LangChain实战：快速开发LLM智能体

作者：15年经验资深软件架构师 | 发布时间：2024年9月 | 阅读时长：45分钟 | 适合人群：初中级Python开发者、大模型应用开发从业者

前言

2024年被行业称为「LLM智能体元年」，原生大模型的知识 cutoff、无法调用外部工具、推理能力有限等痛点，正在被智能体（Agent）技术彻底解决。想象一下：你只需要说一句“帮我查下2024年巴黎奥运会中国获得的金牌数，换算成我司的绩效分（1块金牌=10分），然后发邮件给所有部门同步”，智能体就能自动完成搜索、计算、邮件发送全流程，不需要你手动操作任何步骤。

而LangChain作为当前全球最流行的LLM应用开发框架，已经把智能体的开发门槛降到了极低的水平，你不需要自己实现复杂的推理循环、工具调度、记忆管理逻辑，只需要几十行代码就能搭建出一个功能完整的生产级智能体。

本文将从核心概念、算法原理、实战开发、最佳实践等维度，带你从零到一掌握LangChain智能体的开发全流程，读完本文你就能独立开发出适合自己业务场景的智能体。

---

一、核心概念与问题背景

1.1 我们为什么需要LLM智能体？

原生大模型（比如GPT-4o、LLaMA3）本质上是一个「概率预测机器」，它的所有知识都来自训练数据，存在四个无法解决的原生痛点：

痛点	具体表现	影响
知识 cutoff	训练数据有时间截止点，比如GPT-4o的训练数据截止到2023年10月，不知道之后发生的事件	无法回答实时性问题，比如最新的新闻、公司内部的新文档
无法调用外部工具	不能访问互联网、数据库、操作系统、企业API等外部系统	无法完成需要交互的任务，比如发邮件、查库存、算复杂数学题
记忆能力有限	上下文窗口有限，无法记住长时间的对话历史，也无法存储个人/企业的私有知识	会话一多就忘记之前的约定，无法适配需要长期记忆的场景
复杂推理能力弱	无法自主拆解复杂任务，多步骤任务容易出错	比如需要先搜索再计算再整理的任务，原生大模型很容易出现幻觉

而LLM智能体就是为了解决这些痛点而生的：它以大模型为核心大脑，具备**规划（Planning）、记忆（Memory）、工具使用（Tool Use）**三大核心能力，可以自主完成用户交给的复杂动态任务。

1.2 核心概念定义

1.2.1 LLM智能体的核心三要素

• 规划能力：智能体可以把用户的复杂任务拆解成多个子步骤，自主安排执行顺序，执行完成后还能反思结果是否符合要求，有问题就重试。
• 记忆能力：分为三类：
  • 短期记忆：存储当前会话的对话历史，用来理解上下文
  • 长期记忆：存储用户的私有数据（比如文档、聊天记录），一般用向量数据库存储
  • 工作记忆：存储当前任务执行过程中的中间结果，比如搜索到的信息、计算出来的数值
• 工具使用能力：智能体可以根据当前任务自主选择合适的工具调用，不需要预先定义执行流程。

1.2.2 LangChain核心组件定义

LangChain提供了一整套智能体开发的组件，你只需要组装这些组件就能完成开发：

组件	作用
LLM	智能体的核心大脑，负责推理、决策、生成内容，支持OpenAI、Anthropic、Ollama等几乎所有主流大模型
Tool	工具封装，每个工具包含名称、描述、执行函数三个核心属性，大模型通过工具的描述判断什么时候调用这个工具
Memory	记忆模块，用来存储对话历史和私有知识，支持几十种不同的记忆类型
Agent	智能体的核心逻辑，负责根据用户输入和历史上下文，决定下一步要做什么（回答用户还是调用工具）
AgentExecutor	智能体调度器，负责执行Agent的决策、调用工具、处理错误、管理循环，避免死循环
Vector Store	向量数据库，用来存储长期记忆的私有数据，支持Chroma、PGVector、Milvus等主流向量库

