【AI-agent】LangChain开发智能体工具流程

---

1 智能体开发流程概述

开发一个智能体，本质上就是让AI具备"思考-行动-反馈"的循环能力。简单来说，我们需要让AI能够：

1. 调用大模型进行推理（包含合适的提示词模板）
2. 使用各种工具（比如搜索、计算、文件操作等）
3. 根据结果做出决策，然后继续执行下一步操作

下面，我们将从“查询城市天气”的例子出发，看下如何使用LangChain开发一个简单的智能体

2 使用LangChain调用大模型

2.1 大模型实例化

使用 LangChain 实例化大模型，并将 api_key 使用 Pydantic 的 SecretStr 类型加密。其中，Pydantic 是一个基于 Python 类型注解的数据验证库，主要用于确保数据符合预期的格式和类型。

from langchain_openai import ChatOpenAI
import os
from dotenv import load_dotenv
from pydantic import SecretStr# 加载.env文件中的环境变量
load_dotenv()llm = ChatOpenAI(model="qwen-flash",base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",api_key=SecretStr(os.getenv("DASHSCOPE_API_KEY")),streaming=True
)print(llm)

2.2 初始化提示词模板

示例如下：

from langchain_core.prompts import ChatPromptTemplateprompt = ChatPromptTemplate.from_prompt([("system", "你是一名经验丰富的Python开发工程师, 名字叫小黄"),("human", "{user_input}")
])

2.2.1 文本提示词模板PromptTemplate

PromptTemplate 是 LangChain 框架中的核心组件，用于结构化和管理与语言模型交互的提示文本。它通过模板化的方式动态生成提示，支持变量插入和格式化。

适用场景：

• 用于文本补全模型，输入是纯文本
• 适用于简单的任务，如生成一段文本、回答问题或执行指令

特点：

• 输入变量插值：通过{}占位符动态替换变量
• 模板格式：支持f-string
• 输出形式：生成一个完整的字符串作为模型输入

示例代码：

from langchain_core.prompts import PromptTemplate# 创建提示词模板
prompt_template = PromptTemplate.from_template("你做的{something}真棒!")
# 模板 -> 提示词
prompt = prompt_template.format(something="程序")
print(prompt)

结合之前实例的大模型，传入生成的prompt就能实现如下效果：

2.2.2 聊天提示词模板ChatPromptTemplate

ChatPromptTemplate 是 LangChain 中专门用于 多轮对话场景 的提示模板，支持定义 角色（Role） 和 消息类型（Message），适用于构建聊天机器人、对话系统等需要上下文交互的应用。

适用场景：

• 用于聊天模型（ChatGPT等），输入是多轮对话的消息列表（SystemMessage、HumanMessage、AIMessage等）
• 适用于需要模拟多轮对话和角色扮演的场景

特点：

• 多消息类型支持：可以组合系统指令、用户输入和助手回复
• 消息格式化：生成结构化的消息列表，供聊天模型处理
• 使用灵活：支持动态替换变量（如SystemMessage中的占位符）

示例代码：

from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
import os
from dotenv import load_dotenv
from pydantic import SecretStr# 加载.env文件中的环境变量
load_dotenv()llm = ChatOpenAI(model="qwen-flash",base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",api_key=SecretStr(os.getenv("DASHSCOPE_API_KEY")),streaming=True
)# 创建提示词模板
chat_prompt_template = ChatPromptTemplate.from_messages([("system", "你是一位{role}专家, 擅长解决{domain}领域的问题"),("user", "用户的问题:{question}")
])
# 模板 -> 提示词
prompt = chat_prompt_template.format_messages(role="Python编程",domain="AI-agent开发",question="如何创建一个简单的智能体?")
# 输入给AI模型, 获取结果
resp = llm.stream(prompt)
for chunk in resp:print(chunk.content, end="")

