一、什么是智能体（Agent）？

在大模型应用领域，智能体（Agent） 是具备 “感知 - 决策 - 执行” 能力的 AI 应用核心，简单来说：它能理解用户需求，自主判断是否需要调用工具（如查百科、查时间、算数学），执行工具后整合结果，最终给出精准回答。

智能体的底层核心原理

智能体的本质是 “大模型 + 工具调用 + 记忆” 的闭环，核心逻辑遵循 ReAct 框架（Reason + Act）：

1. Reason（推理）：大模型分析用户输入，判断是否需要调用工具、调用哪个工具；
2. Act（行动）：执行选定的工具，获取外部数据 / 结果；
3. 反馈：将工具执行结果回传给大模型，由大模型整合后生成最终回答。

智能体的核心模块

一个完整的 LangChain 智能体包含 4 个核心模块：

模块	作用
大模型（LLM）	核心 “大脑”，负责理解需求、推理决策、生成回答
工具（Tools）	智能体的 “手脚”，对接外部能力（如查百科、查时间、调用 API、计算等）
记忆（Memory）	智能体的 “记忆”，保存对话上下文，保证多轮对话的连贯性
提示词（Prompt）	约束智能体行为，定义工具调用规则、回答风格，是智能体的 “行为准则”

二、实战：搭建带记忆 + 工具调用的智能体

接下来我们基于阿里云通义千问模型（qwen-turbo），用 LangChain 搭建一个 “能查百科 + 查时间 + 记对话” 的智能体，全程可复现。

1. 环境准备

首先安装依赖包，执行以下命令：

pip install langchain langchain-community python-dotenv requests dashscope

说明：dashscope 是通义千问的官方 SDK，需提前在阿里云百炼平台申请 API Key（DASHCOPE_API_KEY）。

2. 完整代码实现（逐模块解析）

（1）基础配置与工具定义

工具是智能体的核心能力扩展，我们先定义两个实用工具：百科查询、获取当前时间。

import os
import requests
from dotenv import load_dotenv
from langchain_community.chat_models import ChatTongyi
from langchain.tools import Tool
from langchain.agents import initialize_agent, AgentType
from langchain.memory import ConversationBufferMemory
from langchain.callbacks.streaming_stdout import StreamingStdOutCallbackHandler
from langchain_core.prompts import PromptTemplate

# 加载环境变量（.env文件中配置DASHCOPE_API_KEY）
load_dotenv()
api_key = os.getenv('DASHCOPE_API_KEY')

# 工具1：百科查询工具
def baike_query(keyword: str) -> str:
    """调用360百科API查询权威信息，返回摘要"""
    try:
        url = f"https://baike.so.com/api/openapi.php?query={keyword}&method=search&format=json"
        response = requests.get(url, timeout=10)
        response.raise_for_status()
        data = response.json()

        if data.get("status") == 1 and data.get("total") > 0:
            first_result = data["items"][0]
            return f"【{first_result['title']}】\n摘要：{first_result['abstract']}\n链接：{first_result['url']}"
        return f"未查询到「{keyword}」的百科信息"
    except Exception as e:
        return f"百科查询失败：{str(e)}"

# 工具2：获取当前时间工具
def get_time_tool(input_str: str) -> str:
    """返回当前系统时间，输入任意内容均可调用"""
    try:
        from datetime import datetime
        return f"当前系统时间：{datetime.now().strftime('%Y-%m-%d %H:%M:%S')}"
    except Exception as e:
        return f"获取时间失败：{str(e)}"

# 工具列表：注册工具并定义描述（关键！大模型通过描述判断是否调用）
tools = [
    Tool(
        name="Baike_book",
        func=baike_query,
        description="用于查询百科全书信息，输入关键词即可调用"
    ),
    Tool(
        name="GetTime",
        func=get_time_tool,
        description="用于获取当前系统时间，传入任意字符串均可调用"
    )
]

（2）初始化大模型与记忆模块

# 1. 初始化通义千问模型（支持流式输出）
llm = ChatTongyi(
    api_key=api_key,
    model_name="qwen-turbo",
    temperature=0.7,  # 随机性，0-1之间，越小越精准
    streaming=True,
    callbacks=[StreamingStdOutCallbackHandler()]  # 流式输出到控制台
)

# 2. 初始化对话记忆（短期记忆，保存上下文）
memory = ConversationBufferMemory(
    memory_key="chat_history",  # 记忆在prompt中的键名
    return_messages=True,       # 返回消息对象而非字符串
    output_key="output"         # 与智能体输出键匹配
)