1.2.3 普通Chain vs 智能体的对比

很多初学者会混淆Chain和Agent的区别，我们用一个表格明确两者的差异：

对比维度	普通Chain	LLM智能体（Agent）
执行逻辑	固定流程，预先定义好每一步的执行顺序	动态流程，大模型自主决定每一步要做什么
工具使用	只能调用预先定义好的固定工具，没有选择能力	可以根据当前任务自主选择合适的工具调用
记忆能力	一般只支持简单的会话传递，没有长期记忆能力	支持短期对话记忆、长期向量记忆、工作记忆
推理能力	只能处理预先定义好的简单任务，复杂任务无法适配	可以自主拆解复杂任务，多步推理完成目标
适用场景	简单的、流程固定的场景，比如单轮RAG问答、文本生成	复杂的、动态的场景，比如个人助理、客户服务、研发效能
开发难度	低，只需要定义好Chain的步骤即可	中高，需要调试Prompt、工具、记忆的配合
可靠性	高，流程固定结果可控	中低，大模型的决策可能出现幻觉、错误调用工具

1.2.4 实体关系ER图

---

二、算法原理与数学模型

2.1 主流智能体算法介绍

目前工业界最常用的智能体算法有三种：

1. ReAct：最通用的算法，核心逻辑是「思考（Thought）→行动（Action）→观察（Observation）」循环，适合大部分场景，也是LangChain默认支持的算法
2. Self-Ask：适合需要多步检索的场景，智能体不断问自己问题，自己回答，直到拿到足够的信息
3. Plan-and-Execute：适合非常复杂的任务，先做整体规划，再一步步执行每个子任务，适合多步骤的复杂工作流

我们重点讲解ReAct算法，这是当前应用最广泛的智能体算法。

2.2 ReAct算法流程

整个流程是一个循环，直到智能体判断不需要调用工具，就可以输出最终回答。

2.3 数学模型

ReAct算法的本质是对推理轨迹的序列建模，我们可以用下面的公式表示：
$$p(\tau |q)=\prod _{t=1}^{T}p(a_t|q,h_{1:t-1})\cdot p(o_t|a_t)\cdot p(r_t|q,h_{1:t-1},o_t)$$
其中：

• $q$是用户输入的查询
• $\tau$是整个推理轨迹，包含所有的思考、行动、观察步骤
• $h_{1:t-1}$是前t-1步的历史上下文
• $a_t$是第t步要采取的行动（调用哪个工具，参数是什么）
• $o_t$是第t步调用工具得到的观察结果
• $r_t$是第t步的思考结果，用来判断下一步要做什么

工具选择的评分函数可以表示为：
$$score(t_i|q,h)=\text{LLM}(f_{\text{prompt}}(q,h,t_i))$$
其中$t_i$是第i个工具，$f_{\text{prompt}}$是提示模板，LLM输出一个0-1的分数表示当前场景下是否应该调用这个工具，分数最高的工具会被选中调用。

---

三、项目实战：开发个人工作助理智能体

我们将开发一个功能完整的个人工作助理智能体，具备以下功能：

1. 实时搜索互联网信息
2. 本地私有知识库问答（查工作日志、需求文档）
3. 复杂数学计算
4. 发送邮件
5. 日程管理

3.1 系统架构设计

3.2 开发环境搭建

3.2.1 环境要求

• Python 3.10+
• 大模型API密钥（OpenAI API Key，或者本地部署Ollama LLaMA3）
• Serper API Key（用来做互联网搜索，免费注册即可获取：https://serper.dev）
• 邮箱SMTP授权码（用来发送邮件）

3.2.2 依赖安装

# 安装LangChain核心依赖
pip install langchain langchain-openai langchain-community langchain-chroma python-dotenv
# 安装工具相关依赖
pip install serperapi ics smtplib email

3.2.3 环境变量配置

创建.env文件，填入以下内容：

OPENAI_API_KEY=你的OpenAI API Key
SERPER_API_KEY=你的Serper API Key
SMTP_SERVER=smtp.qq.com # 你的邮箱SMTP服务器
SMTP_PORT=465 # SMTP端口
SMTP_USER=你的邮箱地址
SMTP_PASSWORD=你的邮箱授权码