2.2.3 提示词及消息体的抽象复用

通过 ChatPromptTemplate 和 ChatMessagePromptTemplate 实现对消息体的抽象和复用。

示例代码：

from langchain_core.prompts import ChatPromptTemplate, ChatMessagePromptTemplate
from langchain_openai import ChatOpenAI
import os
from dotenv import load_dotenv
from pydantic import SecretStr# 加载.env文件中的环境变量
load_dotenv()llm = ChatOpenAI(model="qwen-flash",base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",api_key=SecretStr(os.getenv("DASHSCOPE_API_KEY")),streaming=True
)# 系统消息模板
system_message_template = ChatMessagePromptTemplate.from_template(template="你是一位{role}专家, 擅长解决{domain}领域的问题",role="system"
)
# 用户消息模板
human_message_template = ChatMessagePromptTemplate.from_template(template="用户的问题:{question}",role="user"
)
# 创建提示词模板
chat_prompt_template = ChatPromptTemplate.from_messages([system_message_template,human_message_template
])
# 模板 -> 提示词
prompt = chat_prompt_template.format_messages(role="Python编程",domain="AI-agent开发",question="如何创建一个简单的智能体?")
# 输入给AI模型, 获取结果
resp = llm.stream(prompt)
for chunk in resp:print(chunk.content, end="")

2.2.4 少样本提示词模板FewShotPromptTemplate

适用场景：

• 用于少样本学习，在提示词中包含示例，帮助模型理解任务
• 适用于复杂任务（翻译、分类、推理等），需要引入来引导模型行为

特点：

• 示例嵌入：通过 examples 参数提供示例输入和输出
• 动态示例选择：支持 ExampleSelector 动态选择最相关的示例
• 模板格式：通常包含前缀(Prefix)、示例(Examples)和后缀(Suffix)

示例代码：

from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate
from langchain_openai import ChatOpenAI
import os
from dotenv import load_dotenv
from pydantic import SecretStr# 加载.env文件中的环境变量
load_dotenv()llm = ChatOpenAI(model="qwen-flash",base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",api_key=SecretStr(os.getenv("DASHSCOPE_API_KEY")),streaming=True
)# 示例模板
example_template = "输入:{input}\n输出:{output}"# 示例
examples = [{"input": "将'你好'翻译成英文", "output": "Hello"},{"input": "将'好的'翻译成英文", "output": "Ok"}
]# 少样本提示词模板
few_shot_prompt_template = FewShotPromptTemplate(examples=examples,example_prompt=PromptTemplate.from_template(example_template),prefix="请将下面的中文翻译为英文:",suffix="输入:{text}\n输出:",input_variables=["text"]
)prompt = few_shot_prompt_template.format(text="我热爱编程")
# print(prompt)resp = llm.stream(prompt)
for chunk in resp:print(chunk.content, end="")

上述代码中传给llm的prompt如下：
请将下面的中文翻译为英文:
输入:将’你好’翻译成英文
输出:Hello
输入:将’好的’翻译成英文
输出:Ok
输入:我热爱编程
输出:

以下是调用llm后返回的结果，可以看到llm根据example进行了少样本学习，直接返回了翻译的结果。

2.2.5 常用提示词模板类特性及使用场景对比

子类	适用模型类型	输入类型	主要用途
PromptTemplate	文本补全模型	单字符串	生成单轮文本任务提示
ChatPromptTemplate	聊天模型	多消息列表	模拟多轮对话或角色扮演
FewShotPromptTemplate	所有模型	包含示例的模板	通过示例引导模型完成复杂任务

2.3 链式调用大模型

链式调用大模型（Chained LLM Invocation）是指将多个大模型相关的操作或组件通过某种连接方式串联起来，形成一个处理管道或工作流。这种模式允许数据在不同的处理阶段之间流动，每个阶段对数据进行特定的转换或处理。

链式调用的特点：

• 模块化设计：将复杂任务分解为多个独立的处理模块
• 数据流驱动：数据在各个组件之间顺序流动和处理
• 可组合性：可以灵活地组合不同的组件来构建不同的处理流程
• 可读性强：代码表达清晰，易于理解和维护

以下两段代码等价：

chain = few_shot_prompt_template | llm
resp = chain.stream(input={"text": "你好"})
# 等价于以下步骤：
prompt = few_shot_prompt_template.format()  # 生成提示词
resp = llm.invoke(prompt)  

