大模型速通学习笔记（57）

LangChain AI Agent 入门实操：代码搭建、工具集成与记忆添加

一、核心主题定位

本集聚焦 AI Agent 的入门级实操落地，核心解决 “新手如何从 0 到 1 构建可交互、能调用工具、有记忆能力的基础 Agent” 的需求。通过 “最小代码框架搭建→工具集成→记忆模块添加” 的递进流程，拆解 Agent 的核心组成部分，让开发者快速掌握基础 Agent 的开发逻辑，为后续复杂场景（如多工具协同、知识增强）打下基础。

---

二、Agent 入门核心认知

1. 基础 Agent 三要素

• 核心驱动（LLM）：大模型作为 “大脑”，负责理解需求、决策步骤，是 Agent 的核心逻辑中枢。
• 工具（Tools）：Agent 的 “手脚”，通过调用外部工具（如查询、计算、文件处理）扩展能力边界，解决模型自身无法完成的任务。
• 记忆（Memory）：Agent 的 “记忆库”，保存对话历史或任务状态，支持多轮交互，避免重复提问（如记住用户前序提到的 “设备型号”）。

2. 入门级 Agent 价值

• 低门槛上手：无需复杂框架整合，仅需 30 行左右代码即可实现基础功能。
• 功能可叠加：从 “无工具无记忆” 到 “多工具 + 长记忆”，可逐步迭代升级。
• 场景适配广：基础 Agent 可直接用于简单问答、单工具任务（如 “查询天气”“计算数值”），满足轻量化需求。

---

三、核心实操：从 0 到 1 构建基础 Agent

以 “智能计算器 Agent” 为例，实现 “接收计算需求→调用计算器工具→记忆历史计算结果→多轮交互” 的完整功能，适配中文场景。

1. 环境准备与依赖安装

bash

运行

# 核心依赖：LangChain+智普大模型（中文优先）
pip install langchain==0.1.10 langchain-community==0.0.30
pip install zhipuai  # 智普大模型SDK

2. 步骤 1：最小 Agent 代码搭建（无工具无记忆）

场景描述：仅实现 “用户提问→模型回答” 的基础交互，验证 Agent 框架可行性。

python

运行

from langchain_community.llms import ZhipuAI
from langchain.agents import initialize_agent, AgentType
from langchain.memory import ConversationBufferMemory

# 1. 初始化核心大模型（智普GLM-3-turbo，轻量高效）
llm = ZhipuAI(
    model="glm-3-turbo",
    api_key="你的智普API_KEY",  # 替换为个人API密钥
    temperature=0.1  # 低随机性，计算类任务结果更精准
)

# 2. 初始化记忆模块（基础记忆，保存对话历史）
memory = ConversationBufferMemory(
    return_messages=True,  # 返回Message对象，适配Agent交互
    memory_key="chat_history"  # 记忆键名，需与Agent Prompt对应
)

# 3. 搭建最小Agent（无工具，仅对话）
basic_agent = initialize_agent(
    tools=[],  # 暂不集成工具，为空列表
    llm=llm,
    agent=AgentType.CHAT_CONVERSATIONAL_REACT_DESCRIPTION,  # 对话式ReAct框架，适合入门
    memory=memory,
    verbose=True  # 开启日志，查看Agent思考过程（新手必备）
)

# 测试基础交互
result1 = basic_agent.run("什么是Agent？用1句话解释")
result2 = basic_agent.run("它和普通大模型有什么区别？")  # 验证记忆是否生效（无需重复背景）
print("第一次回答：", result1)
print("第二次回答：", result2)

3. 步骤 2：集成工具（实现计算器功能）

场景描述：给 Agent 添加 “计算器工具”，让其能处理数学计算需求，而非仅依赖模型生成。

python

运行

from langchain_core.tools import Tool

# 1. 定义计算器工具（核心功能：执行数学表达式计算）
def calculator_tool(expression: str) -> str:
    """
    计算器工具：用于执行加减乘除等数学表达式计算
    输入：合法的数学表达式（如“1+2*3”“(10-5)/2”）
    输出：计算结果或错误提示
    """
    try:
        # 执行表达式计算（实际场景需添加安全校验，避免恶意代码）
        result = eval(expression)
        return f"计算完成：{expression} = {result}"
    except Exception as e:
        return f"计算失败：{str(e)}，请输入合法数学表达式（如“1+2*3”）"

