🚀大模型落地开发实战指南！请关注微信公众号：「AGI启程号」 深入浅出，助你轻松入门！
📚 数据分析、深度学习、大模型与算法的综合进阶，尽在CSDN博客主页

从“会聊天”到“会思考”：我用 LangChain 1.0 + Qwen 做了一个旅游 Agent,一个真正能“思考”的旅游规划Agent。

在这个过程中，我顺手把“深度思考（reasoning）”这一套，从 模型 → API → LangChain 1.0 → 中间件，走了一遍闭环，也踩了不少坑。

这篇文章就借这个项目，聊聊 Reasoning 到底怎么开、怎么控、怎么落地。

在这里插入图片描述

目录

关注同名公众号及时获取更多技术资讯

本期代码运行实例详见 GitHub：
👉 https://github.com/SWUSTcyt/langchain-travel-agent.git

01 为什么要关心 LangChain 1.0？

在 0.x 时代，我们做 Agent 差不多是这么个流程：

  • 选一个大模型；
  • 绑几个工具（搜索、数据库、地图 API……）；
  • 用 Agent 框架帮你决定“什么时候该用工具”。

能跑，但有几个老问题：

  • Prompt、裁剪、Guardrails 分散：逻辑散落在各种链和回调里，难维护；
  • 想要“先自评再重写”“先检索再回答”，得自己手搓一堆链；
  • 工程化之后，逻辑越来越多，全是 if-else 拼命长。

LangChain 1.0 做了一件很关键的小事：

把这些“前后处理、反思、限流、审计”的能力，系统化收拢到了 Middleware（中间件）里。

简单一句话：

Agent = 一条生产线，Middleware = 插在生产线各个路口的“小工位”。

有了它，我们可以更优雅地回答这三个问题：

  • 这个模型什么时候开始深度思考？
  • 它的思考预算谁来控制？
  • 出来的结果谁来质检和纠偏？

02 模型层：先把“深度思考”开起来

在这个 Demo 里我用的是 Qwen-Turbo，它本身支持“深度思考 + 流式输出”。模型初始化放在 agent.py 中，核心配置大概长这样：

from langchain_community.chat_models.tongyi import ChatTongyi
from tools import tools  # MCP（高德）工具在 tools.py 中加载

qwen = ChatTongyi(
    dashscope_api_key=DASHSCOPE_API_KEY,
    model="qwen-turbo-latest",
    streaming=True,         # 流式输出
    model_kwargs={
        "enable_thinking": True,    # 开启深度思考
        "incremental_output": True, # 思考 + 流式 必须一起开
        "temperature": 0.7,
        "top_p": 0.8,
        "max_output_tokens": 1500,  # 模型级成本护栏
    },
)

# 交给 LangChain 处理工具调用
qwen = qwen.bind_tools(tools)

这一层你可以理解为：

“告诉模型：你可以多想一会儿，但最长只能说这么多。”

剩下的就交给 LangChain 1.0 的 Middleware 去“管住它”。

03 把 Agent 想成一条生产线：Middleware 就是闸口

官方文档会画一张循环图：

模型调用 →（可能）工具调用 → 再次模型调用 → …… → 结束

LangChain 1.0 提供了几个关键钩子（hook）：

  • before_model：模型调用之前，适合改 Prompt、抽取结构化信息、打系统提示；
  • wrap_model_call：像给 model.invoke() 加一层代理，适合控参数、做“自评→重写”等多段推理；
  • wrap_tool_call：在工具真正被调用前拦一下，适合修参数、加权限、做预算限制；
  • after_model：模型调用之后，适合做结果质检、串城检查、命中关键词再触发纠偏；
  • after_agent：整轮 Agent 结束后的收尾工作。

在我的旅游 Agent 里，我只重点做了三件事：

  1. before_model：自动解析城市 + 注入强约束
  2. wrap_model_call：控制 Reasoning 的“成本”
  3. wrap_tool_call + after_model：强制工具对齐城市 & 串城质检

下面就用几个关键中间件快速过一遍。

04 三段关键中间件：一张“深思链路骨架”

4.1 城市解析 & 系统提示：before_model

用户说的每一句话里，其实都隐藏着一些重要变量，比如“城市”。在旅游场景下，城市就是一切的“坐标系”。

所以我在 middleware.py 里写了一个 pin_cities_and_adcodes：

  • 从最后一条用户消息里自动抽取城市；
  • 把城市写进 runtime.state["target_cities"]；
  • 重写 System Prompt（工具优先 + 强约束 + 禁串城）。

核心逻辑如下（保留关键部分）：

from langchain.agents.middleware import before_model
from langchain_core.messages import SystemMessage, HumanMessage
from .utils import extract_cities, msg_text

@before_model
def pin_cities_and_adcodes(state, runtime):
    messages = state.get("messages", [])
    human_msgs = [m for m in messages if isinstance(m, HumanMessage)]
    query = msg_text(human_msgs[-1]) if human_msgs else ""

