使用LangChain框架构建AI天气查询智能体

1. 从零搭建你的第一个AI智能体

作为一名长期从事AI应用开发的工程师，我经常遇到初学者询问如何快速上手构建AI智能体。今天我将通过一个天气查询智能体的完整实现过程，带你掌握LangChain框架的核心用法。这个案例麻雀虽小五脏俱全，涵盖了智能体开发的完整技术栈。

智能体（Agent）与传统AI模型的区别在于其具备自主决策能力。就像人类助手会根据情况选择不同工具完成任务，智能体能够根据用户需求自动选择调用合适的工具。我们即将构建的天气查询智能体，就能理解自然语言指令，自动判断是否需要调用天气查询API。

2. 开发环境准备

2.1 基础环境配置

首先确保你的Python环境版本≥3.8，这是LangChain框架的最低要求。我推荐使用conda创建独立环境：

bash复制conda create -n langchain-demo python=3.10
conda activate langchain-demo

2.2 依赖安装

除了项目提示的langchain和langchain-openai，我们还需要安装pydantic用于数据验证：

bash复制pip install langchain langchain-openai pydantic

注意：如果你在国内网络环境，建议使用清华源加速安装：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple

3. 核心组件解析与实现

3.1 语言模型配置

我们使用ChatOpenAI作为基础语言模型，这里有几个关键参数需要注意：

python复制llm = ChatOpenAI(
    model="glm-4-flash",  # 轻量级模型响应更快
    temperature=0,  # 设为0确保确定性输出
    api_key="your_api_key",  # 实际使用请替换为有效key
    base_url="https://open.bigmodel.cn/api/paas/v4/"
)

• model选择：glm-4-flash是性价比很高的轻量级模型，适合简单任务。复杂场景可考虑glm-4
• temperature参数：控制输出随机性。0表示完全确定性，适合工具调用场景
• base_url：指定API端点，不同服务提供商地址不同

3.2 工具定义与封装

智能体的核心能力来自于工具调用。我们先定义一个模拟天气查询工具：

python复制class WeatherInput(BaseModel):
    location: str = Field(description="城市名称，如'北京'或'Shanghai'")

def get_weather(location: str) -> str:
    """获取指定城市的实时天气数据（模拟实现）"""
    # 实际项目中这里会调用天气API
    return f"{location}天气：晴，25°C，湿度60%"

使用StructuredTool进行工具封装：

python复制tools = [
    StructuredTool.from_function(
        name="weather_query",  # 工具唯一标识
        func=get_weather,
        description="查询指定城市的实时天气信息",
        args_schema=WeatherInput
    )
]

经验分享：工具描述(description)要清晰准确，这直接影响LLM是否选择该工具

3.3 智能体提示工程

提示模板设计是智能体行为控制的关键：

python复制prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个专业的天气助手，准确回答天气相关问题。"
              "当用户询问天气时，你必须调用weather_query工具获取数据。"),
    ("human", "{input}"),
    MessagesPlaceholder("agent_scratchpad")
])

• system消息定义角色和基础规则
• agent_scratchpad保留智能体的思考过程
• 实际项目中可以添加更多few-shot示例

4. 智能体组装与测试

4.1 智能体创建流程

python复制agent = create_tool_calling_agent(llm, tools, prompt)
agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    verbose=True  # 开发阶段建议开启详细日志
)

4.2 实际测试案例

python复制# 简单查询
result = agent_executor.invoke({"input": "北京天气怎么样？"})
print(result['output'])

# 带条件的查询
result = agent_executor.invoke({"input": "上海和杭州哪个城市更热？"})

在verbose模式下，你会在控制台看到类似这样的思考过程：

code复制> 进入新链...
思考：用户询问北京天气，需要调用weather_query工具
调用：weather_query
参数：{"location": "北京"}
观察：北京天气：晴，25°C，湿度60%
思考：可以直接返回查询结果

5. 生产环境优化建议

5.1 错误处理增强

实际项目中需要添加完善的错误处理：

python复制def get_weather(location: str) -> str:
    try:
        # 模拟API调用可能失败
        if random.random() < 0.1:
            raise ValueError("API服务暂时不可用")
        return f"{location}天气数据..."
    except Exception as e:
        return f"查询失败：{str(e)}"

5.2 性能优化技巧

1. 缓存机制：对天气数据添加TTL缓存
2. 批量查询：支持同时查询多个城市
3. 超时设置：为API调用添加超时控制

python复制from functools import lru_cache

@lru_cache(maxsize=100)
def get_weather(location: str) -> str:
    # 实现带缓存的查询

6. 扩展方向

这个基础框架可以扩展出许多实用功能：

1. 多工具集成：加入航班查询、景点推荐等工具
2. 记忆功能：使用ConversationBufferMemory保存对话历史
3. 验证机制：添加用户地理位置验证等安全措施

python复制# 示例：添加对话记忆
from langchain.memory import ConversationBufferMemory

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

我在实际项目中发现，智能体开发最难的不是技术实现，而是设计清晰的工具边界和提示词规则。建议从简单场景开始，逐步迭代扩展功能。