【LangChain】langchain.agents 模块：构建和管理智能代理（Agents）

正义的彬彬侠

2282人浏览 · 2025-05-11 10:17:17

正义的彬彬侠 · 2025-05-11 10:17:17 发布

langchain.agents 模块是 LangChain 库中的核心模块，用于构建和管理智能代理（Agents），能够结合语言模型（LLM）、工具和内存实现复杂任务的自动化处理。

本文基于 LangChain 0.3.x，详细介绍 langchain.agents 模块的结构、核心类及其功能，并提供一个独立示例，展示如何使用 langchain.agents 结合 ChatOpenAI 和 ShellTool 实现人工智能主题的终端命令执行代理，示例突出模块在代理构建中的灵活性。（LangChain Agents 文档) 。

`langchain.agents` 模块概览

langchain.agents 模块是 LangChain 库的核心部分，提供了构建智能代理的工具和框架。代理是一个结合语言模型、工具（Tools）和内存（Memory）的系统，能够根据用户输入自主选择和执行操作，适用于需要推理、规划和动态决策的任务。该模块支持多种代理类型（如 ReAct、OpenAI Functions）和工具集成，基于 LangChain Expression Language (LCEL) 实现灵活的工作流。

核心功能：

提供代理初始化和管理工具，支持多种代理架构。
集成语言模型、工具和内存，实现任务自动化。
支持工具调用、动态规划和多轮对话。
与 LCEL 链无缝集成，支持复杂工作流设计。

适用场景：

构建智能聊天机器人，处理多轮对话和工具调用。
自动化任务，如文件管理、数据查询或代码执行。
实现需要推理和规划的复杂工作流（如数学求解、搜索）。
开发交互式应用，结合外部 API 或本地工具。

模块位置：

源码路径：langchain/agents/
文档参考：LangChain Agents API

模块中的主要类和函数

以下是 langchain.agents 模块中的核心类和函数（基于 LangChain 0.3.x），包括功能和典型用法。

1. `AgentExecutor`

功能：代理执行器，负责运行代理逻辑，协调 LLM、工具和内存。
参数：
- agent（Runnable）：代理的核心逻辑（如 Agent 实例）。
- tools（List[BaseTool]）：可用的工具列表。
- memory（Optional[BaseMemory]）：对话内存（如 ConversationBufferMemory）。
- max_iterations（Optional[int]）：最大迭代次数，防止无限循环。
- verbose（bool）：是否输出详细日志。
使用场景：执行代理任务，管理工具调用和输出。

示例：

from langchain.agents import AgentExecutor
executor = AgentExecutor(agent=agent, tools=[tool], verbose=True)

2. `initialize_agent`

功能：初始化代理和执行器，快速构建代理工作流。

签名：

def initialize_agent(
    tools: Sequence[BaseTool],
    llm: BaseLanguageModel,
    agent: Optional[AgentType] = None,
    memory: Optional[BaseMemory] = None,
    **kwargs: Any
) -> AgentExecutor

参数：
- tools（Sequence[BaseTool]）：工具列表。
- llm（BaseLanguageModel）：语言模型（如 ChatOpenAI）。
- agent（Optional[AgentType]）：代理类型（如 AgentType.ZERO_SHOT_REACT_DESCRIPTION）。
- memory（Optional[BaseMemory]）：对话内存。
- **kwargs：其他配置（如 verbose、max_iterations）。
使用场景：快速创建代理，适合初学者。

示例：

from langchain.agents import initialize_agent, AgentType
agent = initialize_agent(tools=[tool], llm=llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION)

3. `AgentType`

功能：枚举类，定义支持的代理类型。
值：
- ZERO_SHOT_REACT_DESCRIPTION：基于描述的零样本 ReAct 代理。
- CHAT_ZERO_SHOT_REACT_DESCRIPTION：基于聊天的零样本 ReAct 代理。
- OPENAI_FUNCTIONS：使用 OpenAI 函数调用（工具调用）。
- CONVERSATIONAL_REACT_DESCRIPTION：对话型 ReAct 代理。
- STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION：结构化聊天 ReAct 代理。
使用场景：选择代理逻辑。

示例：

agent = initialize_agent(tools, llm, agent=AgentType.OPENAI_FUNCTIONS)

4. `create_react_agent`

功能：创建 ReAct 代理，基于提示模板和工具。

签名：

def create_react_agent(
    llm: BaseLanguageModel,
    tools: Sequence[BaseTool],
    prompt: Optional[BasePromptTemplate] = None,
    output_parser: Optional[BaseOutputParser] = None
) -> Runnable

使用场景：自定义 ReAct 代理，支持复杂提示。

示例：

from langchain.agents import create_react_agent
agent = create_react_agent(llm, tools, prompt=prompt)

