在上一篇文章中，介绍了工具调用的完整流程，包括工具创建、工具绑定、调用工具、将调用结果返回给大语言模型（LLM），以及由LLM输出最终结果，相当于实现了一个智能体（Agent）的雏形。

本文将会介绍什么是 Agent，并通过 LangChain 中的 AgentExecutor 来构建智能体。

需要注意的一点是：AgentExecutor 虽然仍然保留在 LangChain 中，但官方已经不再推荐使用，而是更倾向于使用 LangGraph Agents。关于 LangGraph 的内容会在后续文章中详细展开。

虽然，AgentExecutor 已经不推荐使用，但AgentExecutor 作为一个经典且易于理解的Agent实现方式，依旧是学习 Agent 的良好切入点，因此，本文将会对AgentExecutor 进行详细讲解。

文中所有示例代码：https://github.com/wzycoding/langchain-study

一、什么Agent智能体

AI Agent（AI 智能体）是一种能够自主调用工具完成特定任务的系统。它不仅具备自然语言处理能力，还能进行智能决策、问题解决、与外部环境交互以及执行操作。

这些 AI Agent 可以应用于各种场景，帮助企业解决实际问题，例如自动化运维、代码生成、智能客服等场景。

AI Agent 的核心是大语言模型（LLM）。因此，AI Agent 也常被称为 LLM 智能体。由于 LLM 的知识受训练数据限制，推理能力也存在一定局限，AI Agent 技术则通过工具调用来弥补这些不足，从而获取最新信息、优化工作流、拆解任务，最终实现更复杂的功能。

与传统 LLM 相比，AI Agent 多了几个关键能力：

（1）目标初始化与规划：在用户给定目标和工具的前提下，Agent 能够将任务拆解并制定执行计划。简单任务可以边执行边调整，复杂任务则会先做整体规划。

（2）借助工具进行推理：当遇到无法直接解决的问题时，Agent 会调用外部工具补充知识，例如联网搜索或调用 API。

（3）学习与反思：Agent 能够记住与用户的交互，并不断调整优化自己的行为。

二、构建ReAct智能体

ReAct 全称是 Reasoning + Acting（推理 + 行动），是2022 年 Google 在一篇论文中提出的思路。

它的核心思想是：

• 让LLM在回答问题时，不直接生成答案，而是像人类一样先思考，再决定是否要调用工具，然后基于观察继续推理，最后得出答案。
• 这种模式很适合工具调用场景（搜索、数据库查询、API调用等），因为模型可以“边推理边用工具补充信息”，最终给出完整的答案。

2.1 定义Google Serper工具

在创建智能体之前，首先创建工具，第一个工具是LangChain内置的Google Serper工具，通过Google Serper可以进行谷歌搜索，通过搜索结果，LLM可以获取到实时信息。

在使用Google Serper之前需要去申请对应的API KEY，初次注册会送3000次免费调用额度。

Google Serper：https://serper.dev/

在.env下配置Google Serper API Key

# Google SerperAPI KEY
SERPER_API_KEY=**************************************

定义工具信息

# 1.定义google_serper工具
class GoogleSerperInput(BaseModel):
    query: str = Field(description="执行谷歌搜索的查询语句")


google_serper_tool = GoogleSerperRun(
    name="google_serper_tool",
    description=(
        "谷歌搜索工具"
        "如果要获取实时内容可以调用这个工具"
        "调用该工具传入搜索关键词相当于完成了一次谷歌搜索"
    ),
    args_schema=GoogleSerperInput,
    api_wrapper=GoogleSerperAPIWrapper()
)

2.2 定义根据IP获取定位信息工具

第二个工具是此前已经创建过的，通过高德地图API获取IP对应定位。

该API文档地址如下：

高德地图IP定位：https://lbs.amap.com/api/webservice/guide/api/ipconfig

在.env文件中配置高德开放平台API KEY

# 高德开放平台API KEY
GAODE_API_KEY=***************************

定义工具信息

class GaoDeIPLocationInput(BaseModel):
    """IP定位入参"""
    ip: str = Field(description="ip地址")


class GaoDeIPLocationTool(BaseTool):
    """根据IP定位位置工具"""
    name = "ip_location_tool"
    description = "当你需要根据IP，获取定位信息时，可以调用这个工具"
    args_schema = GaoDeIPLocationInput

    def _run(self, ip: str) -> str:
        api_key = os.getenv("GAODE_API_KEY")
        if api_key is None:
            return"请配置GAODE_API_KEY"
        url = "https://restapi.amap.com/v3/ip?ip={ip}&key={key}".format(ip=ip, key=api_key)

        session = requests.session()
        response = session.request(
            method="GET",
            url=url,
            headers={"Content-Type": "application/json; charset=UTF-8"},
        )
        result = response.json()
        return result.get("province") + result.get("city")

之后，创建工具对象，并将工具对象添加到tools列表中。

ip_location_tool = GaoDeIPLocationTool()

tools = [google_serper_tool, ip_location_tool]