3.3 核心代码实现

3.3.1 初始化依赖与环境变量

import os
import smtplib
from email.mime.text import MIMEText
from datetime import datetime
from ics import Calendar, Event
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_community.tools import Tool, SerperDevTool, CalculatorTool
from langchain_community.document_loaders import DirectoryLoader, MarkdownLoader
from langchain.text_splitter import MarkdownTextSplitter
from langchain_chroma import Chroma
from langchain.memory import ConversationBufferMemory
from langchain.agents import create_react_agent, AgentExecutor
from langchain import hub

# 加载环境变量
load_dotenv()

3.3.2 初始化大模型

# 初始化大模型，用gpt-4o效果最好，也可以换成本地模型
llm = ChatOpenAI(
    model="gpt-4o",
    temperature=0,  # 温度设为0，减少幻觉，让决策更稳定
    api_key=os.getenv("OPENAI_API_KEY")
)

# 如果用本地LLaMA3模型的话，注释上面的代码，用下面的
# from langchain_community.chat_models import ChatOllama
# llm = ChatOllama(model="llama3:70b", temperature=0)

3.3.3 实现本地知识库RAG工具

def init_rag_tool(data_dir: str = "./docs") -> Tool:
    """初始化本地知识库工具，data_dir是存放本地markdown文档的目录"""
    # 加载本地所有markdown文档
    loader = DirectoryLoader(data_dir, glob="**/*.md", loader_cls=MarkdownLoader)
    documents = loader.load()
    # 切分文档，每块1000字符，重叠200字符，保证语义完整性
    text_splitter = MarkdownTextSplitter(chunk_size=1000, chunk_overlap=200)
    splits = text_splitter.split_documents(documents)
    # 初始化向量数据库，持久化到本地
    vectorstore = Chroma.from_documents(
        documents=splits,
        embedding=OpenAIEmbeddings(model="text-embedding-3-small"),
        persist_directory="./chroma_db"
    )
    # 创建检索器，返回最相关的3个结果
    retriever = vectorstore.as_retriever(search_kwargs={"k": 3})
    
    # 定义检索函数
    def rag_query(query: str) -> str:
        """查询本地知识库的内容，返回相关的文档片段"""
        docs = retriever.get_relevant_documents(query)
        return "\n\n".join([doc.page_content for doc in docs])
    
    # 封装成Tool，重点是description要写清楚，大模型靠这个判断什么时候调用这个工具
    return Tool(
        name="local_knowledge_base",
        description="当需要查询本地文档、工作日志、公司内部资料的时候使用这个工具，输入是用户的问题，输出是相关的文档内容",
        func=rag_query
    )

rag_tool = init_rag_tool()

3.3.4 实现邮件发送工具

def send_email(to: str, subject: str, content: str) -> str:
    """发送邮件，参数是收件人邮箱、邮件主题、邮件内容"""
    try:
        msg = MIMEText(content, "plain", "utf-8")
        msg["From"] = os.getenv("SMTP_USER")
        msg["To"] = to
        msg["Subject"] = subject
        
        server = smtplib.SMTP_SSL(os.getenv("SMTP_SERVER"), os.getenv("SMTP_PORT"))
        server.login(os.getenv("SMTP_USER"), os.getenv("SMTP_PASSWORD"))
        server.sendmail(os.getenv("SMTP_USER"), to, msg.as_string())
        server.quit()
        return f"邮件发送成功，收件人：{to}，主题：{subject}"
    except Exception as e:
        return f"邮件发送失败：{str(e)}"

email_tool = Tool(
    name="send_email",
    description="当需要发送邮件给其他人的时候使用这个工具，输入参数是三个，用逗号分隔：收件人邮箱,邮件主题,邮件内容。比如输入：zhangsan@example.com,会议通知,明天下午2点开会",
    func=lambda x: send_email(*x.split(","))
)

