LangChain Agent流式输出实战：股票查询应用开发

1. 项目概述：LangChain Agent流式输出实战

在构建大语言模型应用时，Agent智能体的流式输出能力是提升用户体验的关键技术。传统的一次性返回（invoke）模式会让用户长时间等待，而流式输出（stream）则能实现"边生成边展示"的效果，特别适合需要调用多个工具或生成较长内容的场景。

本次实战将基于LangChain框架，开发一个股票查询Agent，重点演示以下核心技术点：

• 使用agent.stream()方法实现增量式输出
• 解析结果块（chunk）中的消息类型
• 处理工具调用（tool calls）的多种数据结构
• 理解stream_mode="values"的工作原理

2. 核心概念解析与技术选型

2.1 流式输出 vs 批量输出

在LangChain中，Agent有两种主要的输出方式：

• invoke（调用）：一次性获取完整结果，适用于简单查询
• stream（流式）：持续接收多个结果块（chunk），适合复杂任务

流式输出的优势在于：

1. 降低用户等待焦虑
2. 展示Agent的思考过程
3. 提前呈现部分可用结果

2.2 工具调用（Tool Calls）的数据结构

当Agent决定调用工具时，消息中会包含tool_calls字段。需要注意这个字段可能有多种表现形式：

python复制# 可能形式1：字典列表
tool_calls = [{"name": "get_price", "args": {"name": "AAPL"}}]

# 可能形式2：包含name属性的对象列表
class ToolCall:
    name: str
    args: dict
tool_calls = [ToolCall(name="get_info", args={"name": "AAPL"})]

2.3 stream_mode参数详解

stream_mode="values"是本次实战的关键参数，它决定了chunk的生成方式：

• values模式：每个chunk都是完整状态快照，包含当前所有消息
• 其他模式：可能只包含增量变化

values模式的优势是保证数据完整性，适合需要精确控制显示逻辑的场景。

3. 完整实现步骤

3.1 环境准备与模型初始化

首先设置开发环境并初始化聊天模型：

python复制import os
from dotenv import load_dotenv
from langchain_community.chat_models.tongyi import ChatTongyi

def init_chat_model() -> ChatTongyi:
    load_dotenv()
    api_key = os.getenv("DASHSCOPE_API_KEY") or os.getenv("API_KEY")
    os.environ["DASHSCOPE_API_KEY"] = api_key  # 确保兼容性
    return ChatTongyi(model="qwen3-max")

关键点说明：

1. 使用dotenv管理敏感信息
2. 支持多种API_KEY环境变量名称
3. 选择qwen3-max模型，适合工具调用场景

3.2 定义股票查询工具

创建两个示例工具用于演示：

python复制from langchain_core.tools import tool

@tool(description="获取股票价格，传入股票名称，返回字符串信息")
def get_price(name: str) -> str:
    """模拟股票价格查询"""
    return f"股票{name}的价格是20元"

@tool(desc