    # 1) 抽城市
    cities = extract_cities(query)
    runtime.state["target_cities"] = set(cities)
    runtime.state["target_cities_source_text"] = query

    # 2) 拼系统提示
    if cities:
        city_tips = (
            f"\n【强制约束】本轮用户指定城市：{', '.join(cities)}。"
            "仅在这些城市范围内规划；所有 MCP 工具调用必须携带匹配的 city/cityd。"
        )
    else:
        city_tips = "\n【强制约束】请从用户问题中判断目标城市；禁止跨城或引入未出现的城市。"

    sys_msg = SystemMessage(
        content=(
            "你是旅行规划助手。需要本地信息时优先使用 MCP(amap-maps) 的工具："
            "searchPOI / getRoute / getWeather。风格：\"轻松不赶\"。" + city_tips
        )
    )

    # 3) system 置顶
    new_messages = [sys_msg] + [
        m for m in messages if not isinstance(m, SystemMessage)
    ]
    return {"messages": new_messages}

这一段做的是语义层预处理：

“先帮模型把城市这个‘关键条件’想清楚，再让它进入 reasoning 模式。”

4.2 成本护栏：wrap_model_call

第二点是控制“模型思考的成本”。

我统一用一个 cost_guard 来兜底：

  • 强制 max_output_tokens
  • 强制 thinking 开关
  • 强制流式输出
  • 再做一次 SystemMessage 置顶

示例：

from langchain.agents.middleware import wrap_model_call

@wrap_model_call
def cost_guard(req, handler):
    # system 置顶（略）

    guarded = req.override(
        model_settings={
            "max_output_tokens": 1200,
            "incremental_output": True,
            "enable_thinking": True,
        }
    )
    return handler(guarded)

相当于：Reasoning 的“API 预算”统一放在一个地方管控。

4.3 工具护栏：预算 + 城市对齐 + 串城质检

4.3.1 工具预算计数

@wrap_tool_call
def track_tool_budget(req, handler):
    MAX_TOOL_ROUNDS = 2
    ...
    if current_round > MAX_TOOL_ROUNDS:
        return ToolMessage(
            tool_call_id=call_id or "call_budget_exceeded",
            content='{"error":"预算已耗尽","message":"工具调用已达到上限，请直接给出最终答案。"}',
            name="budget_guard",
        )
    return handler(req)

4.3.2 城市对齐

@wrap_tool_call
def enforce_city_on_tools(req, handler):
    ...
    params["city"] = pinned_city
    params["cityd"] = pinned_city
    if "adcode" in params:
        params["adcode"] = ""
    return handler(req.override(tool_input=params))

4.3.3 串城质检（after_model）

  • 抽取最终回答的城市
  • 如果发现串城 → 在文末自动加一段提示说明

避免触发二次模型调用（防递归）。

05 实际体验：一个“会思考”的旅游助手

普通用户模式

输入：

“规划成都 2 天美食 + 人文轻松路线”

Agent 会：

  • 并行调用高德工具（POI + 路线 + 天气）
  • 整合成可验证的路线 + 时段 + 天气提醒

在这里插入图片描述

开发者模式

会看到：

🛰 解析城市：成都
🔧 工具 amap-searchPOI | city=成都 …
🤖 模型生成中…

以及完整 JSON（便于 Debug）。
在这里插入图片描述

06 Reasoning 的三个层次

6.1 模型层 Reasoning

  • 支持深度思考的模型
  • 启用 enable_thinking
  • 给出 token 预算

6.2 API / Middleware 层 Reasoning

  • cost_guard 控成本
  • before_model 抽变量
  • wrap_tool_call 管工具参数
  • after_model 做质检

6.3 结构层 Reasoning（工程级）

  • 修复工具调用结构
  • 日志 & 开发者模式
  • 可观察、可调优

07 结语：你可以直接复用哪些东西？

整个项目串起来的思想是：

  • 用中间件统一管理 Reasoning
  • 抽取变量（城市）从 Prompt 中解放出来
  • 用日志让 Reasoning 变得“看得见”

你可以直接抄下面这套：

  • 一个 before_model：抽关键变量 + 重写系统提示
  • 一个 wrap_model_call：成本护栏
  • 一两个 wrap_tool_call：工具预算 + 参数修正
  • 一个 after_model：结果质检 + 轻纠偏

剩下的，把旅游换成你的业务即可。

希望这篇文章能帮你从“会用模型”进一步走向“会设计一条能思考、可控的生产线”。

# python
Logo
2048 AI社区

有“AI”的1024 = 2048，欢迎大家加入2048 AI社区

更多推荐

cover

Google 第七代 TPU Ironwood 上线：10 倍推理性能背后，AI 泡沫还是算力革命？

avatar 2048 AI社区
cover

学术与职场演示材料的智能化生成机制：九类 AI PPT 工具的功能分型、场景适配与合理使用边界分析

avatar 2048 AI社区
cover

2026届学术党必备的六大AI辅助写作平台推荐

avatar 2048 AI社区