LangChain智能体开发实战：从工具创建到生产部署

1. LangChain智能体开发实战指南

作为一名长期从事AI应用开发的工程师，我深刻理解在构建智能体系统时面临的挑战。LangChain框架为开发者提供了强大的工具链，使得构建复杂AI应用变得更加高效。本文将分享我在实际项目中积累的LangChain智能体开发经验，从基础工具创建到高级功能实现的全流程。

2. 工具开发与初始化

2.1 基础工具创建实战

在LangChain生态中，工具(Tool)是智能体执行具体任务的基本单元。创建工具时，良好的类型定义和文档描述至关重要。以下是一个加法工具的完整实现示例：

python复制from langchain_core.tools import tool
from pydantic import BaseModel, Field
from typing import Dict, Any

# 定义强类型输入参数模型
class AddInputArgs(BaseModel):
    a: int = Field(description="第一个数字", gt=0, example=10)
    b: int = Field(description="第二个数字", gt=0, example=5)

# 创建计算工具
@tool(
    name="addition_calculator",
    description="执行两个正整数的加法运算",
    args_schema=AddInputArgs,
    return_direct=False
)
def add(a: int, b: int) -> int:
    """执行加法运算并返回结果
    
    Args:
        a: 第一个加数，必须为正整数
        b: 第二个加数，必须为正整数
        
    Returns:
        两数之和
        
    Raises:
        ValueError: 当输入参数不满足条件时抛出
    """
    if a <= 0 or b <= 0:
        raise ValueError("输入参数必须为正整数")
    return a + b

关键点解析：

1. 使用Pydantic模型定义输入参数，Field的description属性会被LangChain用于自动生成工具说明
2. @tool装饰器将普通函数转换为LangChain工具，return_direct控制是否直接返回工具结果
3. 添加完整的docstring和参数验证，提升工具的可靠性

2.2 高级数学工具集开发

实际项目中，我们通常需要一组相关工具。下面是扩展的数学工具集实现：

python复制class MathInputArgs(BaseModel):
    a: float = Field(..., description="第一个操作数", examples=[10.5])
    b: float = Field(..., description="第二个操作数", examples=[2.0])

@tool(description="执行浮点数减法运算: a - b", args_schema=MathInputArgs)
def subtract(a: float, b: float) -> float:
    return a - b

@tool(description="执行浮点数乘法运算: a × b", args_schema=MathInputArgs)
def multiply(a: float, b: float) -> float:
    return a * b

@tool(description="执行浮点数除法运算: a ÷ b", args_schema=MathInputArgs)
def divide(a: float, b: float) -> float:
    if abs(b) < 1e-10:  # 更精确的浮点数零值判断
        raise ValueError("除数不能为零")
    return a / b

def create_math_toolkit() -> list:
    """创建完整的数学工具集"""
    return [add, subtract, multiply, divide]

开发经验：

1. 统一参数模型(MathInputArgs)确保工具接口一致性
2. 浮点数比较使用阈值而非直接==0，避免精度问题
3. 工具描述应清晰说明运算顺序(a - b而非b - a)

3. 大模型配置与优化

3.1 生产级模型配置

python复制from langchain_openai import ChatOpenAI
from pydantic import SecretStr
import os

def init_llm(model_name: str = "gpt-3.5-turbo") -> ChatOpenAI:
    """初始化生产环境大模型
    
    Args:
        model_name: 模型标识，支持gpt-3.5-turbo/gpt-4等
        
    Returns:
        配置好的ChatOpenAI实例
    """
    return ChatOpenAI(
        model=model_name,
        base_url=os.getenv("OPENAI_API_BASE", "https://api.openai.com/v1"),
        api_key=SecretStr(os.getenv("OPENAI_API_KEY")),
        streaming=True,
        temperature=0.3,  # 适度创造性
        max_tokens=1500,
        request_timeout=30,  # 超时设置
        max_retries=3,  # 自动重试
        model_kwargs={
            "top_p": 0.9,
            "frequency_penalty": 0.1
        }
    )

配置要点：

1. 通过环境变量管理敏感信息(api_key)
2. 设置合理的超时和重试机制增强鲁棒性
3. model_kwargs调整生成参数，平衡创造性和确定性

3.2 多模型路由策略

python复制class ModelRouter:
    """智能模型路由管理器"""
    def __init__(self):
        self.llms = {
            "gpt3.5": init_llm("gpt-3.5-turbo"),
            "gpt4": init_llm("gpt-4"),
            "claude": self._init_anthropic()
        }
    
    def _init_anthropic(self):
        try:
            from langchain_anthropic import ChatAnthropic
            return ChatAnthropic(model="claude-3-sonnet")
        except ImportError:
            return None
    
    def get_model(self, task_type: str) -> ChatOpenAI:
        """根据任务类型选择最优模型"""
        if task_type == "creative":
            return self.llms.get("gpt4") or self.llms["gpt3.5"]
        elif task_type == "cost-sensitive":
            retu