LangChain智能体开发：从入门到实战-AI智能范式网

LangChain智能体开发：从入门到实战

流浪小鱼·2026-08-18·阅读 22 GEO检测（免费）

LangChain智能体开发大语言模型

|难度：普通|阅读约 24 分钟

1. LangChain智能体开发概述

在当今AI技术快速发展的背景下，智能体(Agent)已经成为连接大语言模型与实际应用的重要桥梁。LangChain作为当前最流行的智能体开发框架之一，为开发者提供了构建、测试和部署AI智能体的完整工具链。与传统的脚本化AI不同，基于LangChain开发的智能体具备自主决策、工具使用和持续学习的能力，这使得它们能够处理更加复杂的任务场景。

我最初接触LangChain是在开发一个客户服务自动化系统时，当时需要构建一个能够理解用户意图、查询知识库并生成个性化回复的AI助手。经过对比多个框架后，我发现LangChain的模块化设计和丰富的工具集成使其成为最合适的选择。它不仅支持与主流大语言模型(如GPT、Claude等)的无缝对接，还提供了记忆管理、工具调用和流程控制等关键功能，大大降低了智能体开发的复杂度。

需要模型API调用？免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。

2. 开发环境准备与基础配置

2.1 Python环境搭建

LangChain支持Python 3.8及以上版本，建议使用conda或venv创建独立的Python环境以避免依赖冲突。以下是我的常用环境配置步骤：

bash复制conda create -n langchain-env python=3.10
conda activate langchain-env
pip install langchain langchain-openai

对于国内开发者，可能会遇到包下载速度慢的问题。可以通过配置清华镜像源来解决：

bash复制pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

2.2 API密钥配置

大多数LangChain智能体需要接入大语言模型API，如OpenAI的GPT系列。建议将API密钥存储在环境变量中而非代码里，这既安全又便于管理：

python复制import os
from langchain_openai import ChatOpenAI

os.environ['OPENAI_API_KEY'] = 'your-api-key-here'

llm = ChatOpenAI(model="gpt-3.5-turbo")

重要提示：永远不要将API密钥直接提交到版本控制系统。可以在项目中创建.env文件并添加到.gitignore中。

3. 构建第一个LangChain智能体

3.1 基础智能体结构

一个最简单的LangChain智能体由三个核心组件构成：

语言模型(LLM)：负责理解和生成文本
工具(Tools)：智能体可以调用的外部功能
代理(Agent)：协调LLM和工具的核心逻辑

以下是一个天气预报查询智能体的实现示例：

python复制from langchain.agents import AgentExecutor, create_tool_calling_agent
from langchain_core.prompts import ChatPromptTemplate

# 定义工具
def get_weather(city: str):
    # 这里应该是实际的天气API调用
    return f"{city}的天气是晴朗，25℃"

# 创建工具列表
tools = [
    {
        "name": "get_weather",
        "description": "获取指定城市的天气信息",
        "parameters": {
            "type": "object",
            "properties": {
                "city": {"type": "string", "description": "城市名称"}
            },
            "required": ["city"]
        },
        "function": get_weather
    }
]

# 构建代理提示模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个有帮助的助手，能够查询天气信息"),
    ("user", "{input}")
])

# 创建代理
agent = create_tool_calling_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# 运行智能体
result = agent_executor.invoke({"input": "上海现在的天气怎么样？"})
print(result["output"])

3.2 智能体工作流程解析

当上述代码运行时，智能体会按照以下步骤工作：

接收用户输入("上海现在的天气怎么样？")
LLM分析输入并决定是否需要调用工具
识别出需要调用get_weather工具，并提取参数(city="上海")
执行工具调用，获取天气数据
LLM将工具返回的结果整合成自然语言回复
返回最终输出给用户

