别让你的AI Agent“单打独斗”了！LangChain + FastAPI实战，教你搭建实时多工具智能体！

这个项目让我意识到，我们正从“Prompt Engineering”迈向工具编排。LLM 不再只是生成器，而是更大系统中的决策者。借助LangChainFastAPI和少量精心挑选的工具，你可以构建会“行动”的 Agent，而不仅仅是会“聊天”的 Agent。

小马不会过河

227人浏览 · 2025-12-19 13:45:00

小马不会过河 · 2025-12-19 13:45:00 发布

构建一个可用于生产的、工具增强型 LLM Agent，具备 token 流式输出、代码执行、搜索能力，以及 FastAPI 带来的极速表现。

当 ChatGPT 刚面世时，感觉就像魔法。但新鲜感很快过去，开发者开始共同发问：我们该如何超越“聊天”？我想打造更聪明的东西——一个能够实时推理、联网搜索、运行代码、访问结构化数据，并且可以一边“打字”一边响应的 AI Agent。

于是我动手做了一个。借助 LangChain 和 FastAPI，这个多工具 AI Agent 可以编排浏览器、数据库、Python REPL 等外部工具，并以 token 为单位实时流式输出生成内容。本文将拆解我的实战方案，以及你如何也能搭建同样的系统。

🛠 ️ 愿景：多工具 Agent 是 LLM 的未来

LLM 很擅长生成文本，但在“采取行动”方面有局限。LangChain 的 AgentExecutor 正是为此而生——它通过让模型使用各类“tools”为其“装上手脚”。需要实时数据？调用搜索 API。需要算数？起一个代码解释器。需要结构化信息？接上数据库。

但问题在于：大部分演示只停留在“可以跑”。我想要的是一个能在生产环境中稳定服务的系统，利用 FastAPI 的异步能力和类似 ChatGPT 界面的 token 级流式输出。

🧱 核心技术栈

快速拆解这个实时 Agent 背后的技术选型：

LangChain

：负责 Agent 逻辑、Prompt 模板、Memory、Tool 链接
OpenAI GPT-4 / GPT-3.5

：用于推理与生成
FastAPI

：高效通过 HTTP 提供服务
AsyncLangChain + SSE (Server-Sent Events)

：实现实时 token 流式传输
Python REPL Tool

：在沙箱中安全执行 Python 代码
Google Search Tool

（基于 SerpAPI）：获取最新的网页信息
PostgreSQL Tool

：查询结构化数据

关键词（自然覆盖）：langchain fastapi streaming, LLM agents, real-time AI agent, code execution with langchain, serve AI agent API

🧠 用 LangChain 构建 Agent

LangChain 提供了构建可使用外部工具的推理 Agent 所需的一切。概念流程如下：

定义 Tools
Tool 本质是带有名称、描述和可调用体的 Python 包装。例如：

from langchain.agents import Tooldef run_code(code: str) -> str:    # Execute in sandbox (be careful in prod!)    try:        returnstr(eval(code))    except Exceptionas e:        returnstr(e)code_tool = Tool(    name="Python REPL",    func=run_code,    description="Executes Python code and returns the result")

初始化 Agent
我使用了 LangChain 的 initialize_agent()，并选择 chat-zero-shot-react-description 类型，让模型可以自主选择工具并逐步解释其推理过程。
添加 Memory（可选）
你可以用 ConversationBufferMemory 持久化会话历史，或者在规模化时替换为 Redis。
开启 Streaming
若要按 token 流式输出，将 stream_handler（LangChain 的 AsyncIteratorCallbackHandler）传入 OpenAI LLM 类即可。

🚀 使用 FastAPI 和 Server-Sent Events 提供服务

流式传输是许多基于 LLM 的 API 的短板。传统做法是点“发送”，等 10 秒，然后一次性返回一大段内容——这不是用户期望的体验。

FastAPI 对 SSE（Server-Sent Events） 的支持非常适合低延迟流式传输。我的接入方式如下：

from fastapi import FastAPIfrom fastapi.responses import StreamingResponsefrom sse_starlette.sse import EventSourceResponse@app.get("/agent/stream")async def stream_agent_response(query: str):    async def event_generator():        async for chunk in run_agent_stream(query):            yield {"event": "message", "data": chunk}    return EventSourceResponse(event_generator())

run_agent_stream() 会实时产出来自 LangChain 的 token 片段。前端可以像 OpenAI playground 一样边到边渲染。

自然覆盖的相关搜索：fastapi streaming response, langchain async stream, token streaming openai, how to build real-time LLM agent

🔍 工具集成：搜索、数据库与代码执行

🔎 Web 搜索工具

为回答最新问题，我通过 LangChain 的封装集成了 SerpAPI。这让模型可以在不知道答案时“Google 一下”。

from langchain.tools import Toolfrom langchain.utilities import SerpAPIWrappersearch = SerpAPIWrapper()search_tool = Tool(    name="Google Search",    func=search.run,    description="Use this to look up current events or recent data")

📦 PostgreSQL 工具

我通过 LangChain 的 SQL Agent 连接到本地 Postgres 数据库。这样模型就能查询结构化数据，例如产品信息、日志或分析数据。

这对企业内部 Agent 非常有价值。

⚙️ 代码执行工具

为执行逻辑，我用受限的全局变量构建了一个最小化的 Python REPL 沙箱。不要在生产环境中直接使用 eval()，除非有强有力的安全措施。建议使用 Docker 沙箱或诸如 Code Interpreter API 的服务。

🎯 实时效果：最终的 UX

连接完成后，用户发出一个请求：

“请总结这篇文章，并计算每个段落的平均词数。另外，附上排名前 3 的来源链接。”

Agent 可能会：

搜索该文章
运行代码处理文本
调用数据库核验来源
在生成时将答案以 token 流的形式持续推送到前端

这一切都在“直播”进行——用户能看到 Agent 边想边答。

这种交互体验更接近 ChatGPT，但用的是你自己的工具和后端。

⚡ 构建过程中的关键经验

流式传输很关键：按 token 输出的 UX 能显著提升速度感与信任感
LLM ≠ 全栈应用：要超越“生成”，外部工具必不可少
LangChain 灵活但偏“啰嗦”：要准备好管理复杂的 Prompt
FastAPI 非常适合异步：速度飞快，SSE 支持一流
生产安全：在公开前为工具加上限流、日志与监控

📦 Bonus：部署 Agent

我用 Docker 容器化服务，使用 NGINX 作为反向代理，并部署到 Render（也可选 Fly.io）。请将 LLM Key、数据库凭证和搜索 API Key 安全存放在环境变量或密钥管理服务中。

更丰富的前端可采用 React + SWR 搭配 SSE 客户端。这样几乎无延迟地实现实时交互。

🗣 ️结语

这个项目让我意识到，我们正从“Prompt Engineering”迈向工具编排。LLM 不再只是生成器，而是更大系统中的决策者。借助 LangChain、FastAPI 和少量精心挑选的工具，你可以构建会“行动”的 Agent，而不仅仅是会“聊天”的 Agent。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述