使用AgentExecutor构建代理（旧版）

重要

本节将介绍如何使用旧版 LangChain AgentExecutor 进行构建。它们适合入门，但达到一定程度后，您可能需要它们无法提供的灵活性和控制力。对于更高级的代理，我们建议查看 LangGraph 代理或迁移指南

语言模型本身无法采取行动——它们只会输出文本。LangChain 的一个主要用例是创建 代理。代理是使用 LLM 作为推理引擎的系统，用于确定要采取哪些行动以及这些行动的输入应该是什么。这些行动的结果可以反馈给代理，然后代理决定是否需要更多行动，或者是否可以完成任务。

在本教程中，我们将构建一个可以与多种不同工具交互的代理：一个本地数据库，另一个是搜索引擎。您将能够向该代理提问，观察它调用工具，并与它进行对话。

概念

我们将涵盖的概念包括

• 使用 语言模型，特别是它们的工具调用能力
• 创建一个 检索器以向我们的代理公开特定信息
• 使用搜索 工具在线查找内容
• 聊天历史，它允许聊天机器人“记住”过去的交互，并在回答后续问题时将其考虑在内。
• 使用 LangSmith 调试和追踪您的应用程序

设置

Jupyter Notebook

本指南（以及文档中的大多数其他指南）使用 Jupyter Notebook，并假定读者也使用它。Jupyter Notebook 非常适合学习如何使用 LLM 系统，因为事物经常会出错（意外输出、API 关闭等），而在交互式环境中学习指南是更好地理解它们的绝佳方式。

本教程和其他教程或许在Jupyter Notebook中运行最为方便。有关如何安装的说明，请参见此处。

安装

要安装 LangChain，请运行

Pip

pip install langchain

Conda

conda install langchain -c conda-forge

更多详情，请参阅我们的安装指南。

LangSmith

您使用 LangChain 构建的许多应用程序将包含多个步骤，其中包含对 LLM 的多次调用。随着这些应用程序变得越来越复杂，能够检查您的链或代理内部到底发生了什么变得至关重要。做到这一点的最佳方法是使用LangSmith。

在上述链接注册后，请务必设置您的环境变量以开始记录跟踪日志

export LANGSMITH_TRACING="true"
export LANGSMITH_API_KEY="..."

或者，如果在Notebook中，您可以这样设置

import getpass
import os

os.environ["LANGSMITH_TRACING"] = "true"
os.environ["LANGSMITH_API_KEY"] = getpass.getpass()

定义工具

我们首先需要创建要使用的工具。我们将使用两种工具：Tavily（用于在线搜索）以及我们将创建的本地索引上的检索器

Tavily

LangChain 中有一个内置工具，可以轻松地将 Tavily 搜索引擎用作工具。请注意，这需要一个 API 密钥——他们有一个免费套餐，但如果您没有或不想创建一个，您可以随时忽略此步骤。

创建 API 密钥后，您需要将其导出为

export TAVILY_API_KEY="..."

from langchain_community.tools.tavily_search import TavilySearchResults

API 参考：TavilySearchResults

search = TavilySearchResults(max_results=2)

search.invoke("what is the weather in SF")

[{'url': 'https://www.weatherapi.com/',
  'content': "{'location': {'name': 'San Francisco', 'region': 'California', 'country': 'United States of America', 'lat': 37.78, 'lon': -122.42, 'tz_id': 'America/Los_Angeles', 'localtime_epoch': 1714000492, 'localtime': '2024-04-24 16:14'}, 'current': {'last_updated_epoch': 1713999600, 'last_updated': '2024-04-24 16:00', 'temp_c': 15.6, 'temp_f': 60.1, 'is_day': 1, 'condition': {'text': 'Overcast', 'icon': '//cdn.weatherapi.com/weather/64x64/day/122.png', 'code': 1009}, 'wind_mph': 10.5, 'wind_kph': 16.9, 'wind_degree': 330, 'wind_dir': 'NNW', 'pressure_mb': 1018.0, 'pressure_in': 30.06, 'precip_mm': 0.0, 'precip_in': 0.0, 'humidity': 72, 'cloud': 100, 'feelslike_c': 15.6, 'feelslike_f': 60.1, 'vis_km': 16.0, 'vis_miles': 9.0, 'uv': 5.0, 'gust_mph': 14.8, 'gust_kph': 23.8}}"},
 {'url': 'https://www.weathertab.com/en/c/e/04/united-states/california/san-francisco/',
  'content': 'San Francisco Weather Forecast for Apr 2024 - Risk of Rain Graph. Rain Risk Graph: Monthly Overview. Bar heights indicate rain risk percentages. Yellow bars mark low-risk days, while black and grey bars signal higher risks. Grey-yellow bars act as buffers, advising to keep at least one day clear from the riskier grey and black days, guiding ...'}]