3.3.5 实现日程管理工具

def manage_schedule(input_str: str) -> str:
    """管理日程，支持查询、添加日程，输入是操作类型和参数，比如：add,2024-09-10 14:00,开会,公司会议室 或者 query,2024-09-10"""
    parts = input_str.split(",")
    op = parts[0].strip()
    cal_path = "./schedule.ics"
    # 加载现有日历
    if os.path.exists(cal_path):
        with open(cal_path, "r") as f:
            cal = Calendar(f.read())
    else:
        cal = Calendar()
    
    if op == "add":
        try:
            start_time = datetime.fromisoformat(parts[1].strip())
            name = parts[2].strip()
            location = parts[3].strip() if len(parts) >3 else ""
            event = Event()
            event.name = name
            event.begin = start_time
            event.location = location
            cal.events.add(event)
            with open(cal_path, "w") as f:
                f.write(str(cal))
            return f"日程添加成功：{start_time} {name} {location}"
        except Exception as e:
            return f"添加日程失败：{str(e)}"
    elif op == "query":
        try:
            date = datetime.fromisoformat(parts[1].strip()).date()
            events = [e for e in cal.events if e.begin.date() == date]
            if not events:
                return f"{date} 没有日程安排"
            res = [f"{e.begin.time()} {e.name} {e.location}" for e in sorted(events, key=lambda x: x.begin)]
            return f"{date} 的日程：\n" + "\n".join(res)
        except Exception as e:
            return f"查询日程失败：{str(e)}"
    else:
        return "不支持的操作，支持add和query"

schedule_tool = Tool(
    name="schedule_management",
    description="当需要查询或者添加日程的时候使用这个工具，输入格式：操作类型,参数。比如添加日程输入add,2024-09-10 14:00,开会,公司会议室；查询日程输入query,2024-09-10",
    func=manage_schedule
)

3.3.6 组装智能体

# 初始化所有工具
tools = [
    SerperDevTool(),  # 互联网搜索工具
    CalculatorTool(), # 数学计算器工具
    rag_tool,         # 本地知识库工具
    email_tool,       # 邮件发送工具
    schedule_tool     # 日程管理工具
]

# 初始化记忆模块，存储对话历史
memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True)

# 拉取ReAct的官方Prompt模板，也可以自己定制
prompt = hub.pull("hwchase17/react-chat")

# 创建ReAct Agent
agent = create_react_agent(llm, tools, prompt)

# 创建AgentExecutor，负责调度执行
agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    memory=memory,
    verbose=True,  # 开启verbose，打印整个思考过程，方便调试
    max_iterations=10, # 最大迭代次数，防止死循环
    handle_parsing_errors=True # 自动处理解析错误，比如大模型输出格式不对的时候自动重试
)

3.3.7 运行智能体

if __name__ == "__main__":
    print("=== 个人工作助理智能体已启动，输入exit退出 ===")
    while True:
        query = input("你：")
        if query.lower() in ["退出", "exit", "quit"]:
            print("=== 智能体已关闭 ===")
            break
        res = agent_executor.invoke({"input": query})
        print(f"助理：{res['output']}")

3.4 运行效果演示

我们测试一个复杂任务：

你：帮我查下2024年苹果秋季发布会发布了哪些新品，整理成3点核心信息，然后添加到我明天下午3点的日程里作为汇报内容，再发邮件给lisi@example.com同步这个信息