（3）自定义提示词模板（约束智能体行为）

提示词是智能体的 “规则手册”，决定了智能体的行为边界：

# 自定义提示词模板：定义智能体的回答规则
prompt = PromptTemplate(
    input_variables=["chat_history", "input", "agent_scratchpad"],
    template="""
你是有记忆能力的智能助手，必须严格遵守以下规则：
1. 回答用户问题时优先使用【chat_history】中的历史对话，保证连贯性；
2. 仅当用户明确问“现在几点”“时间”时，才能调用GetTime工具；
3. 仅当用户需要查询百科知识时，调用Baike_book工具；
4. 直接输出自然回答，不要输出Thought、Action等中间过程。

历史对话：
{chat_history}

用户问题：{input}

回答：
"""
)

（4）初始化智能体并定义交互函数

# 初始化智能体（核心步骤）
agent = initialize_agent(
    tools=tools,                # 注册的工具列表
    llm=llm,                    # 大模型
    agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION,  # 无记忆的ReAct智能体
    verbose=False,              # 关闭详细日志（开启可看工具调用过程）
    max_iteration=1,            # 最大推理轮数
    memory=memory,              # 绑定记忆模块
    prompt=prompt,              # 自定义提示词
    handle_parsing_errors="抱歉，请求解析失败，请换种方式提问"  # 错误处理
)

# 交互函数：封装智能体调用逻辑
def chat_with_agent(user_input: str) -> str:
    """与智能体交互的核心函数"""
    try:
        response = agent.run(input=user_input)
        return response
    except Exception as e:
        return f"交互错误：{str(e)}"

# 测试交互
if __name__ == "__main__":
    print("=== LangChain智能体（通义千问）===")
    print("输入'exit'退出对话\n")
    while True:
        user_input = input("你：")
        if user_input.lower() == "exit":
            print("智能体：再见！")
            break
        print("智能体：", end="")
        chat_with_agent(user_input)
        print("\n")

3. 运行与测试

（1）配置.env 文件

在项目根目录创建.env文件，写入：

DASHCOPE_API_KEY=你的阿里云通义千问API Key

（2）运行效果

执行代码后，输入以下测试指令：

• 测试百科工具：人工智能是什么
• 测试时间工具：现在几点了
• 测试记忆能力：我刚才问了什么

示例输出：

=== LangChain智能体（通义千问）===
输入'exit'退出对话

你：人工智能是什么
智能体：【人工智能】
摘要：人工智能（Artificial Intelligence，AI）是一门旨在使计算机系统能够模拟、延伸和扩展人类智能的技术科学...
链接：https://baike.so.com/doc/284AI...

你：现在几点了
智能体：当前系统时间：2026-03-03 15:30:25

你：我刚才问了什么
智能体：你刚才先问了“人工智能是什么”，接着问了“现在几点了”。

三、核心知识点解析

1. 工具调用的关键

工具的description字段是核心！大模型完全依赖这个描述判断 “是否调用工具”“调用哪个工具”，描述需清晰、简洁，明确工具的使用场景。

2. 记忆模块的作用

ConversationBufferMemory是最基础的记忆模块，会保存所有对话上下文；如果需要限制记忆长度，可使用ConversationBufferWindowMemory（只保存最近 N 轮对话）。

3. 流式输出的实现

通过streaming=True开启流式输出，配合StreamingStdOutCallbackHandler回调，实现回答逐字打印，提升用户体验。

四、扩展与优化建议

1. 工具扩展：可新增翻译、计算、天气查询等工具，只需按Tool类格式注册即可；
2. 记忆优化：改用VectorStoreRetrieverMemory实现长期记忆（基于向量存储）；
3. 错误处理：增加工具调用超时、重试机制，提升稳定性；
4. 提示词优化：加入更多规则（如 “拒绝敏感问题”“回答限制长度”）。

总结

1. LangChain 智能体的核心是 “大模型 + 工具 + 记忆 + 提示词”，遵循 ReAct 框架实现自主决策；
2. 工具定义的关键是清晰的description，提示词决定智能体的行为边界；
3. 记忆模块是实现多轮对话连贯性的核心，流式输出可提升交互体验。

通过本文的代码，你可以快速搭建一个基础但完整的智能体，在此基础上扩展工具、优化提示词，即可适配更多业务场景（如智能客服、知识库问答、自动化办公等）