检索器

我们还将根据我们自己的数据创建一个检索器。有关此处每个步骤的更深入解释，请参阅本教程。

from langchain_community.document_loaders import WebBaseLoader
from langchain_community.vectorstores import FAISS
from langchain_openai import OpenAIEmbeddings
from langchain_text_splitters import RecursiveCharacterTextSplitter

loader = WebBaseLoader("https://langsmith.langchain.ac.cn/overview")
docs = loader.load()
documents = RecursiveCharacterTextSplitter(
    chunk_size=1000, chunk_overlap=200
).split_documents(docs)
vector = FAISS.from_documents(documents, OpenAIEmbeddings())
retriever = vector.as_retriever()

API 参考：WebBaseLoader | FAISS | OpenAIEmbeddings | RecursiveCharacterTextSplitter

retriever.invoke("how to upload a dataset")[0]

Document(page_content='# The data to predict and grade over    evaluators=[exact_match], # The evaluators to score the results    experiment_prefix="sample-experiment", # The name of the experiment    metadata={      "version": "1.0.0",      "revision_id": "beta"    },)import { Client, Run, Example } from \'langsmith\';import { runOnDataset } from \'langchain/smith\';import { EvaluationResult } from \'langsmith/evaluation\';const client = new Client();// Define dataset: these are your test casesconst datasetName = "Sample Dataset";const dataset = await client.createDataset(datasetName, {    description: "A sample dataset in LangSmith."});await client.createExamples({    inputs: [        { postfix: "to LangSmith" },        { postfix: "to Evaluations in LangSmith" },    ],    outputs: [        { output: "Welcome to LangSmith" },        { output: "Welcome to Evaluations in LangSmith" },    ],    datasetId: dataset.id,});// Define your evaluatorconst exactMatch = async ({ run, example }: { run: Run; example?:', metadata={'source': 'https://langsmith.langchain.ac.cn/overview', 'title': 'Getting started with LangSmith | \uf8ffü¶úÔ∏è\uf8ffüõ†Ô∏è LangSmith', 'description': 'Introduction', 'language': 'en'})

现在我们已经填充了将进行检索的索引，我们可以轻松地将其转换为工具（代理正确使用所需的格式）

from langchain.tools.retriever import create_retriever_tool

API 参考：create_retriever_tool

retriever_tool = create_retriever_tool(
    retriever,
    "langsmith_search",
    "Search for information about LangSmith. For any questions about LangSmith, you must use this tool!",
)

工具

现在我们已经创建了两者，我们可以创建一个将在下游使用的工具列表。

tools = [search, retriever_tool]

使用语言模型

接下来，让我们学习如何使用语言模型来调用工具。LangChain 支持许多可以互换使用的不同语言模型——请在下方选择您想要使用的模型！

选择 聊天模型

OpenAI

Anthropic

Azure

Google Gemini

Google Vertex

AWS

Groq

Cohere

NVIDIA

Fireworks AI

Mistral AI

Together AI

IBM watsonx

Databricks

xAI

Perplexity

pip install -qU "langchain[google-genai]"

import getpass
import os

if not os.environ.get("GOOGLE_API_KEY"):
  os.environ["GOOGLE_API_KEY"] = getpass.getpass("Enter API key for Google Gemini: ")

from langchain.chat_models import init_chat_model

model = init_chat_model("gemini-2.0-flash", model_provider="google_genai")

您可以通过传入消息列表来调用语言模型。默认情况下，响应是 content 字符串。

from langchain_core.messages import HumanMessage

response = model.invoke([HumanMessage(content="hi!")])
response.content

API 参考：HumanMessage

'Hello! How can I assist you today?'