# 2. 封装工具为LangChain格式（指定名称、功能、描述）
tools = [
    Tool(
        name="calculator",  # 工具名称，Agent通过该名称调用
        func=calculator_tool,  # 工具核心函数
        description="用于处理数学计算需求，当用户提问包含数字运算（如“1+1”“5的平方”）时必须调用该工具"
    )
]

# 3. 搭建带工具的Agent
tool_agent = initialize_agent(
    tools=tools,
    llm=llm,
    agent=AgentType.CHAT_CONVERSATIONAL_REACT_DESCRIPTION,
    memory=memory,
    verbose=True,
    agent_kwargs={
        # 系统提示：明确Agent角色与工具调用规则
        "system_message": "你是智能计算器Agent，仅处理数学计算需求，必须通过calculator工具完成计算，不手动计算"
    }
)

# 测试工具调用
result3 = tool_agent.run("计算3的平方加上5的立方等于多少？")
result4 = tool_agent.run("刚才的计算结果再乘以2，结果是多少？")  # 依赖历史记忆
print("工具调用结果1：", result3)
print("工具调用结果2：", result4)

4. 步骤 3：优化记忆模块（保留关键计算历史）

场景描述：默认记忆会保存所有对话，优化为 “仅保留计算结果”，减少冗余，提升多轮交互效率。

python

运行

from langchain.memory import ConversationBufferWindowMemory

# 1. 初始化带窗口的记忆模块（仅保留最近2轮计算历史）
optimized_memory = ConversationBufferWindowMemory(
    return_messages=True,
    memory_key="chat_history",
    k=2  # 仅保留最近2轮对话，避免记忆过载
)

# 2. 搭建带优化记忆的Agent
final_agent = initialize_agent(
    tools=tools,
    llm=llm,
    agent=AgentType.CHAT_CONVERSATIONAL_REACT_DESCRIPTION,
    memory=optimized_memory,
    verbose=True,
    agent_kwargs={
        "system_message": "你是智能计算器Agent，仅处理数学计算需求：1. 必须调用calculator工具；2. 回答需包含计算表达式和结果；3. 记住最近2次计算结果"
    }
)

# 测试多轮记忆
print("=== 多轮计算测试 ===")
final_agent.run("计算123乘以45等于多少？")
final_agent.run("再加上678，结果是多少？")
final_agent.run("刚才的结果除以3，等于多少？")
final_agent.run("第一次计算的表达式是什么？")  # 验证记忆窗口（仅保留最近2轮，应无法回忆第一次）

---

四、常见问题与解决方案

问题现象	原因分析	解决方案
Agent 不调用工具，直接手动计算	工具描述不明确，未强调 “必须调用”	在 system_message 中添加 “必须通过 calculator 工具计算，禁止手动计算”；优化工具 description，明确 “仅当用户有计算需求时调用”
记忆模块不生效，多轮对话丢失历史	记忆 key 与 Agent Prompt 变量名不一致	确保 memory 的 memory_key 与 agent_kwargs 中 system_message 的变量名一致（均为 “chat_history”）
计算工具执行报错（如 “语法错误”）	输入表达式不合法，或缺乏安全校验	在 calculator_tool 中添加表达式校验（如用正则匹配数字 + 运算符）；返回错误时提示用户正确格式（如 “请输入 “1+2*3” 这类格式”）
Agent 回答与工具无关（如用户问 “天气” 也回应）	未限制 Agent 功能边界	在 system_message 中明确 “仅处理数学计算需求，非计算问题直接说明无法解答”

---

五、入门级 Agent 优化技巧

1. 工具扩展：在tools列表中添加更多工具（如 “汇率转换工具”“单位换算工具”），让 Agent 支持多类型计算。
2. 记忆升级：复杂场景替换为ConversationSummaryMemory，自动总结长对话历史（如 “将 10 轮计算结果总结为‘共计算 5 次，涉及加减乘除’”），减少记忆占用。
3. 输出格式化：通过 Prompt 模板约束输出格式（如 “回答格式：表达式：XXX → 结果：XXX”），提升结果可读性。
4. 安全加固：计算器工具中替换eval()为sympy库（pip install sympy），避免恶意代码执行，示例：

   python

   运行

   from sympy import sympify, N
   def safe_calculator(expression: str) -> str:
       try:
           expr = sympify(expression)
           result = N(expr)
           return f"计算完成：{expression} = {result}"
       except Exception as e:
           return f"计算失败：{str(e)}"