LangChain Agent API 核心解析与实战指南

1. LangChain Agent API 核心概念解析

在传统LangChain的"链"式结构中，开发者常遇到一个典型困境：当用户输入超出预设工具范围时（比如天气查询链遇到机器学习问题），整个执行流程就会陷入尴尬境地。这种刚性架构迫使开发者要么构建大量分支链，要么在链中增加复杂的条件判断——这两种方案都会显著增加系统复杂度和维护成本。

Agent架构的诞生正是为了解决这一核心痛点。与固定顺序的Chain不同，Agent本质上是一个由大语言模型驱动的动态调度系统。它具备三个关键能力：

1. 意图识别：自动分析用户输入的语义意图
2. 工具编排：动态选择需要调用的工具序列
3. 结果合成：将多个工具的执行结果整合成自然语言响应

这种架构带来的直接优势是：

• 处理未知请求时不会崩溃，而是尝试用已有工具组合解决
• 新增工具时无需重构整体流程
• 支持复杂的串并联工具调用模式

技术细节：LangChain Agent内部使用ReAct（Reasoning + Acting）框架，通过特殊的prompt设计让LLM在"思考-行动-观察"的循环中自主决策工具调用顺序。这也是为什么提示模板中必须包含{agent_scratchpad}占位符——它用于记录LLM的推理过程。

2. 零基础搭建首个智能体实战

2.1 环境准备与依赖安装

推荐使用Python 3.9+环境，首先安装核心依赖：

bash复制pip install langchain-core==0.1.0 langchain-community==0.0.1

对于需要联网搜索的案例，额外安装：

bash复制pip install langchain-tavily==0.0.3 requests==2.31.0

2.2 天气查询工具封装

完整工具函数应该包含以下关键要素：

python复制import requests
from typing import Annotated
from langchain.tools import tool

@tool
def get_weather(
    loc: Annotated[str, "城市名称，如'北京'或'New York'"]
) -> str:
    """获取指定城市的实时天气数据（温度/湿度/天气状况）"""
    url = "https://api.seniverse.com/v3/weather/now.json"
    params = {
        "key": "your_api_key",  # 替换为实际API密钥
        "location": loc,
        "language": "zh-Hans",
        "unit": "c"
    }
    
    try:
        response = requests.get(url, params=params, timeout=10)
        response.raise_for_status()
        data =