现在我们可以看看如何启用此模型进行工具调用。为了启用此功能，我们使用 .bind_tools 来赋予语言模型这些工具的知识。

model_with_tools = model.bind_tools(tools)

现在我们可以调用模型了。让我们首先使用普通消息调用它，看看它如何响应。我们可以查看 content 字段和 tool_calls 字段。

response = model_with_tools.invoke([HumanMessage(content="Hi!")])

print(f"ContentString: {response.content}")
print(f"ToolCalls: {response.tool_calls}")

ContentString: Hello! How can I assist you today?
ToolCalls: []

现在，让我们尝试使用一些预期会调用工具的输入来调用它。

response = model_with_tools.invoke([HumanMessage(content="What's the weather in SF?")])

print(f"ContentString: {response.content}")
print(f"ToolCalls: {response.tool_calls}")

ContentString: 
ToolCalls: [{'name': 'tavily_search_results_json', 'args': {'query': 'current weather in San Francisco'}, 'id': 'call_4HteVahXkRAkWjp6dGXryKZX'}]

我们可以看到现在没有内容，但有一个工具调用！它希望我们调用 Tavily 搜索工具。

这还没有调用该工具——它只是在告诉我们这样做。为了真正调用它，我们需要创建我们的代理。

创建智能体

现在我们已经定义了工具和 LLM，我们可以创建代理了。我们将使用一个工具调用代理——有关此类代理以及其他选项的更多信息，请参阅本指南。

我们首先可以选择用于引导代理的提示。

如果您想查看此提示的内容并访问 LangSmith，可以前往

https://smith.langchain.com/hub/hwchase17/openai-functions-agent

from langchain import hub

# Get the prompt to use - you can modify this!
prompt = hub.pull("hwchase17/openai-functions-agent")
prompt.messages

API 参考：hub

[SystemMessagePromptTemplate(prompt=PromptTemplate(input_variables=[], template='You are a helpful assistant')),
 MessagesPlaceholder(variable_name='chat_history', optional=True),
 HumanMessagePromptTemplate(prompt=PromptTemplate(input_variables=['input'], template='{input}')),
 MessagesPlaceholder(variable_name='agent_scratchpad')]

现在，我们可以使用 LLM、提示和工具初始化代理。代理负责接收输入并决定采取什么行动。至关重要的是，代理不执行这些行动——这由 AgentExecutor（下一步）完成。有关如何考虑这些组件的更多信息，请参阅我们的概念指南。

请注意，我们传入的是 model，而不是 model_with_tools。那是因为 create_tool_calling_agent 会在底层为我们调用 .bind_tools。

from langchain.agents import create_tool_calling_agent

agent = create_tool_calling_agent(model, tools, prompt)

API 参考：create_tool_calling_agent

最后，我们将代理（大脑）与 AgentExecutor 内的工具结合起来（AgentExecutor 将重复调用代理并执行工具）。

from langchain.agents import AgentExecutor

agent_executor = AgentExecutor(agent=agent, tools=tools)

API 参考：AgentExecutor

运行智能体

现在我们可以在几个查询上运行代理了！请注意，目前这些都是无状态查询（它不会记住之前的交互）。

首先，让我们看看当无需调用工具时它如何响应

agent_executor.invoke({"input": "hi!"})

{'input': 'hi!', 'output': 'Hello! How can I assist you today?'}

为了确切了解幕后发生的事情（并确保它没有调用工具），我们可以查看LangSmith 追踪。

现在让我们在一个应该调用检索器的示例上试用它

agent_executor.invoke({"input": "how can langsmith help with testing?"})

{'input': 'how can langsmith help with testing?',
 'output': 'LangSmith is a platform that aids in building production-grade Language Learning Model (LLM) applications. It can assist with testing in several ways:\n\n1. **Monitoring and Evaluation**: LangSmith allows close monitoring and evaluation of your application. This helps you to ensure the quality of your application and deploy it with confidence.\n\n2. **Tracing**: LangSmith has tracing capabilities that can be beneficial for debugging and understanding the behavior of your application.\n\n3. **Evaluation Capabilities**: LangSmith has built-in tools for evaluating the performance of your LLM. \n\n4. **Prompt Hub**: This is a prompt management tool built into LangSmith that can help in testing different prompts and their responses.\n\nPlease note that to use LangSmith, you would need to install it and create an API key. The platform offers Python and Typescript SDKs for utilization. It works independently and does not require the use of LangChain.'}

