LangChain中create_agent的配置与应用实践

1. LangChain中的create_agent详解

在LangChain生态系统中，create_agent是一个功能强大且高度可配置的核心函数，它允许开发者快速构建具备工具调用能力的智能代理。这个函数的设计理念是"配置即代码"——通过简单的参数组合就能创建出适应不同场景的AI代理。

我最近在几个实际项目中深度使用了create_agent，发现它特别适合以下场景：

• 需要集成多个工具调用的自动化流程
• 构建具有记忆和上下文感知能力的对话系统
• 开发能够处理复杂多步骤任务的智能助手

2. create_agent核心参数解析

2.1 模型配置

模型参数是create_agent最核心的配置项，支持多种形式的模型指定方式：

python复制from langchain.agents import create_agent

# 方式1：使用模型标识字符串
agent = create_agent(model="openai:gpt-4")

# 方式2：直接传入初始化后的模型实例
from langchain.llms import OpenAI
llm = OpenAI(model_name="gpt-4")
agent = create_agent(model=llm)

在实际使用中，我发现模型标识字符串的方式更加灵活，因为它允许：

1. 动态切换不同供应商的模型
2. 无需在代码中硬编码API密钥
3. 方便进行A/B测试不同模型版本

2.2 工具集成

工具是赋予Agent行动能力的关键。create_agent支持三种工具集成方式：

python复制from langchain.tools import tool

# 方式1：Python可调用对象
def search(query: str) -> str:
    return f"Results for {query}"

# 方式2：LangChain Tool装饰器
@tool
def calculator(expression: str) -> str:
    """Evaluate mathematical expressions"""
    return str(eval(expression))

# 方式3：工具字典
tools = {
    "search": {
        "description": "Search the web",
        "func": search
    }
}

agent = create_agent(model="gpt-4", tools=[search, calculator, tools])

经验分享：工具的描述文档非常重要，它直接影响LLM是否以及如何调用该工具。建议：

• 保持描述简洁但完整
• 明确说明输入输出格式
• 包含使用示例（模型会参考这些示例）

3. 高级功能配置

3.1 系统提示词工程

系统提示词决定了Agent的行为风格和任务处理方式：

python复制agent = create_agent(
    model="gpt-4",
    tools=tools,
    system_prompt="""
    你是一个专业的研究助手，需要遵循以下规则：
    1. 优先使用工具获取最新信息
    2. 回答要简洁专业
    3. 不确定时主动询问澄清
    """
)

我在实际项目中发现，好的系统提示应该：

• 明确角色定位
• 包含具体的行为准则
• 避免过于笼统的描述

3.2 结构化输出

通过Pydantic模型可以定义严格的输出结构：

python复制from pydantic import BaseModel

class ResearchResult(BaseModel):
    summary: str
    sources: list[str]
    confidence: float

agent = create_agent(
    model="gpt-4",
    tools=tools,
    response_format=ResearchResult
)

这种结构化输出特别适合：

• 需要后续自动化处理的结果
• 确保输出质量的场景
• 多步骤任务的结果传递

4. 实战：构建研究助手Agent

4.1 完整实现代码

python复制from langchain.agents import create_agent
from langchain.tools import tool
from pydantic import BaseModel
import requests

# 定义工具
@tool
def web_search(query: str) -> str:
    """Search the web for current information"""
    response = requests.get(f"https://api.search.com?q={query}")
    return response.json()["results"]

@tool 
def scholar_search(query: str) -> str:
    """Search academic papers"""
    response = requests.get(f"https://scholar.api.com?q={query}")
    return response.json()["papers"]

# 定义输出结构
class ResearchReport(BaseModel):
    topic: str
    key_findings: list[str]
    sources: list[str]
    remaining_questions: list[str]

# 创建Agent
research_agent = create_agent(
    model="anthropic:claude-3-opus",
    tools=[web_search, scholar_search],
    system_prompt="""
    你是一个资深研究专家，负责全面调研给定主题。
    工作流程：
    1. 使用web_search获取最新资讯
    2. 使用scholar_search查找学术观点
    3. 综合分析不同来源的信息
    4. 按照指定格式输出研究报告
    """,
    response_format=ResearchReport
)