5. `create_openai_functions_agent`

功能：创建基于 OpenAI 函数调用的代理。

签名：

def create_openai_functions_agent(
    llm: BaseLanguageModel,
    tools: Sequence[BaseTool],
    prompt: Optional[BasePromptTemplate] = None
) -> Runnable

使用场景：利用 OpenAI 的工具调用功能。

示例：

from langchain.agents import create_openai_functions_agent
agent = create_openai_functions_agent(llm, tools, prompt=prompt)

6. `AgentOutputParser`

功能：解析代理输出，提取动作和结果。
子类：
- ReActSingleInputOutputParser：解析 ReAct 代理输出。
- OpenAIFunctionsAgentOutputParser：解析 OpenAI 函数调用输出。
使用场景：自定义输出解析逻辑。

示例：

from langchain.agents.output_parsers import ReActSingleInputOutputParser
parser = ReActSingleInputOutputParser()

其他类

ToolCallingAgent：处理工具调用的代理逻辑。
XMLAgent：基于 XML 格式的代理（实验性）。
JsonAgent：基于 JSON 格式的代理（实验性）。

关键特性：

代理支持多轮推理（ReAct：Reasoning + Acting）。
工具调用基于 LLM 的决策。
内存支持多轮对话（如 ConversationBufferMemory）。

使用方式

以下是使用 langchain.agents 模块的通用步骤。

1. 安装依赖

pip install --upgrade langchain langchain-openai langchain-experimental

2. 设置 OpenAI API 密钥

export OPENAI_API_KEY="your-api-key"

或在代码中：

import os
os.environ["OPENAI_API_KEY"] = "your-api-key"

3. 初始化工具和 LLM

from langchain_community.tools import ShellTool
from langchain_openai import ChatOpenAI
shell_tool = ShellTool()
llm = ChatOpenAI(model="gpt-3.5-turbo")

4. 创建代理

from langchain.agents import initialize_agent, AgentType
agent = initialize_agent(
    tools=[shell_tool],
    llm=llm,
    agent=AgentType.OPENAI_FUNCTIONS,
    verbose=True
)

5. 调用代理

response = agent.run("列出当前目录中的文件")
print(response)

使用 `langchain.agents` 的示例

以下是一个独立示例，展示如何使用 langchain.agents 模块结合 ChatOpenAI 和 ShellTool 实现人工智能主题的终端命令执行代理。代理通过自然语言输入自动生成并执行 shell 命令，展示模块的代理构建能力。

准备环境：

获取 OpenAI API 密钥：OpenAI Platform。
设置环境变量：
```
export OPENAI_API_KEY="your-api-key"
```

安装依赖：

pip install --upgrade langchain langchain-openai langchain-experimental

代码：

from langchain_openai import ChatOpenAI
from langchain_community.tools import ShellTool
from langchain.agents import initialize_agent, AgentType

# 初始化 ChatOpenAI
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0.7)

# 初始化 ShellTool
shell_tool = ShellTool(ask_human_input=True)

# 创建代理
agent = initialize_agent(
    tools=[shell_tool],
    llm=llm,
    agent=AgentType.OPENAI_FUNCTIONS,
    verbose=True,
    max_iterations=3
)

# 测试代理和命令执行
print("测试 langchain.agents 和命令执行代理：")
try:
    tasks = [
        "列出当前目录中的文件",
        "显示当前工作目录路径"
    ]
    
    for task in tasks:
        print(f"\n输入任务: {task}")
        result = agent.run(task)
        print(f"代理输出: {result}")
except Exception as e:
    print(f"错误: {e}")

print("\n警告：ShellTool 默认无安全限制，请在沙箱环境中运行！")

输出示例（实际输出取决于系统和用户交互）：

测试 langchain.agents 和命令执行代理：

输入任务: 列出当前目录中的文件
> Entering new AgentExecutor chain...
[ShellTool] 即将执行命令: ['ls']
请确认是否执行 (y/n): y
代理输出: dir1
dir2
file.txt

输入任务: 显示当前工作目录路径
> Entering new AgentExecutor chain...
[ShellTool] 即将执行命令: ['pwd']
请确认是否执行 (y/n): y
代理输出: /home/user/project

警告：ShellTool 默认无安全限制，请在沙箱环境中运行！

代码说明

LLM 初始化：
- 使用 ChatOpenAI 调用 gpt-3.5-turbo，设置 temperature=0.7。
ShellTool 初始化：
- 设置 ask_human_input=True，要求用户确认命令。
代理初始化：
- 使用 initialize_agent 创建基于 OpenAI 函数调用的代理。
- 配置 verbose=True 输出推理日志，max_iterations=3 限制循环。
测试：
- 测试两个任务：列出文件（ls）、显示路径（pwd）。
- 显示任务和代理输出，展示代理的推理和工具调用。
错误处理：
- 使用 try-except 捕获 API 或工具错误。
警告：
- 提醒用户 ShellTool 的安全风险。