让我们查看LangSmith 追踪以确保它确实调用了该功能。

现在让我们尝试一个需要调用搜索工具的例子

agent_executor.invoke({"input": "whats the weather in sf?"})

{'input': 'whats the weather in sf?',
 'output': 'The current weather in San Francisco is partly cloudy with a temperature of 16.1°C (61.0°F). The wind is coming from the WNW at a speed of 10.5 mph. The humidity is at 67%. [source](https://www.weatherapi.com/)'}

我们可以查看LangSmith 追踪以确保它有效地调用了搜索工具。

添加内存

如前所述，该代理是无状态的。这意味着它不记得以前的交互。要赋予它记忆，我们需要传入之前的 chat_history。注意：由于我们使用的提示，它需要被称为 chat_history。如果我们使用不同的提示，我们可以更改变量名。

# Here we pass in an empty list of messages for chat_history because it is the first message in the chat
agent_executor.invoke({"input": "hi! my name is bob", "chat_history": []})

{'input': 'hi! my name is bob',
 'chat_history': [],
 'output': 'Hello Bob! How can I assist you today?'}

from langchain_core.messages import AIMessage, HumanMessage

API 参考：AIMessage | HumanMessage

agent_executor.invoke(
    {
        "chat_history": [
            HumanMessage(content="hi! my name is bob"),
            AIMessage(content="Hello Bob! How can I assist you today?"),
        ],
        "input": "what's my name?",
    }
)

{'chat_history': [HumanMessage(content='hi! my name is bob'),
  AIMessage(content='Hello Bob! How can I assist you today?')],
 'input': "what's my name?",
 'output': 'Your name is Bob. How can I assist you further?'}

如果我们要自动跟踪这些消息，我们可以将其封装在 RunnableWithMessageHistory 中。有关如何使用它的更多信息，请参阅本指南。

from langchain_community.chat_message_histories import ChatMessageHistory
from langchain_core.chat_history import BaseChatMessageHistory
from langchain_core.runnables.history import RunnableWithMessageHistory

store = {}


def get_session_history(session_id: str) -> BaseChatMessageHistory:
    if session_id not in store:
        store[session_id] = ChatMessageHistory()
    return store[session_id]

API 参考：ChatMessageHistory | BaseChatMessageHistory | RunnableWithMessageHistory

因为我们有多个输入，所以我们需要指定两件事

• input_messages_key：用于添加到对话历史记录的输入键。
• history_messages_key：用于添加加载消息的键。

agent_with_chat_history = RunnableWithMessageHistory(
    agent_executor,
    get_session_history,
    input_messages_key="input",
    history_messages_key="chat_history",
)

agent_with_chat_history.invoke(
    {"input": "hi! I'm bob"},
    config={"configurable": {"session_id": "<foo>"}},
)

{'input': "hi! I'm bob",
 'chat_history': [],
 'output': 'Hello Bob! How can I assist you today?'}

agent_with_chat_history.invoke(
    {"input": "what's my name?"},
    config={"configurable": {"session_id": "<foo>"}},
)

{'input': "what's my name?",
 'chat_history': [HumanMessage(content="hi! I'm bob"),
  AIMessage(content='Hello Bob! How can I assist you today?')],
 'output': 'Your name is Bob.'}

LangSmith 追踪示例：https://smith.langchain.com/public/98c8d162-60ae-4493-aa9f-992d87bd0429/r

总结

到此为止！在本快速入门中，我们介绍了如何创建一个简单的代理。代理是一个复杂的主题，还有很多东西需要学习！

重要

本节介绍了如何使用 LangChain 代理进行构建。它们适合入门，但达到一定程度后，您可能需要它们无法提供的灵活性和控制力。要开发更高级的代理，我们建议查看LangGraph。

如果您想继续使用 LangChain 代理，以下是一些很好的高级指南：

• 如何使用 LangGraph 内置的 AgentExecutor 版本
• 如何创建自定义代理
• 如何从代理流式传输响应
• 如何从代理返回结构化输出