随着人工智能技术的迅猛发展，开发具备自主调用工具和处理复杂任务能力的智能体（Agent）已成为AI应用开发的重要方向。本文将基于LangChain框架，系统讲解如何将自定义功能封装为工具，循序渐进地构建基础智能体，帮助开发者掌握LangChain AI Agent开发的核心思路与关键操作流程，为后续将Agent能力转化为LangChain工具组件奠定基础。

什么是 AgentSkills?

在 LangChain 框架中，AgentSkills 是指将各种实用能力（如网络搜索、表格理解、代码执行等）封装为标准工具，然后集成到 Agent 中。虽然 LangChain 本身没有直接提供名为 AgentSkills 的模块，但我们可以手动实现这些技能，将其转化为 LangChain 兼容的工具组件。

核心思路：将 AgentSkills 定义的核心能力在 LangChain 中实现为可调用的工具函数，由 Agent 根据用户问题自主决策和调度。

实战案例：构建表格理解技能

本文将以"财务数据分析"为例，演示如何实现一个 Table Understanding 技能。假设我们需要让 Agent 能够读取公司的财务数据并回答相关问题。

第一步：环境准备

首先安装必要的依赖包：

pip install langchain pandas openai tabulate

如果在使用过程中遇到导入错误，可以尝试升级到最新版本：

pip install -U langchain langchain-openai langchain-core langchain-community

第二步：导入依赖包

import pandas as pd
from langchain_classic.agents import create_tool_calling_agent, tool, AgentExecutor
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

第三步：定义工具函数

这是整个流程的核心环节。我们可以编写多个工具函数组成工具库，供Agent调用。这种方式实现了"一次开发、多次复用"的目标，能够快速构建Agent。本文将以获取公司财务数据的简单案例为例进行说明。

重要提示：函数的文档字符串（docstring）非常重要！AI 会根据函数的描述来判断是否调用该工具，因此务必清晰地描述函数的功能、参数和返回值。

def get_describe(loc):
    """
    查询公司的财务数据情况函数
    :param loc: 必要参数，字符串类型，用于表示查询公司的财务数据
    :return: 公司的财务数据
    """
    data = {
        '年份': [2023, 2023, 2023, 2023, 2024, 2024, 2024, 2024],
        '季度': ['Q1', 'Q2', 'Q3', 'Q4', 'Q1', 'Q2', 'Q3', 'Q4'],
        '营业收入_万元': [1200, 1350, 1500, 1600, 1300, 1420, 1580, 1700],
        '营业成本_万元': [800, 890, 950, 1020, 860, 940, 1000, 1080],
        '毛利润_万元': [400, 460, 550, 580, 440, 480, 580, 620],
        '毛利率_%': [33.3, 34.1, 36.7, 36.3, 33.8, 33.8, 36.7, 36.5],
        '销售费用_万元': [100, 110, 120, 130, 105, 115, 125, 135],
        '管理费用_万元': [60, 65, 70, 75, 62, 68, 72, 78],
        '净利润_万元': [200, 230, 280, 300, 210, 240, 290, 310],
        '净利润率_%': [16.7, 17.0, 18.7, 18.8, 16.2, 16.9, 18.4, 18.2],
        '员工人数': [120, 125, 130, 135, 138, 142, 148, 152],
        '新增客户数': [850, 920, 980, 1050, 900, 960, 1020, 1100],
        '客户留存率_%': [88.5, 89.2, 90.1, 91.0, 88.8, 89.5, 90.3, 91.2]
    }
    
    describe = pd.DataFrame(data)
    return describe

第四步：构建提示词模板

提示词模板是 Agent 工作的基础，它定义了 Agent 的角色和行为模式。

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是财务专家，请根据用户的问题，给出相应的财务分析结果"),
    ("human", "{input}"),
    ("placeholder", "{agent_scratchpad}")  # 此处语法固定，不可修改
])

注意：{agent_scratchpad} 是 Agent 的工作记忆区，用于存储中间推理过程，这个占位符的写法是固定的。

第五步：配置大语言模型

model = ChatOpenAI(
    model="kimi-k2-turbo-preview",
    api_key="your_api_key_here",  # 请替换为你的 API Key
    base_url="https://api.moonshot.cn/v1",
    temperature=0.0  # 设置为 0 以获得更确定性的输出
)

