Python：基于LangChain的AI Agent（智能代理）应用开发实践

---

前言

  代理 (Agents) 是使用大语言模型（LLM）最强大和最有趣的方法之一。LLM 的兴起使得代理 (Agents) 在基于人工智能的应用中变得非常普遍。
  使用代理 (Agents) 可以让 LLM 访问工具。这些工具提供了无限的可能性。有了工具，LLM 可以搜索网络、进行数学计算、运行代码等等。
  LangChain 库提供了大量预置的工具。然而，在许多真实项目中，我们通常会发现现有工具只能满足有限的需求。这意味着我们必须修改现有工具或完全构建新的工具。

一、基本概念

  在 LangChain 中，Agent 的定义可以概括为：一个由大语言模型（LLM）驱动的自主决策系统，它通过循环的“思考-行动-观察”过程，动态地选择和使用外部工具来逐步解决用户提出的复杂问题。其核心价值在于突破了单一模型能力的限制，将 LLM 的推理能力与外部工具的强大功能（搜索、计算、代码执行等）结合起来，从而能够处理那些模型自身知识之外或需要实时数据的任务。其工作流程如下图：

  可见，AI Agent就是一个小程序，负责在用户、大语言模型和工具之间进行传话，对于用户可见的，仅仅是发起了一个问题或者任务和接收到了最终的响应结果，中间的执行过程全由大语言模型自主规划（如：调用哪些工具函数，函数的返回异常重试等）。
  在AI Agent的应用中主要有以下参与对象：

• 用户 (User): 交互的发起者。
• 代理（Agent）: 系统的核心协调者。
• 大语言模型 (LLM): 提供认知和生成能力。
• 工具 (Tool): 执行具体功能。
• 记忆库 (Data Store): 存储和提供对话历史上下文。

  本文中我们先假定“记忆库”的存在或者不存在，主要通过Agent、大语言模型和工具来体验一下Agent应用的工作。

二、安装依赖

1、安装LangChain包

  LangChain包的安装在文章《Python：基于LangChain的RAG（检索增强生成）应用开发实践》一文中有较详细的说明。总之运行以下脚本即可：

pip install --upgrade langchain langchain-community

2、安装大模型依赖

  文中使用的大语言模型-智谱AI，需要安装如下依赖：

pip install --upgrade httpx httpx-sse PyJWT

3、安装内置工具依赖

  在初始化工具集时我们默认加入了llm-math工具，需要安装以下依赖程序包：

pip install --upgrade numexpr

三、创建工具集

  为了测试，这里定义模拟天气查询、检查报告读取和模拟数据查询三个工具函数，分别通过不同的提问请求来测试大模型对代理工具函数的调用。

1、工具函数参数对象

  使用pydantic来固定参数类型：

• 添加引入：

from pydantic import BaseModel, Field

1.1、单个参数的类型

class QueryInput(BaseModel):query: str = Field(default="", description="查询关键词")

1.2、多个参数的类型

class