运行时的verbose输出如下：

> Entering new AgentExecutor chain...
Thought: 用户需要我先查2024苹果秋季发布会的新品，整理成3点，然后添加日程，再发邮件。首先我需要用搜索工具查相关信息。
Action: serper_dev_tool
Action Input: 2024年苹果秋季发布会发布的新品
Observation: 2024年9月10日苹果秋季发布会发布了iPhone 16系列、Apple Watch Series 10、AirPods 4三款核心新品，iPhone 16搭载A18芯片，支持AI拍照功能，Apple Watch Series 10支持血糖监测，AirPods 4支持主动降噪和空间音频。
Thought: 我已经拿到了搜索结果，现在整理成3点核心信息。接下来需要添加日程，时间是明天下午3点，内容是苹果发布会新品汇报。
Action: schedule_management
Action Input: add,2024-09-11 15:00,苹果秋季发布会新品汇报,内容：1. iPhone 16系列：搭载A18芯片，支持AI拍照；2. Apple Watch Series 10：新增血糖监测功能；3. AirPods 4：支持主动降噪和空间音频
Observation: 日程添加成功：2024-09-11 15:00 苹果秋季发布会新品汇报 内容：1. iPhone 16系列：搭载A18芯片，支持AI拍照；2. Apple Watch Series 10：新增血糖监测功能；3. AirPods 4：支持主动降噪和空间音频
Thought: 日程已经添加成功，接下来需要发邮件给lisi@example.com，主题是2024苹果秋季发布会新品信息，内容就是整理的3点。
Action: send_email
Action Input: lisi@example.com,2024苹果秋季发布会新品信息,你好，2024年苹果秋季发布会核心新品信息如下：1. iPhone 16系列：搭载A18芯片，支持AI拍照；2. Apple Watch Series 10：新增血糖监测功能；3. AirPods 4：支持主动降噪和空间音频。请知悉。
Observation: 邮件发送成功，收件人：lisi@example.com，主题：2024苹果秋季发布会新品信息
Thought: 我已经完成了所有任务：查到了新品信息，整理成3点，添加了日程，发送了邮件。现在可以给用户返回结果了。
Final Answer: 已经为你完成以下操作：
1. 查询到2024年苹果秋季发布会核心新品信息：
   - iPhone 16系列：搭载A18芯片，支持AI拍照
   - Apple Watch Series 10：新增血糖监测功能
   - AirPods 4：支持主动降噪和空间音频
2. 已经将该内容添加到你2024-09-11 15:00的日程中，主题为苹果秋季发布会新品汇报
3. 已经将该信息发送给lisi@example.com，邮件发送成功。
> Finished chain.

可以看到智能体完全自主完成了所有步骤，不需要任何人工干预。

---

四、最佳实践与常见问题解决

4.1 最佳实践Tips

1. 工具数量越少越好：不要给智能体太多无关的工具，工具越多大模型选择越容易出错，只给当前场景需要的工具即可。
2. 工具描述要清晰准确：大模型完全靠工具的description判断什么时候调用工具，最好在描述里给出输入输出的示例，减少错误。
3. 温度设为0：智能体需要稳定的决策，不需要创造性，temperature设为0可以大幅降低幻觉和决策错误的概率。
4. 加最大迭代次数限制：一定要设置max_iterations，防止智能体陷入死循环，比如一直搜索不到结果就无限调用搜索工具。
5. 敏感操作加人工确认：比如发邮件、删除数据、操作生产环境等敏感操作，一定要加人类确认步骤，LangChain提供了HumanApprovalCallbackHandler可以直接使用：

from langchain.callbacks import HumanApprovalCallbackHandler
agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    callbacks=[HumanApprovalCallbackHandler(approve_tools=["send_email", "schedule_management"])],
    ...
)

6. 用LangSmith做调试：LangSmith是LangChain官方的调试工具，可以记录每一步的思考、工具调用、结果，方便排查问题，比如智能体为什么调用了错误的工具。

4.2 常见问题解决

问题	原因	解决方法
智能体总是调用错误的工具	工具描述不清晰，或者大模型能力不够	优化工具的description，加入输入输出示例；换能力更强的大模型；在Prompt里加入Few Shot示例
智能体陷入死循环	任务太复杂，或者工具返回的结果不足以回答问题	调大max_iterations；优化Prompt，明确告诉智能体什么时候停止；优化工具返回的结果，包含更多信息
智能体输出格式错误	大模型没有按照ReAct的格式输出	开启handle_parsing_errors=True；优化Prompt，明确要求输出格式；用支持原生工具调用的大模型（比如GPT-4o、LLaMA3）
智能体忘记之前的对话内容	记忆模块配置错误	确认memory_key和Prompt里的变量名一致；如果上下文太长，改用ConversationSummaryMemory，自动总结对话历史