第六步：创建并运行 Agent

现在，我们将所有组件整合在一起，创建一个完整的 Agent 系统。

# 定义工具列表
tools = [get_describe]

# 使用 create_tool_calling_agent 创建代理
agent = create_tool_calling_agent(model, tools, prompt)

# 使用 AgentExecutor 运行 Agent
agent_executor = AgentExecutor(
    agent=agent, 
    tools=tools, 
    verbose=True  # 设置为 True 可以查看执行细节
)

# 执行查询
response = agent_executor.invoke({"input": "公司的财务经营情况如何"})

print(response)

执行流程解析

当你运行上述代码时，Agent 会经历以下步骤：

1. 理解问题：Agent 接收用户的问题"公司的财务经营情况如何"
2. 决策工具：Agent 分析问题后，决定调用 get_describe 工具获取财务数据
3. 调用工具：执行工具函数，获取 DataFrame 格式的财务数据
4. 分析数据：Agent 基于获取的数据进行财务分析
5. 生成回答：将分析结果以自然语言形式返回给用户

关键要点总结

1. 工具函数文档至关重要：清晰的函数说明能帮助 Agent 正确判断何时使用该工具
2. 提示词模板的重要性：好的系统提示能让 Agent 更好地理解自己的角色定位
3. Verbose 参数：在开发阶段建议设置为 True，可以清楚看到 Agent 的思考过程

扩展思路

基于本文的基础框架，你可以进一步扩展更多技能：

• 网络搜索技能：集成搜索 API，让 Agent 能够获取实时信息
• 代码执行技能：允许 Agent 编写和执行 Python 代码进行复杂计算
• 文档处理技能：支持读取 PDF、Word 等多种格式的文档
• 数据可视化技能：生成图表，让分析结果更直观

完整示例代码

import pandas as pd
from langchain_classic.agents import create_tool_calling_agent, tool, AgentExecutor
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

# 定义工具函数
def get_describe(loc):
    """
    查询公司的财务数据情况函数
    :param loc: 必要参数，字符串类型，用于表示查询公司的财务数据
    :return: 公司的财务数据
    """
    data = {
        '年份': [2023, 2023, 2023, 2023, 2024, 2024, 2024, 2024],
        '季度': ['Q1', 'Q2', 'Q3', 'Q4', 'Q1', 'Q2', 'Q3', 'Q4'],
        '营业收入_万元': [1200, 1350, 1500, 1600, 1300, 1420, 1580, 1700],
        '营业成本_万元': [800, 890, 950, 1020, 860, 940, 1000, 1080],
        '毛利润_万元': [400, 460, 550, 580, 440, 480, 580, 620],
        '毛利率_%': [33.3, 34.1, 36.7, 36.3, 33.8, 33.8, 36.7, 36.5],
        '销售费用_万元': [100, 110, 120, 130, 105, 115, 125, 135],
        '管理费用_万元': [60, 65, 70, 75, 62, 68, 72, 78],
        '净利润_万元': [200, 230, 280, 300, 210, 240, 290, 310],
        '净利润率_%': [16.7, 17.0, 18.7, 18.8, 16.2, 16.9, 18.4, 18.2],
        '员工人数': [120, 125, 130, 135, 138, 142, 148, 152],
        '新增客户数': [850, 920, 980, 1050, 900, 960, 1020, 1100],
        '客户留存率_%': [88.5, 89.2, 90.1, 91.0, 88.8, 89.5, 90.3, 91.2]
    }

    describe = pd.DataFrame(data)
    return describe
# 提示词模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是财务专家，请根据用户的问题，给出相应的财务分析结果"),
    ("human", "{input}"),
    ("placeholder", "{agent_scratchpad}")  # 此处语法固定，不可修改
])
#  配置模型
model = ChatOpenAI(
    model="kimi-k2-turbo-preview",
    api_key="your_api_key_here",  # 请替换为你的 API Key
    base_url="https://api.moonshot.cn/v1",
    temperature=0.0  # 设置为 0 以获得更确定性的输出
)
# 执行Agent
# 定义工具列表
tools = [get_describe]

# 使用 create_tool_calling_agent 创建代理
agent = create_tool_calling_agent(model, tools, prompt)

# 使用 AgentExecutor 运行 Agent
agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    verbose=True  # 设置为 True 可以查看执行细节
)

# 执行查询
response = agent_executor.invoke({"input": "公司的财务经营情况如何"})

结语

通过 LangChain 框架构建 Agent，我们可以轻松地将各种能力模块化、工具化，最终组装成一个强大的智能助手。希望本文能为你开启 Agent 开发之旅提供一个良好的起点。