在表达式 chain = few_shot_prompt_template | llm 中，管道符 | 的作用是连接两个组件，形成数据流管道。数据流向 few_shot_prompt_template → | → llm → chain

链式调用代码示例：

from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate
from langchain_openai import ChatOpenAI
import os
from dotenv import load_dotenv
from pydantic import SecretStr"""使用langchain链式调用大模型"""
# 加载.env文件中的环境变量
load_dotenv()llm = ChatOpenAI(model="qwen-flash",base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",api_key=SecretStr(os.getenv("DASHSCOPE_API_KEY")),streaming=True
)# 示例模板
example_template = "输入:{input}\n输出:{output}"# 示例
examples = [{"input": "将'你好'翻译成英文", "output": "Hello"},{"input": "将'好的'翻译成英文", "output": "Ok"}
]# 少样本提示词模板
few_shot_prompt_template = FewShotPromptTemplate(examples=examples,example_prompt=PromptTemplate.from_template(example_template),prefix="请将下面的中文翻译为英文:",suffix="输入:{text}\n输出:",input_variables=["text"]
)chain = few_shot_prompt_template | llm
resp = chain.stream(input={"text": "你好"})for chunk in resp:print(chunk.content, end="")

3 自定义工具

3.1 绑定自定义工具流程

在第二章，我们了解了大模型实例，以及如何设计提示词，仅仅只实现了与大模型"对话"，如果想让大模型帮助我们解决问题，还有至关重要的一步：将自定义工具与大模型绑定，让大模型了解工具的使用。主要有如下五个步骤：

1. 开发工具方法
2. 将工具方法转为LangChain Tool对象
3. 将大模型与Tool对象绑定
4. 调用大模型，尝试让大模型调用工具
5. 调用工具

示例代码：

from langchain_core.tools import Tool
from app.bailian.common import chat_prompt_template, llm"绑定自定义工具"# 1.开发自定义工具
def fetch_weather(city: str) -> str:"""获取某个城市的真实天气"""# 模拟调用天气API逻辑...weather_data = {'北京': '多云','深圳': '晴朗'}if city not in weather_data.keys():return '天气多变'return weather_data[city]# 2.将工具方法转为LangChain Tool对象
fetch_weather_tool = Tool.from_function(func=fetch_weather,  # 与工具方法关联name='fetch_weather',  # 工具名, 唯一description='获取某个城市的真实天气',  # 工具说明
)
# 定义工具字典, value为python方法
tool_dict = {'fetch_weather': fetch_weather
}
# 3.将大模型与Tool对象绑定
llm_with_tool = llm.bind_tools([fetch_weather_tool])
# 链式声明
chain = chat_prompt_template | llm_with_tool
# 4.调用大模型
resp = chain.invoke(input={"role": "气象学", "domain": "天气领域", "question": "深圳天气怎么样?"})
print(resp)  # content='' additional_kwargs={} response_metadata={'finish_reason': 'tool_calls', 'model_name': 'qwen-flash', 'model_provider': 'openai'} id='lc_run--22c45fc8-81dd-49dc-bdea-aa7ef5288321' tool_calls=[{'name': 'fetch_weather', 'args': {'__arg1': '深圳'}, 'id': 'call_5bea195addc242cbafc984', 'type': 'tool_call'}]
# 5.调用工具
for tool_calls in resp.tool_calls:print(tool_calls)  # {'name': 'fetch_weather', 'args': {'__arg1': '深圳'}, 'id': 'call_a74fe41dae4d4b85a69ddb', 'type': 'tool_call'}args = tool_calls["args"]print(args)  # {'__arg1': '深圳'}func_name = tool_calls["name"]print(func_name)  # fetch_weathertool_func = tool_dict[func_name]tool_content = tool_func(args["__arg1"])print(tool_content)  # 晴朗