---

五、实际应用场景与未来趋势

5.1 实际应用场景

1. 企业内部知识库智能助理：整合企业内部的文档、代码、日志、工单等数据，员工可以用自然语言查询任何信息，智能体可以自主查文档、查日志、提单，大幅降低员工的检索成本。
2. 客户服务智能体：整合客服知识库、订单系统、物流系统，智能体可以自主查询订单状态、物流信息、处理退换货请求，解决80%以上的常见客服问题，大幅降低客服成本。
3. 研发效能智能体：整合Git、Jenkins、监控系统、日志系统，研发人员可以用自然语言查询报错率、回滚版本、查日志、生成代码，大幅提升研发效率。
4. 个人学习助理：整合学习资料、笔记、在线课程，智能体可以自主制定学习计划、解答疑问、生成练习题、检查学习效果，提升学习效率。

5.2 行业发展历史

时间	事件	影响
2022年10月	LangChain 首个版本开源	首次提出将大模型与外部工具、记忆结合的开发范式，降低LLM应用开发门槛
2023年3月	ReAct 论文正式发布	提出“思考-行动-观察”的智能体推理框架，成为现在大部分Agent的基础算法
2023年8月	LangChain 正式推出 AgentExecutor 组件	封装了Agent的调度、循环、错误处理逻辑，开发者无需自己实现推理循环
2023年12月	OpenAI 推出原生工具调用（Function Calling）能力	大模型可以直接输出结构化的工具调用参数，大幅降低Agent的解析错误率
2024年2月	LangChain 推出 LangGraph 组件	支持多智能体协作、状态化的Agent流程，满足更复杂的企业级场景需求
2024年6月	各大开源模型（LLaMA3、Qwen2等）均原生支持工具调用	开发者可以基于开源模型构建完全本地化的Agent，无需依赖闭源API

5.3 未来发展趋势与挑战

发展趋势

1. 多智能体协作：未来复杂任务会由多个智能体协作完成，比如规划Agent、执行Agent、审核Agent，各自负责自己擅长的部分，效率更高，结果更可靠。
2. 小模型智能体：现在的智能体大多需要大模型驱动，未来专门微调的小模型就能很好的完成工具调用和决策，成本更低，速度更快。
3. 端侧智能体：未来智能体可以直接运行在手机、电脑等端侧设备上，不需要调用云端API，隐私性更好，响应速度更快。
4. 可解释性智能体：现在的智能体决策过程是黑盒，未来可以解释每一步决策的原因，方便排查问题，提升可靠性。

面临的挑战

1. 幻觉问题：大模型的幻觉仍然存在，智能体可能会做出错误的决策，调用错误的工具，输出错误的结果。
2. 效率问题：复杂任务需要多次调用大模型，成本高，速度慢，无法适配高并发场景。
3. 安全问题：智能体调用外部工具可能会导致数据泄露、系统被攻击等安全问题，需要完善的权限控制和审核机制。
4. 评估问题：智能体的好坏很难量化评估，目前还没有统一的评估标准，需要更完善的评估体系。

---

六、工具和资源推荐

1. 官方文档：LangChain官方文档（https://python.langchain.com/）是最好的学习资料，更新及时，示例丰富。
2. LangChain Cookbook：官方提供的示例仓库（https://github.com/langchain-ai/langchain/tree/master/cookbook），包含上百个智能体开发的示例代码。
3. LangSmith：LangChain官方的调试和监控工具（https://www.langchain.com/langsmith），开发智能体必备，可以大大提升调试效率。
4. LangServe：LangChain官方的部署工具，可以把智能体一键部署成API接口，方便集成到其他系统。
5. LangGraph：LangChain官方的多智能体开发框架，适合开发复杂的多智能体协作场景。

---

本章小结

LangChain已经成为当前开发LLM智能体的首选框架，它的组件化设计让开发者不需要关心底层的推理循环、工具调度、记忆管理逻辑，只需要专注于业务逻辑的实现，几十行代码就能搭建出功能完整的智能体。

未来5年，智能体将会成为下一代软件的主流交互方式，所有的软件都会有智能体入口，用户只需要用自然语言就能完成所有操作，而LangChain作为智能体开发的基础设施，将会扮演越来越重要的角色。现在开始学习LangChain智能体开发，刚好赶上这一波技术浪潮的红利。

如果你在开发过程中有任何问题，欢迎在评论区留言交流。