2.3 创建ReAct智能体

接下来，为ReAct智能体创建一个提示词模板，要注意的是：这段提示词模板不能进行汉化，因为LangChain内部是根据英文关键词去解析提示词模板的，如果进行汉化执行时会发生错误。

# 3.创建提示词模板
prompt = ChatPromptTemplate.from_template(
    "Answer the following questions as best you can. You have access to the following tools:\n\n"
    "{tools}\n\n"
    "Use the following format:\n\n"
    "Question: the input question you must answer\n"
    "Thought: you should always think about what to do\n"
    "Action: the action to take, should be one of [{tool_names}]\n"
    "Action Input: the input to the action\n"
    "Observation: the result of the action\n"
    "... (this Thought/Action/Action Input/Observation can repeat N times)\n"
    "Thought: I now know the final answer\n"
    "Final Answer: the final answer to the original input question\n\n"
    "Begin!\n\n"
    "Question: {input}\n"
    "Thought:{agent_scratchpad}"
)

这段提示词来自于

https://smith.langchain.com/hub/hwchase17/react

这段提示词的含义是：让LLM基于“推理+行动”去回答问题，过程中可以调用一些外部工具，而不是直接给出答案，并且给出了工具清单，在执行过程中，要严格遵守以下思考流程：

• Question：用户问了什么问题。
• Thought：思考下一步要做什么
• Action：要调用哪个工具（必须是给定的 {tool_names} 之一）。
• Action Input：工具需要输入什么参数
• Observation：工具返回了什么结果

上面这几步可以多次循环直到找到答案：

• Thought: 我现在知道答案了。
• Final Answer: 最终答案是xxx。

下一步，创建一个基于gpt-4o的LLM对象，然后使用create_react_agent()方法创建ReAct智能体，需要传入llm、prompt、tools、tools_renderer，其中tools_renderer参数传递一个函数，该函数的作用是：将工具信息格式化成字符串，并放到提示词模板中的{tools}中。

之后，创建智能体执行者AgentExecutor，传入agent、tools、verbose，其中verbose为True表示智能体执行过程中推理过程会打印出来。

# 4.创建LLM
llm = ChatOpenAI(model="gpt-4o", temperature=0)

# 5.创建智能体
agent = create_react_agent(
    llm=llm,
    prompt=prompt,
    tools=tools,
    tools_renderer=render_text_description_and_args,
)

# 6.创建智能体执行者
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# 7.调用智能体执行者，进行提问
print(agent_executor.invoke({"input": "北京今天天气预报"}))

最后，调用智能体执行者并传入问题，执行结果如下，可以控制台打印了Agent的推理过程，最终成功返回了正确答案。

我需要使用谷歌搜索工具来获取北京今天的天气预报。
Action: google_serper_tool
Action Input: "北京今天天气预报"星期一 08/18. 雷阵雨 · 31℃ ; 星期二 08/19. 中雨 · 29℃ ; 星期三 08/20. 雷阵雨 · 31℃ ; 星期四 08/21. 中雨 · 32℃ ; 星期五 08/22. 多云 · 32℃. 22日（今天）. 雷阵雨. 23℃. <3级 · 23日（明天）. 阴转小雨. 29℃/22℃. <3级 · 24日（后天）. 小雨转多云. 28℃/21℃. <3级 · 25日（周一）. 多云. 31℃/21℃. <3级 · 26日（周二）. 阴转小雨. 11:00 · 24.6℃. 3.3m/s. 北风. 1012.5hPa ; 14:00 · 26.3℃. 3.2m/s. 东北风. 1011.6hPa ; 17:00 · 27.8℃. 3.3m/s. 东风. 1010.9hPa. 星期五 08/22 · 西北风 · 33℃ · 雷阵雨. 南风 ; 星期六 08/23 · 北风 · 30℃ · 小雨. 北风 ; 星期日 08/24 · 东北风 · 28℃ · 多云. 西北风. 今天白天 最高气温33℃ 晴转多云，山区有雷阵雨 2、3级 北转南风 · 今天夜间 最低气温23℃ 多云间阴，有分散性雷阵雨 2级左右，局地阵风7级左右 偏南风 · 明天白天 最高气温31℃ ... 今天. 8/23. 84° 70°. 有幾場陣雨，主要在晚間. 幾場陣雨 ; 周日. 8/24. 82° 68°. 多雲轉晴. 晴朗 ; 周一. 8/25. 89° 69°. 變暖. 局部多雲轉多雲. 今天. 22 ~ 29°C 阴. 北风1级. 优 · 24. 21 ~ 28°C 小雨. 东北风1级. 优. 周五（29日） 多云转晴 30℃/21℃ 西南风转北风 <3级 · 周六（30日） 晴转阴 30℃/21℃ 西南风转北风 <3级 · 周日（31日） 阴转晴 30℃/19℃ 西南风转北风 <3级 · 周一（1日） 多云转雨 31℃/ ... 今天白天 最高气温33℃ 晴转多云，山区有雷阵雨 2、3级 北转南风 · 今天夜间 最低气温23℃ 多云间阴，有分散性雷阵雨 2级左右，局地阵风7级左右 偏南风 · 明天白天 最高气温31℃ ... 北京市今天实况：24度多云，湿度：75%，北风：2级。白天：30度,雨。 夜间：小雨，22度，天气较热，墨迹天气建议您选择短袖上衣加七分裤的搭配，针织衫是进出空调房的必备单品。I now know the final answer.

