥。
2. 工具加载：
   • 使用 load_tools(["wikipedia", "serpapi"], llm=llm) 加载工具。
   • wikipedia 查询知识库，serpapi 获取实时搜索结果。
3. 代理：
   • 使用 initialize_agent 创建 ReAct 代理，AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION 适合聊天模型。
4. 调用：
   • 输入为 {"input": "..."}，代理根据任务选择工具并生成响应。

LangGraph 替代方案

由于 initialize_agent 不推荐，建议使用 LangGraph 创建代理：

import os
os.environ["OPENAI_API_KEY"] = "Your OpenAI API Key"
os.environ["SERPAPI_API_KEY"] = "Your SerpAPI Key"

from langchain_community.agent_toolkits.load_tools import load_tools
from langchain_openai import ChatOpenAI
from langgraph.prebuilt import create_react_agent

# 初始化 LLM
llm = ChatOpenAI(temperature=0, model="gpt-4o-mini")

# 加载工具
tools = load_tools(["wikipedia", "serpapi"], llm=llm)

# 创建 LangGraph 代理
agent = create_react_agent(llm, tools)

# 调用代理
response = agent.invoke({"messages": [{"role": "human", "content": "成都的特色美食是什么？"}]})
for message in response["messages"]:
    if message["role"] == "assistant":
        print(message["content"])

输出示例：

成都的特色美食包括麻婆豆腐、辣子鸡、火锅、串串香，以及小吃如担担面、龙抄手和钟水饺。这些菜品以麻辣鲜香著称，深受本地人和游客喜爱。

---

注意事项

1. API 密钥安全：
   • 避免硬编码密钥，推荐使用 .env 文件和 python-dotenv：

     from dotenv import load_dotenv
     load_dotenv()  # 加载 .env 文件中的 OPENAI_API_KEY 和 SERPAPI_API_KEY
     

   • 确保密钥支持指定模型和工具。
2. 工具依赖：
   • 安装工具所需包（如 wikipedia、google-search-results）。
   • 某些工具需要额外 API 密钥（如 serpapi、tavily_search）。
3. 工具选择：
   • 根据任务选择工具：知识查询用 wikipedia，实时信息用 serpapi 或 tavily_search，计算用 python_repl。
   • 查看完整工具列表：https://python.langchain.com/docs/integrations/tools/ 🔗
4. LangGraph 迁移：
   • initialize_agent 适合简单场景，LangGraph 支持状态持久化和复杂工作流。
   • 参考 LangGraph 迁移指南.
5. 安全性：
   • 文件管理（file_management）和代码执行（python_repl）工具需在沙盒环境使用，避免安全风险。

---

常见问题

Q1：如何查看所有支持的工具？
A：访问 https://python.langchain.com/docs/integrations/tools/ 获取完整列表，或查看 langchain_community.agent_toolkits.load_tools 源代码。

Q2：可以自定义工具吗？
A：可以，使用 @tool 装饰器或 BaseTool 类定义自定义工具，参考 自定义工具指南。🔗

Q3：工具需要 LLM 吗？
A：某些工具（如 wikipedia、serpapi）需要 LLM 优化查询，但其他工具（如 python_repl）可独立运行。

Q4：如何处理工具调用失败？
A：使用 LangGraph 的错误处理机制，或在代理中设置重试逻辑。

---

总结

LangChain 代理通过 load_tools 支持的工具包括：

• 搜索：wikipedia、serpapi、duckduckgo、tavily_search、exa_search
• 数据和 API：openweathermap、dataforseo、pubmed、reddit_search
• 代码和计算：python_repl、wolfram-alpha
• 文件和系统：file_management（含读写、删除等）
• 媒体和生成：dalle_image_generator、elevenlabs_text2speech
• 其他：apify、aws_lambda、requests、scenex、nuclia、oracleai