这个流程展示了LangChain智能体的核心能力：理解自然语言、决定行动方案、使用工具获取信息、生成友好回复。

4. 高级功能与实战技巧

4.1 记忆管理

真实的智能体应用通常需要记住对话历史。LangChain提供了多种记忆机制：

python复制from langchain.memory import ConversationBufferMemory

memory = ConversationBufferMemory(memory_key="chat_history")
agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    memory=memory,
    verbose=True
)

# 连续对话示例
agent_executor.invoke({"input": "我叫张三"})
result = agent_executor.invoke({"input": "我的名字是什么？"})
print(result["output"])  # 输出"你的名字是张三"

对于更复杂的场景，可以考虑使用ConversationSummaryMemory，它不会存储完整的对话历史，而是保存摘要，适合长对话场景。

4.2 多工具协同

强大的智能体往往需要组合使用多个工具。下面是一个同时使用天气查询和日历管理的示例：

python复制tools = [
    {
        "name": "get_weather",
        "description": "获取指定城市和日期的天气信息",
        # ...参数定义类似前例
    },
    {
        "name": "check_calendar",
        "description": "检查指定日期的日程安排",
        "parameters": {
            "type": "object",
            "properties": {
                "date": {"type": "string", "description": "日期，格式YYYY-MM-DD"}
            },
            "required": ["date"]
        },
        "function": lambda date: f"{date}的日程：上午会议，下午自由工作"
    }
]

# 当用户问"下周二上海的天气如何，那天我有安排吗？"
# 智能体会自动调用两个工具并整合信息

4.3 错误处理与重试机制

在实际应用中，工具调用可能会失败。LangChain提供了自动重试机制：

python复制from langchain.retrievers import WikipediaRetriever
from langchain.agents import Tool

retriever = WikipediaRetriever()
wiki_tool = Tool(
    name="wikipedia",
    func=retriever.get_relevant_documents,
    description="查询维基百科获取相关信息",
    max_retries=2,  # 自动重试次数
    retry_delay=1   # 重试间隔(秒)
)

5. 性能优化与调试技巧

5.1 提示工程优化

智能体的表现很大程度上取决于提示设计。以下是一些优化技巧：

明确角色定义：

python复制prompt = ChatPromptTemplate.from_messages([
    ("system", """你是一个专业的客户服务助手，回答问题时应该：
    - 保持专业但友好的语气
    - 如果信息不确定，明确说明
    - 一次只解决一个问题"""),
    ("user", "{input}")
])

提供示例对话：

python复制prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个旅游助手..."),
    ("human", "我想去一个温暖的海边城市度假"),
    ("ai", "您考虑过三亚吗？那里有美丽的海滩和温暖的冬季气候。"),
    ("human", "{input}")
])

5.2 流式输出

对于长时间运行的任务，可以使用流式输出改善用户体验：

python复制from langchain.callbacks.streaming_stdout import StreamingStdOutCallbackHandler

llm = ChatOpenAI(
    model="gpt-3.5-turbo",
    streaming=True,
    callbacks=[StreamingStdOutCallbackHandler()]
)

5.3 成本控制

大模型API调用可能产生显著费用，以下方法可以帮助控制成本：

设置最大token限制：

python复制llm = ChatOpenAI(model="gpt-3.5-turbo", max_tokens=500)

使用本地缓存：

python复制from langchain.cache import SQLiteCache
import langchain

langchain.llm_cache = SQLiteCache(database_path=".langchain.db")

监控使用情况：

python复制from langchain.callbacks import get_openai_callback

with get_openai_callback() as cb:
    result = agent_executor.invoke({"input": "..."})
    print(f"本次调用消耗: {cb.total_tokens} tokens, 成本: ${cb.total_cost}")

6. 部署与生产化考虑

6.1 封装为Web服务

使用FastAPI将智能体部署为REST API：

python复制from fastapi import FastAPI
from pydantic import BaseModel

app = FastAPI()

class Query(BaseModel):
    text: str

@app.post("/chat")
async def chat(query: Query):
    result = agent_executor.invoke({"input": query.text})
    return {"response": result["output"]}

