LangChain Agent 入门：LLM + 工具集 + 推理策略

二、Agent 的组成部分#

1. LLM：语言模型

   • 决策核心
   • 支持 OpenAI、Claude、Llama 等

2. Tools（工具） ：Agent 可用的外部接口

   • Web 搜索（SerpAPI​、GoogleSearchAPI​）
   • 数据库查询（SQLDatabaseChain）
   • 文件读取（TextLoader​ + VectorDB​）
   • 自定义工具（任何函数，只需符合 tool​ 接口）

3. Agent 类型 / 策略：LLM 如何调用工具

   • Zero-shot agent：不依赖示例，直接用 prompt 决策
   • ReAct agent：结合推理（Reasoning）+ 行动（Action）
   • Conversational agent：适合多轮对话
   • Plan-and-Act agent（新版）：先规划步骤再执行

4. Memory（可选） ：存储上下文，尤其是多轮对话中 Agent 的知识

   • ​ConversationBufferMemory​
   • ​ConversationSummaryMemory​
   • ​VectorStoreMemory​

三、基本使用流程#

假设我们想做一个查询天气的 Agent：

1
from langchain.agents import initialize_agent, Tool
2
from langchain.llms import OpenAI
3

4
# 1. 定义 LLM
5
llm = OpenAI(temperature=0)
6

7
# 2. 定义工具
8
def get_weather(city: str) -> str:
9
    return f"{city} 今天晴，25度"
10

11
weather_tool = Tool(
12
    name="Weather",
13
    func=get_weather,
14
    description="获取指定城市的天气"
15
)
16

17
# 3. 初始化 Agent
18
agent = initialize_agent(
19
    tools=[weather_tool],
20
    llm=llm,
21
    agent="zero-shot-react-description",  # Zero-shot ReAct agent
22
    verbose=True
23
)
24

25
# 4. 执行
26
agent.run("请告诉我北京今天的天气")

核心要点：

• ​agent="zero-shot-react-description"​ 表示使用 ReAct 风格策略
• ​Tool​ 必须包含 name​, func​, description​
• Agent 会根据输入自动选择工具执行

四、注意事项#

五、常见进阶用法#

1. 多工具 Agent

1
tools = [weather_tool, web_search_tool, sql_tool]
2
agent = initialize_agent(tools, llm, agent="zero-shot-react-description")

2. 带内存的对话 Agent

1
from langchain.memory import ConversationBufferMemory
2
memory = ConversationBufferMemory(memory_key="chat_history")
3
agent = initialize_agent(tools, llm, agent="conversational-react-description", memory=memory)

3. Plan-and-Act Agent

• 用于复杂任务，先生成步骤列表再逐步执行
• 适合自动化办公、数据分析、复杂决策任务

六、总结#

✅ 最佳实践

• 工具描述清晰、函数幂等
• ReAct 或 Plan-and-Act 优先
• 对话 Agent 配置 Memory
• 调试用 verbose
• 控制 token，注意安全