Final Answer: 北京今天的天气预报显示，白天最高气温为33℃，天气晴转多云，山区有雷阵雨，风力为2至3级，北风转南风。夜间最低气温为23℃，多云间阴，有分散性雷阵雨，风力约为2级，局地阵风可达7级左右，偏南风。当前实况温度为24℃，多云，湿度75%，北风2级。

> Finished chain.
{'input': '北京今天天气预报', 'output': '北京今天的天气预报显示，白天最高气温为33℃，天气晴转多云，山区有雷阵雨，风力为2至3级，北风转南风。夜间最低气温为23℃，多云间阴，有分散性雷阵雨，风力约为2级，局地阵风可达7级左右，偏南风。当前实况温度为24℃，多云，湿度75%，北风2级。'}

三、构建工具调用智能体

工具调用智能体是一种基于聊天模型+外部工具的智能体架构。

它的核心思想是：

• LLM 负责理解自然语言、生成调用指令
• 外部工具负责执行实际功能（如计算、搜索、数据库查询、API 调用）。

在创建工具调用智能体之前，需要定义工具、创建工具，工具相关的代码与上面ReAct智能体的代码相同，不再进行赘述，接下来，定义工具调用智能体的提示词模板：

# 3.创建提示词模板
prompt = ChatPromptTemplate.from_messages(
    [("system", "你是实用的聊天助手"),
     ("placeholder", "{chat_history}"),
     ("human", "{input}"),
     ("placeholder", "{agent_scratchpad}")]
)

这段提示词来自于

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

继续创建存储历史记忆信息的ConversationBufferMemory，并将记忆存储到chat_history中，历史记忆相关的知识在前面我们已经介绍过，想了解的同学可以看这篇文章：LangChain框架入门08：全方位解析记忆组件。

接下来，通过create_tool_calling_agent方法创建工具调用智能体，传入相应参数，最终，创建AgentExecutor传入智能体和工具参数。

最后，创建一个循环，在循环中获取用户输入来得到原始的提问，调用智能体执行者时，除了传入用户问题之外，也传入历史记忆信息列表，在AI回答完成之后，将用户提问和回答结果一起保存到历史记忆信息中。

# 4.创建历史记忆信息
memory = ConversationBufferMemory(
    return_messages=True,
    chat_memory=FileChatMessageHistory("chat_history.txt")
)

# 5.创建LLM
llm = ChatOpenAI(model="gpt-4o", temperature=0)

# 6.创建智能体
agent = create_tool_calling_agent(llm, tools, prompt)

# 7.创建智能体执行者
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# 8.调用智能体执行者，进行提问
while True:
    question = input("Human：")
    response = agent_executor.invoke(
        {"input": question, "chat_history": memory.load_memory_variables({})["history"]})
    print(f"AI：" + response.get("output"))
    memory.save_context({"human": question}, {"ai": response.get("output")})

执行结果如下，控制台输出内容清晰的展示了，Agent调用了ip_location_tools工具，并最终给出了正确的位置信息，之后用户再次提问提问过哪个IP地址，AI准确无误的给出了答案，说明Agent已经实现了历史记忆功能。

Human：这个115.239.211.92IP地址在哪个位置

Invoking: `ip_location_tool` with `{'ip': '115.239.211.92'}`


浙江省杭州市IP地址115.239.211.92位于中国浙江省杭州市。

> Finished chain.
AI：IP地址115.239.211.92位于中国浙江省杭州市。
Human：我刚刚问你哪个ip地址了
你刚刚问的是IP地址115.239.211.92。

> Finished chain.
AI：你刚刚问的是IP地址115.239.211.92。

四、总结

本文介绍了基于 LangChain中AgentExecutor 构建两种不同的智能体：ReAct 智能体和工具调用智能体。

ReAct 智能体基于推理+行动的思路，让 LLM 在解决问题时遵循 Question → Thought → Action → Observation 的循环流程，适合需要多步骤推理的复杂任务。其推理过程透明，便于调试和理解 Agent 的决策逻辑。

工具调用智能体让LLM 专注理解用户意图和选择合适的工具，外部工具负责执行具体功能。这种方式支持对话历史记忆，更适合构建交互式对话应用。

通过本文，相信你已经掌握了如何使用AgentExecutor构建智能体，并且了解智能体的基本工作原理。

到此LangChain入门系列专栏就更新完毕了，感谢各位的支持，创作不易，如果觉得有用，欢迎关注大志说编程👏🏻👏🏻👏🏻，LangGraph入门教程正在筹备中，不久的将来就会和大家见面，欢迎大家持续关注！