6.2 性能监控

添加Prometheus监控指标：

python复制from prometheus_client import start_http_server, Counter

REQUEST_COUNT = Counter('agent_requests_total', 'Total chat requests')
REQUEST_LATENCY = Histogram('agent_request_latency_seconds', 'Request latency')

@app.post("/chat")
@REQUEST_LATENCY.time()
async def chat(query: Query):
    REQUEST_COUNT.inc()
    # ...原有逻辑

6.3 安全考虑

输入验证：

python复制from langchain.schema import OutputParserException

try:
    result = agent_executor.invoke({"input": user_input})
except OutputParserException as e:
    # 处理模型输出解析错误

内容过滤：

python复制from langchain.output_parsers import CommaSeparatedListOutputParser
from langchain.prompts import PromptTemplate
from langchain_core.output_parsers import StrOutputParser

safety_prompt = PromptTemplate.from_template("""
请检查以下内容是否包含不当信息。只回答是或否。
内容：{text}
""")

safety_chain = safety_prompt | llm | StrOutputParser()

def is_safe(text):
    return safety_chain.invoke({"text": text}) == "否"

7. 常见问题与解决方案

7.1 工具选择犹豫

症状：智能体在多个适用工具间反复犹豫，导致响应延迟。

解决方案：

优化工具描述，使其更加明确区分
在系统提示中明确工具选择优先级
设置工具选择最大重试次数

python复制agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    max_iterations=5,  # 限制决策循环次数
    early_stopping_method="generate"  # 超时后直接生成回复
)

7.2 复杂任务处理

对于多步骤复杂任务，可以考虑使用LangChain的Plan-and-Execute模式：

python复制from langchain_experimental.plan_and_execute import PlanAndExecute, load_agent_executor

planner = load_chat_planner(llm)
executor = load_agent_executor(llm, tools, verbose=True)
agent = PlanAndExecute(planner=planner, executor=executor)

7.3 处理模糊查询

当用户输入不明确时，智能体应该主动澄清而非猜测：

python复制clarify_prompt = ChatPromptTemplate.from_messages([
    ("system", """当用户请求不明确时，你应该：
    1. 列出你需要但缺失的信息
    2. 用问题形式请求用户提供
    示例：您想查询哪个城市的天气？"""),
    ("user", "{input}")
])

8. 项目扩展与进阶方向

8.1 集成自定义工具

实际项目中通常需要集成内部系统作为工具。例如，连接CRM系统：

python复制def query_customer_data(customer_id: str):
    # 实际项目中这里调用CRM API
    return {"name": "张三", "level": "VIP"}

tools.append(
    Tool(
        name="crm_lookup",
        func=query_customer_data,
        description="查询客户CRM数据，需要客户ID"
    )
)

8.2 多智能体协作

使用LangGraph实现多智能体协作：

python复制from langgraph.graph import Graph
from langgraph.prebuilt import AgentExecutor

sales_agent = create_sales_agent()
support_agent = create_support_agent()

workflow = Graph()
workflow.add_node("sales", sales_agent)
workflow.add_node("support", support_agent)
workflow.add_edge("sales", "support")  # 销售转接给客服

chain = workflow.compile()

8.3 持续学习与微调

收集用户交互数据用于改进智能体：

python复制from langchain.adapters.openai import save_finetuning_data

# 保存对话历史
def save_conversation(input_text, output_text):
    save_finetuning_data(
        [{"input": input_text, "output": output_text}],
        "conversations.jsonl"
    )

在实际项目中，我发现智能体的表现会随着使用场景的明确和工具的丰富而显著提升。开始时可以聚焦于一个具体的小场景，比如"餐厅推荐"或"IT故障排查"，然后逐步扩展能力范围。每次新增工具或修改提示后，都应该用一组标准测试用例验证效果变化。