• 理解 Agent 开发的核心概念与分类
• 掌握 LangChain 框架的基础组件与 API
• 能够使用 LangChain 构建自定义 Agent
• 实践开发一个基于 ReAct 模式的智能助理

学习内容：

1. Agent 开发概述
   • LLM Agent 的定义与工作原理
   • Agent 与普通链（Chain）的区别
   • Agent 的主要类型：ReAct、Plan-and-Execute、工具调用型等
2. LangChain 核心基础
   • 模型 I/O、提示模板、输出解析器
   • 链（Chain）的构建与组合
   • 记忆（Memory）组件
   • 文档加载与索引
3. LangChain Agent 深入
   • Agent Executor 与 Agent 类型接口
   • 内置工具与自定义工具
   • ReAct Agent 实现与提示模板
   • Agent 与外部 API 交互
4. 实战项目：构建一个技术问答 Agent
   • 环境搭建与依赖
   • 设计提示模板与工具集
   • 实现问答逻辑
   • 测试与优化
   • 测试与优化

代码示例：使用 LangChain 和 OpenAI API 初始化 Agent

以下是一个完整的 Python 代码示例，展示如何设置环境、定义工具并初始化一个简单的技术问答 Agent。

# 导入必要的库
import os
from langchain.agents import AgentExecutor, create_react_agent
from langchain.tools import Tool
from langchain_openai import ChatOpenAI
from langchain.prompts import PromptTemplate

# 1. 环境变量设置（请替换为你的实际 API Key）
os.environ["OPENAI_API_KEY"] = "your-openai-api-key-here"
# 可选：设置代理等
# os.environ["HTTP_PROXY"] = "http://127.0.0.1:7890"
# os.environ["HTTPS_PROXY"] = "http://127.0.0.1:7890"

# 2. 定义自定义工具
def search_technical_docs(query: str) -> str:
    """模拟一个技术文档搜索工具。"""
    # 这里可以替换为真实的文档检索逻辑（如使用向量数据库）
    mock_results = {
        "python decorator": "装饰器是修改函数或类行为的函数，使用 @ 语法。",
        "fastapi middleware": "FastAPI 中间件可以处理请求和响应，通过 app.add_middleware 添加。",
        "langchain agent": "LangChain Agent 通过 LLM 决定调用哪些工具来完成任务。"
    }
    return mock_results.get(query.lower(), f"未找到关于 '{query}' 的文档。")

def calculate_code_complexity(code_snippet: str) -> str:
    """模拟一个计算代码复杂度的工具。"""
    # 这里可以集成真实的复杂度分析库
    return f"代码片段分析完成。预估圈复杂度：中等。"

# 将函数包装成 LangChain Tool 对象
tools = [
    Tool(
        name="TechnicalDocSearch",
        func=search_technical_docs,
        description="用于搜索技术文档和概念。输入应为一个明确的技术术语或问题。"
    ),
    Tool(
        name="CodeComplexityAnalyzer",
        func=calculate_code_complexity,
        description="分析给定代码片段的复杂度。输入应为一段代码字符串。"
    ),
]

# 3. 初始化 LLM
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)

# 4. 创建 ReAct Agent
# 使用 LangChain 内置的 ReAct 提示模板
prompt = PromptTemplate.from_template(
    """你是一个技术问答助手。请使用以下工具来回答问题。

工具：
{tools}

使用以下格式：

问题：用户的问题
思考：你需要思考如何逐步解决问题
行动：要使用的工具名称
行动输入：工具的输入
观察：工具返回的结果
...（这个循环可以重复多次）
思考：我现在可以给出最终答案了
最终答案：对用户问题的清晰、完整回答

开始！

问题：{input}
思考：{agent_scratchpad}"""
)

agent = create_react_agent(llm, tools, prompt)

# 5. 创建 Agent Executor 并执行
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True, handle_parsing_errors=True)

# 示例问题
question = "Python 装饰器是什么？请用 search 工具查一下，然后分析一段使用装饰器的代码的复杂度。"
result = agent_executor.invoke({"input": question})
print("Agent 回答：", result["output"])

执行步骤说明：

1. 环境准备：安装 langchain, langchain-openai 等包，并设置 OPENAI_API_KEY。
2. 工具定义：将自定义功能（如搜索、计算）包装成 Tool 对象，并给出清晰的描述。
3. 初始化 LLM：选择模型（如 gpt-3.5-turbo）并设置参数。
4. 构建 Agent：使用 create_react_agent 结合提示模板、LLM 和工具列表创建 Agent。
5. 执行与测试：通过 AgentExecutor 运行，传入用户问题，Agent 会自动规划思考、调用工具并生成最终答案。

将上述代码保存为 tech_agent_demo.py，安装依赖后运行即可看到一个能自动调用工具的技术问答 Agent。

学习时间：

• 第 1 周：Agent 概念与 LangChain 基础学习
• 第 2 周：深入 LangChain Agent 模块，完成小练习
• 第 3 周：实战项目设计与开发
• 第 4 周：项目完善、测试与博客产出

学习产出：

• 技术笔记 4 篇
• CSDN 技术博客 2 篇（Agent 入门、LangChain 实战）
• 一个可运行的 Agent Demo 项目