课程目标

1. 理解 Agent 核心概念、工作逻辑
2. 掌握内置工具与自定义工具用法
3. 学会基础 Agent 搭建、运行与调试
4. 区分不同 Agent 类型及适用场景

---

一、核心概念

1. 什么是 Agent

普通 LLM/Chain 只能被动执行预设逻辑； Agent（智能代理） 可以让大模型自主思考、自主选择工具、自主分步完成复杂任务。 核心流程：思考 → 选工具 → 调用工具 → 拿到结果 → 再思考，循环直到任务完成。

2. 三大核心组成

• 大模型 LLM：负责思考、判断、生成执行指令
• 工具 Tool：具备特定能力的功能单元（查时间、搜数据、计算、联网等）
• 代理执行器 AgentExecutor：调度整个流程，管理思考与工具调用

---

二、内置常用工具 & 环境准备

1. 安装依赖

bash

运行

pip install langchain langchain-community langchain-openai

2. 常用内置工具介绍

LangChain 提供开箱即用工具，举例：

• Calculator：数学计算
• DuckDuckGoSearchRun：联网搜索
• PythonREPL：执行 Python 代码
• WikipediaQueryRun：维基百科查询

---

三、实战 1：最简单 Agent（计算器 + 搜索）

完整代码

python

运行

from langchain_openai import OpenAI
from langchain.agents import AgentExecutor, create_react_agent
from langchain.tools import Calculator, DuckDuckGoSearchRun
from langchain.prompts import PromptTemplate
import os

# 配置密钥
os.environ["OPENAI_API_KEY"] = "你的API_KEY"

# 1. 初始化模型
llm = OpenAI(temperature=0)

# 2. 定义工具列表
tools = [
    Calculator(),          # 数学计算工具
    DuckDuckGoSearchRun()  # 联网搜索工具
]

# 3. 定义Prompt（React代理标准提示词）
prompt = PromptTemplate.from_template("""
Answer the following questions as best you can. You have access to the following tools:

{tools}

Use the following format:

Question: the input question you must answer
Thought: you should always think about what to do
Action: the action to take, should be one of [{tool_names}]
Action Input: the input to the action
Observation: the result of the action
... (this Thought/Action/Action Input/Observation can repeat N times)
Thought: I now know the final answer
Final Answer: the final answer to the original input question

Begin!

Question: {input}
{agent_scratchpad}
""")

# 4. 创建React Agent + 执行器
agent = create_react_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# 5. 执行复杂任务（混合搜索+计算）
query = "现在的北京气温是多少，再加上25等于多少？"
result = agent_executor.invoke({"input": query})
print("\n最终答案：", result["output"])

运行解读

开启 verbose=True 会打印完整思考过程：

1. 模型思考：需要先搜索北京气温
2. 调用搜索工具 → 获取气温数值
3. 再次思考：需要数学计算
4. 调用计算器 → 算出结果
5. 输出最终答案

---

四、工具详解

1. 计算器 Calculator

专门处理四则运算、复杂数学公式，大模型直接计算容易出错，交由工具保证精度。 示例任务：(125 + 36) * 8 等于多少

2. 联网搜索 DuckDuckGoSearchRun

免费开源搜索引擎，无需额外配置，用来获取实时、外部知识（大模型静态知识无法覆盖最新信息）。

---

五、自定义工具（重点考点）

当内置工具不满足需求时，可以自己封装工具，固定写法：继承 BaseTool。

示例：自定义工具（文本转大写）

python

运行

from langchain.tools.base import BaseTool
from typing import Optional

# 自定义工具类
class UpperTool(BaseTool):
    name = "TextUpper"  # 工具名称（Agent 通过名称识别）
    description = "将输入的英文文本全部转为大写字母"  # 描述（给LLM判断何时使用）

    def _run(self, tool_input: str) -> str:
        # 工具核心逻辑
        return tool_input.upper()

# 异步方法（可选，同步场景可忽略）
async def _arun(self, tool_input: str) -> str:
    return self._run(tool_input)

# 整合进Agent
tools = [UpperTool(), Calculator()]
agent = create_react_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# 测试
res = agent_executor.invoke({"input": "把 hello world 转为大写"})
print(res["output"])

自定义工具两大必填项

1. name：工具唯一名称
2. description：功能描述，LLM 靠这段文字判断要不要调用该工具

---

六、主流 Agent 类型（考点）

1. ReAct Agent（本节课使用）

   • 特点：思考 (Thought) + 行动 (Action) 结合
   • 适用：通用场景、学习、常规任务
   • 创建方式：create_react_agent