运行要求：

有效的 OpenAI API 密钥：
```
export OPENAI_API_KEY="your-api-key"
```

安装依赖：

pip install --upgrade langchain langchain-openai langchain-experimental

网络连接：访问 https://api.openai.com.
支持 Bash 的环境（如 Linux、macOS；Windows 需 WSL 或自定义工具）。

注意事项

安全风险：
- ShellTool 默认无安全限制，建议：
  - 启用 ask_human_input=True：
```
shell_tool = ShellTool(ask_human_input=True)
```
  - 在沙箱环境运行（如 Docker）。
- 检查代理日志：
```
agent = initialize_agent(tools, llm, verbose=True)
```

依赖安装：

需 langchain-experimental：
```
pip install langchain-experimental
```

验证安装：

from langchain_community.tools import ShellTool

代理类型选择：

OpenAI Functions：适合工具调用，支持结构化输出。

agent = initialize_agent(tools, llm, agent=AgentType.OPENAI_FUNCTIONS)

ReAct：适合需要推理的任务：

agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION)

性能优化：

异步调用：使用 arun：
```
result = await agent.arun(task)
```

限制迭代：设置 max_iterations：

agent = initialize_agent(tools, llm, max_iterations=5)

并发控制：配置 LLM：
```
llm = ChatOpenAI(max_concurrency=5)
```

错误调试：

工具调用失败：

检查工具：
```
print(shell_tool.invoke("ls"))
```

验证代理日志：

agent = initialize_agent(tools, llm, verbose=True)

API 错误：

检查密钥：

print(os.environ.get("OPENAI_API_KEY"))

增加超时：
```
llm = ChatOpenAI(timeout=30)
```

推理循环：

检查 max_iterations：

agent = initialize_agent(tools, llm, max_iterations=3)

调整提示：

from langchain.agents import create_react_agent
agent = create_react_agent(llm, tools, custom_prompt)

常见问题

Q1：如何添加内存支持？
A：使用 ConversationBufferMemory：

from langchain.memory import ConversationBufferMemory
memory = ConversationBufferMemory()
agent = initialize_agent(
    tools=[shell_tool],
    llm=llm,
    agent=AgentType.CHAT_CONVERSATIONAL_REACT_DESCRIPTION,
    memory=memory
)

Q2：如何自定义提示？
A：使用 create_openai_functions_agent：

from langchain.agents import create_openai_functions_agent
from langchain_core.prompts import ChatPromptTemplate
prompt = ChatPromptTemplate.from_template("任务: {input}")
agent = create_openai_functions_agent(llm, tools, prompt)
executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

Q3：如何支持多工具？
A：添加多个工具：

from langchain_community.tools import ShellTool, WikipediaQueryRun
tools = [ShellTool(), WikipediaQueryRun()]
agent = initialize_agent(tools, llm, agent=AgentType.OPENAI_FUNCTIONS)

Q4：如何支持开源模型？
A：使用 ChatOllama：

from langchain_ollama import ChatOllama
llm = ChatOllama(model="llama3")
agent = initialize_agent(
    tools=[shell_tool],
    llm=llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION
)

总结

langchain.agents 模块是 LangChain 中构建智能代理的核心，包含以下关键组件：

AgentExecutor：执行代理逻辑。
initialize_agent：快速创建代理。
AgentType：定义代理类型（如 ReAct、OpenAI Functions）。
create_react_agent / create_openai_functions_agent：自定义代理。

乐奇 Rokid 开放社区

更多推荐

让界面替我“摇“一次：一个AR祈愿智能体的AIUI实践

乐奇 Rokid 开放社区

AR 智能眼镜并不是简单地在眼前放一块屏幕，而是把**摄像头、传感器、计算机视觉、空间定位、语音交互和云端服务**连接起来

乐奇 Rokid 开放社区

智能眼镜市场全景解析：从技术演进到产业格局

本文系统梳理智能眼镜市场，涵盖产品形态、技术演进、市场规模、产业链结构及竞争格局。指出智能眼镜正从音频交互向AR显示与空间计算演进，受AI大模型、供应链成熟与生态延伸驱动，呈现分层发展态势。虽面临场景刚需不足、续航重量矛盾与隐私挑战，但B端应用先行、AI原生设计与标准完善将推动行业迈向规模化渗透，未来需关注核心技术突破与真实使用数据。