langchain 快速入门(四)：搭建强大的AI Agent-程序员充电站

简介

AI Agent 不仅仅是一个能聊天的机器人（如普通的 ChatGPT），而是一个能够感知环境、进行推理、自主决策并调用工具来完成特定任务的智能系统，更够完成更为复杂的AI场景需求。

AI Agent

功能

根据查阅的资料，agent的功能点如下：
Agent = LLM + 规划 + 记忆 + 工具使用
LLM：用于回答，推理的AI模型
记忆：短期记忆（对话历史），长期记忆（RAG知识库）
规划：任务的执行流
工具：Agent可以调用的外部函数

一个简单的Agent

案例

案例描述：agent可以使用两个工具：1. 记录公司数据的RAG知识库 2. python精确计算器

/* by 01130.hk - online tools website : 01130.hk/zh/allencrypt.html */ import os from langchain_community.chat_models.tongyi import ChatTongyi from langchain_community.embeddings import DashScopeEmbeddings from langchain_community.vectorstores import FAISS from langchain_core.messages import ToolMessage from langchain_core.tools import tool from langchain_core.messages import HumanMessage, ToolMessage from langchain_core.documents import Document from langchain_text_splitters import RecursiveCharacterTextSplitter os.environ["DASHSCOPE_API_KEY"] = "api_key" @tool def calculator(expression: str) -> str: """ 计算数学表达式。需要精确计算时使用。 参数: expression: 数学算式，如 "2 + 2" 或 "500 * 0.8"。 返回: str: 计算结果，如 "4.0" 或 "400.0"。 """ print(f" [🛠️ 工具调用] 计算器正在计算: {expression}") try: return str(eval(expression)) except Exception as e: return f"计算错误: {e}" @tool def rag_search(query: str) -> str: """ 从数据库中搜索与查询公司内部相关的文档，包括公司计划名，代号，截止日期等详细信息。 参数: query (str): 要搜索的查询字符串。 返回: str: 与查询相关的文档内容。 """ # 从RAG数据库中检索文档 raw_text = """ 【公司内部机密：代号“深蓝计划”】 1. 项目目标：开发一款能听懂猫语的翻译器。 2. 核心技术：基于Transformer的“喵声波”分析算法。 3. 团队暗号：如果有人问“今天天气怎么样？”，必须回答“我想吃鱼”。 4. 截止日期：2026年12月31日。 5. 经费预算：仅剩50元人民币，主要用于购买猫条。 """ RAG_PATH = "faiss_index" docs = [Document(page_content=raw_text)] text_splitter = RecursiveCharacterTextSplitter(chunk_size=25, chunk_overlap=5) split_docs = text_splitter.split_documents(docs) embeddings = DashScopeEmbeddings(model="text-embedding-v1") if os.path.exists(RAG_PATH): print("公司内部数据库已存在") ragdb = FAISS.load_local(RAG_PATH, embeddings, allow_dangerous_deserialization=True) else: print("创建公司内部数据库") ragdb = FAISS.from_documents(split_docs, embeddings) ragdb.save_local(RAG_PATH) return "\n\n".join(doc.page_content for doc in ragdb.similarity_search(query, k=2)) def run_agent(query:str): #初始化模型 tool_maps={ "rag_search": rag_search, "calculator": calculator } llm = ChatTongyi(model_name="qwen-plus") tool_llm = llm.bind_tools(tools=list(tool_maps.values())) message = [HumanMessage(content=query)] for i in range(5): print("="*20+"\n第"+str(i+1)+"轮\n"+query+"\n"+"="*20) response = tool_llm.invoke(message) message.append(response) print(f"需要调用{len(response.tool_calls)}个方法") if not response.tool_calls: print("最终结果：" + response.content) return for tool_call in response.tool_calls: call_id = tool_call["id"] func_name = tool_call["name"] func_args = tool_call["args"] # 安全检查：确保模型调用的工具真的存在 if func_name in tool_maps: # 运行 Python 函数 tool_func = tool_maps[func_name] tool_output = tool_func.invoke(func_args) print("工具调用：" + func_name + "，参数：" + str(func_args) + "，结果：" + tool_output) else: tool_output = f"错误: 工具 {func_name} 不存在。" message.append( ToolMessage( content=tool_output, tool_call_id=call_id, name=func_name, ) ) if __name__ == "__main__": run_agent("公司计划是什么") run_agent("公司的经费预算是多少，如果预算预算提高46%后多少") run_agent("今天天气真好")