2. OpenAI Functions Agent

   • 特点：依托 OpenAI 函数调用能力，调用逻辑更稳定
   • 适用：生产环境、依赖精准工具调用的项目

---

七、关键易错点总结

1. Agent 和 Chain 区别
   • Chain：流程固定，预先定义好执行顺序
   • Agent：流程动态，模型自主决策下一步操作
2. 工具的 description 至关重要，描述不清会导致 LLM 不会调用工具
3. AgentExecutor 是 Agent 的运行入口，所有交互都通过它执行
4. verbose=True 调试必备，可查看完整思考 + 工具调用链路

---

八、课后作业

1. 基于内置 Calculator + 搜索工具，编写 Agent，完成任务：圆周率保留2位小数乘以100等于多少
2. 自定义一个「文本长度统计工具」，接入 Agent，实现任务：统计字符串 langchain agent 一共有多少个字符
3. 简述 Agent、LLM Chain 二者的区别。

   作业 1：内置工具 Agent（计算器 + 搜索）

   python

   运行

   from langchain_openai import OpenAI
   from langchain.agents import AgentExecutor, create_react_agent
   from langchain.tools import Calculator, DuckDuckGoSearchRun
   from langchain.prompts import PromptTemplate
   import os
   
   os.environ["OPENAI_API_KEY"] = "你的API_KEY"
   
   # 1. 初始化模型
   llm = OpenAI(temperature=0)
   
   # 2. 工具列表：计算器 + 鸭鸭搜索
   tools = [
       Calculator(),
       DuckDuckGoSearchRun()
   ]
   
   # 3. ReAct 标准提示词
   prompt = PromptTemplate.from_template("""
   Answer the following questions as best you can. You have access to the following tools:
   
   {tools}
   
   Use the following format:
   
   Question: the input question you must answer
   Thought: you should always think about what to do
   Action: the action to take, should be one of [{tool_names}]
   Action Input: the input to the action
   Observation: the result of the action
   ... (this Thought/Action/Action Input/Observation can repeat N times)
   Thought: I now know the final answer
   Final Answer: the final answer to the original input question
   
   Begin!
   
   Question: {input}
   {agent_scratchpad}
   """)
   
   # 4. 创建 Agent 和执行器
   agent = create_react_agent(llm, tools, prompt)
   agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
   
   # 5. 执行任务：圆周率保留2位小数乘以100等于多少
   query = "圆周率保留2位小数乘以100等于多少？"
   result = agent_executor.invoke({"input": query})
   print("\n最终答案：", result["output"])
   

   ---

   作业 2：自定义文本长度统计工具

   python

   运行

   from langchain_openai import OpenAI
   from langchain.agents import AgentExecutor, create_react_agent
   from langchain.tools.base import BaseTool
   from langchain.prompts import PromptTemplate
   import os
   
   os.environ["OPENAI_API_KEY"] = "你的API_KEY"
   
   # 1. 自定义工具：文本长度统计
   class TextLengthTool(BaseTool):
       name = "TextLengthCounter"
       description = "统计输入字符串的字符数量，输入一段文本，返回它的长度。"
   
       def _run(self, tool_input: str) -> str:
           # 核心逻辑：计算字符串长度
           length = len(tool_input)
           return f"字符串 '{tool_input}' 的长度是 {length} 个字符。"
   
       async def _arun(self, tool_input: str) -> str:
           return self._run(tool_input)
   
   # 2. 初始化模型
   llm = OpenAI(temperature=0)
   
   # 3. 工具列表
   tools = [TextLengthTool()]
   
   # 4. ReAct 提示词
   prompt = PromptTemplate.from_template("""
   Answer the following questions as best you can. You have access to the following tools:
   
   {tools}
   
   Use the following format:
   
   Question: the input question you must answer
   Thought: you should always think about what to do
   Action: the action to take, should be one of [{tool_names}]
   Action Input: the input to the action
   Observation: the result of the action
   ... (this Thought/Action/Action Input/Observation can repeat N times)
   Thought: I now know the final answer
   Final Answer: the final answer to the original input question
   
   Begin!
   
   Question: {input}
   {agent_scratchpad}
   """)
   
   # 5. 创建 Agent
   agent = create_react_agent(llm, tools, prompt)
   agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
   
   # 6. 执行任务：统计 "langchain agent" 的字符数
   query = "统计字符串 'langchain agent' 一共有多少个字符？"
   result = agent_executor.invoke({"input": query})
   print("\n最终答案：", result["output"])
   

   ---

   作业 3：简答题标准答案

   题目：简述 Agent 与 LLM Chain 的区别

   表格

   维度	LLM Chain	Agent
   执行逻辑	流程固定，按预设顺序执行	流程动态，模型自主决策下一步
   工具使用	工具 / 步骤需要提前硬编码	可根据任务自动选择、调用工具
   适用场景	固定逻辑任务（如翻译、摘要）	复杂、不确定的多步骤任务
   自主性	被动执行	主动思考、规划、执行

   一句话总结：

4. Chain 是「按剧本走流程」
5. Agent 是「自己当导演，边想边演」