# 使用Agent
report = research_agent.invoke({
    "messages": [{
        "role": "user",
        "content": "请调研大语言模型在医疗诊断中的应用现状"
    }]
})

4.2 性能优化技巧

1. 工具并行调用：

python复制from langchain.agents.middleware import ParallelToolMiddleware

agent = create_agent(
    model="gpt-4",
    tools=[web_search, scholar_search],
    middleware=[ParallelToolMiddleware()]
)

2. 结果缓存：

python复制from langchain.cache import InMemoryCache
from langchain.llms import OpenAI

llm = OpenAI(cache=InMemoryCache())
agent = create_agent(model=llm, tools=tools)

3. 超时控制：

python复制from langchain.agents.middleware import ToolTimeoutMiddleware

agent = create_agent(
    model="gpt-4",
    tools=tools,
    middleware=[ToolTimeoutMiddleware(timeout=30)]
)

5. 常见问题与解决方案

5.1 工具选择问题

问题现象：Agent频繁调用错误工具或忽略关键工具

解决方案：

1. 优化工具描述，确保清晰明确
2. 在系统提示中强调工具优先级
3. 使用Few-shot示例指导工具选择

python复制system_prompt = """
工具使用示例：
用户：找三篇关于神经网络的最新论文
AI：我应该使用scholar_search工具
<调用scholar_search("神经网络 最新研究")>
...
"""

5.2 上下文管理

问题现象：长对话中Agent丢失上下文或重复信息

解决方案：

1. 启用对话记忆功能
2. 实现自动摘要机制
3. 设置合理的上下文窗口

python复制from langchain.agents.middleware import ConversationSummaryMiddleware

agent = create_agent(
    model="gpt-4",
    tools=tools,
    middleware=[ConversationSummaryMiddleware()]
)

5.3 错误处理

典型错误：API限流、网络问题、无效输入等

健壮性增强方案：

python复制from langchain.agents.middleware import (
    ToolRetryMiddleware,
    ModelRetryMiddleware,
    FallbackMiddleware
)

agent = create_agent(
    model="gpt-4",
    tools=tools,
    middleware=[
        ToolRetryMiddleware(max_retries=3),
        ModelRetryMiddleware(max_retries=2),
        FallbackMiddleware(fallback_response="系统暂时不可用")
    ]
)

6. 生产环境最佳实践

6.1 监控与日志

建议集成LangSmith进行全链路追踪：

python复制import os
from langsmith import Client

os.environ["LANGCHAIN_TRACING"] = "true"

client = Client()
agent = create_agent(model="gpt-4", tools=tools)

监控重点指标：

• 工具调用成功率
• 响应延迟
• Token使用量
• 用户满意度评分

6.2 安全防护

python复制from langchain.agents.middleware import (
    PIIMiddleware,
    ContentFilterMiddleware
)

agent = create_agent(
    model="gpt-4",
    tools=tools,
    middleware=[
        PIIMiddleware(redact_fields=["email", "phone"]),
        ContentFilterMiddleware()
    ]
)

6.3 性能优化检查清单

1. [ ] 工具调用是否必要最小化
2. [ ] 上下文长度是否合理控制
3. [ ] 是否有适当的缓存机制
4. [ ] 错误处理是否完备
5. [ ] 监控系统是否到位

在实际项目中，我发现create_agent最强大的地方在于它的可组合性。通过不同的参数和中间件组合，可以构建出适应各种场景的智能代理。一个典型的进阶用法是将多个Agent组合成工作流：

python复制research_agent = create_agent(...)
analysis_agent = create_agent(...)
report_agent = create_agent(...)

def research_flow(topic):
    materials = research_agent(topic)
    insights = analysis_agent(materials)
    return report_agent(insights)

这种模式特别适合复杂的多阶段任务处理。