在上述代码中，我们粗略实现了绑定自定义工具的流程。在示例中，我们定义了一个简单的查询城市天气的方法，并将方法与大模型绑定。而后，我们向大模型提问：“深圳天气怎么样？”，大模型返回了使用工具的方法：
content=‘’ additional_kwargs={} response_metadata={‘finish_reason’: ‘tool_calls’, ‘model_name’: ‘qwen-flash’, ‘model_provider’: ‘openai’} id=‘lc_run–d2285936-24b3-435d-aca6-d3fde28111e7’ tool_calls=[{‘name’: ‘fetch_weather’, ‘args’: {‘__arg1’: ‘深圳’}, ‘id’: ‘call_4d384d81ae1548b1bd2cbf’, ‘type’: ‘tool_call’}]
大模型通过问题，判断出该用什么工具、怎么用工具，并将该信息返回（tool_calls），说明最终使用工具解决问题的不是大模型而是Agent！： 通过大模型返回的信息中的tool_calls[‘args’]、tool_calls[‘name’]，我们能提炼出解决问题该调用什么工具，传入什么参数。

3.2 tool装饰器注册工具及使用args_schema控制工具入参

上一节，粗略实现了llm调用自定义工具的流程，但还是有比较大的问题：

1. 自定义工具方法参数没有类型规范
2. 调用自定义工具时非常笨拙、粗糙，需要做一些类型转化、参数命名等，而我们更希望llm能帮我们处理这些问题

而这个需求，我们可以通过装饰器 @tool 装饰器实现：
@tool 是 LangChain 框架中的核心装饰器，用于将普通 Python 函数转换为大模型可以调用的工具（Tool），其主要作用如下：

• 函数注册：将函数注册为大模型可调用的工具
• 元数据提取：自动提取函数名、参数信息、文档字符串
• 类型转换：将 Python 函数转换为 LangChain 的 Tool 对象

args_schema 是 @tool 装饰器的重要参数，用于定义工具参数的结构和验证规则，其主要作用如下：

• 参数验证：确保传入参数符合预期格式
• 类型安全：定义参数的数据类型和约束
• 文档生成：为大模型提供清晰的参数说明
• 默认值处理：支持参数默认值

使用示例如下：

from langchain.tools import tool
from pydantic import BaseModel, Fieldclass SearchInput(BaseModel):query: str = Field(description="搜索关键词")limit: int = Field(default=10, description="返回结果数量限制")@tool(args_schema=SearchInput)
def search_web(input_data: SearchInput) -> str:"""根据输入参数搜索网络信息"""return f"搜索结果: {input_data.query}, 限制: {input_data.limit}"

对于3.1中实现的demo，引入tool装饰器后，修改后的示例代码如下：

from langchain_core.tools import tool
from app.bailian.common import chat_prompt_template, llm
from pydantic import BaseModel, Field"绑定自定义工具-使用tool装饰器"class FetchWeatherInputArgs(BaseModel):city: str = Field(description="城市名称")# 1.开发自定义工具, 并注册tool
@tool(description="获取某个城市的真实天气",args_schema=FetchWeatherInputArgs
)
def fetch_weather(city: str) -> str:"""获取某个城市的真实天气"""# 模拟调用天气API逻辑...weather_data = {'北京': '多云','深圳': '晴朗'}if city not in weather_data.keys():return '天气多变'return weather_data[city]# 定义工具字典, value为python方法
tool_dict = {'fetch_weather': fetch_weather
}
# 3.将大模型与Tool对象绑定
llm_with_tool = llm.bind_tools([fetch_weather])
# 链式声明
chain = chat_prompt_template | llm_with_tool
# 4.调用大模型
resp = chain.invoke(input={"role": "气象学", "domain": "天气领域", "question": "深圳天气怎么样?"})
# 5.调用工具
for tool_calls in resp.tool_calls:# 获取要调用的参数和工具args = tool_calls["args"]func_name = tool_calls["name"]tool_func = tool_dict[func_name]# 调用工具tool_content = tool_func.invoke(args)print(tool_content)  # 晴朗

写在最后

 本文已被专栏 AI agent实战开发 收录，欢迎 点击订阅专栏
 以上便是本文的全部内容啦！创作不易，如果你有任何问题，欢迎私信，感谢您的支持！