代码解析

要实现复杂的工具调用，必须实现AI的多轮对话，在langchain框架中，提供了大量的prompt模板，让开发者不需要过度想一些基础的prompt实现。

上面代码的执行流程如下：
初始化2个工具函数->绑定LLM与工具->通过循环进行多轮对话

初始化2个工具函数

这里的rag_search上一篇文章讲了具体实现，这里就不废话了。

/* by 01130.hk - online tools website : 01130.hk/zh/allencrypt.html */ @tool def calculator(expression: str) -> str: """ 计算数学表达式。需要精确计算时使用。 参数: expression: 数学算式，如 "2 + 2" 或 "500 * 0.8"。 返回: str: 计算结果，如 "4.0" 或 "400.0"。 """ print(f" [🛠️ 工具调用] 计算器正在计算: {expression}") try: return str(eval(expression)) except Exception as e: return f"计算错误: {e}" @tool def rag_search(query: str) -> str: ......

工具函数的格式，主要有3个方面：

工具修饰：利用@tool修饰器修饰
函数的描述：这里放函数的描述，大模型通过这个描述定位工具，因此这部分必须详细，可以参考上面:
1. 函数的描述
2. 函数的参数+例子
3. 函数的返回+例子
工具的实现：返回值要是字符串
如下：

@tool def func_name(arg) -> str: """ 描述 """ ......

绑定LLM与工具

工具的绑定非常的简单，只需要简单的bind_tools类方法就行

tool_maps={ "rag_search": rag_search, "calculator": calculator } llm = ChatTongyi(model_name="qwen-plus") tool_llm = llm.bind_tools(tools=list(tool_maps.values()))

通过循环进行多轮对话（重点）

工具的调用流程：
提示词->LLM->要调用的工具->LLM->结果

message = [HumanMessage(content=query)] for i in range(5): print("="*20+"\n第"+str(i+1)+"轮\n"+query+"\n"+"="*20) response = tool_llm.invoke(message) message.append(response) print(f"需要调用{len(response.tool_calls)}个方法") if not response.tool_calls: print("最终结果：" + response.content) return for tool_call in response.tool_calls: call_id = tool_call["id"] func_name = tool_call["name"] func_args = tool_call["args"] # 安全检查：确保模型调用的工具真的存在 if func_name in tool_maps: # 运行 Python 函数 tool_func = tool_maps[func_name] tool_output = tool_func.invoke(func_args) print("工具调用：" + func_name + "，参数：" + str(func_args) + "，结果：" + tool_output) else: tool_output = f"错误: 工具 {func_name} 不存在。" message.append( ToolMessage( content=tool_output, tool_call_id=call_id, name=func_name, ) )

在调用bind_tools方法后，大模型的返回对象会多出tool_calls字段的数组数据，用于存放需要调用工具的参数，函数名，在调用函数后，将调用函数的结果封装成ToolMessage传入，再继续调用大模型。

注意：在调用LLM时可能LLM会不断要求Tool，由此可能发生死循环，因此要限制循环次数。

安全与审思

风险评估

近些年，ai提示词注入频频发生，根据上面的案例：

@tool def calculator(expression: str) -> str: """ 计算数学表达式。需要精确计算时使用。 参数: expression: 数学算式，如 "2 + 2" 或 "500 * 0.8"。 返回: str: 计算结果，如 "4.0" 或 "400.0"。 """ print(f" [🛠️ 工具调用] 计算器正在计算: {expression}") try: return str(eval(expression)) except Exception as e: return f"计算错误: {e}"

LLM在调用这个工具时使用了eval，这就造成了风险注入点，不法分子可能利用这个漏洞，获取电脑权限。