LangChain入门学习(三)
LangChain基础用法(三)
一、Agents智能代理
1、Agent概述
1.1 前面用Chains链来组合LLM调用,为什么还需要Agent?
Chain 是你写死的流程图,Agent 是模型现场画流程图。
两者不是“高级/低级”的关系,而是控制权归谁的问题。

1.2 什么是Agent?
Agent=LLM + 自主决策 + 【工具调用】
Agent的核心思想是:把LLM当做“大脑”,让它自己决定下一步做什么。
1.3 Agent核心组件

-
Planning(规划)
在LangChain的工程实现中Planning并不是一个独立的物理组件,而是一种隐含在Agent运行机制和提示词中的能力。规划能力已经被融合在LLM的推理过程和Agent的执行引擎中。
Planning在不同类型的Agent中以不同的方式体现:
- ReAct 模式:让模型"想一步、做一步、看结果、再想"
- Plan-and-Excute模式:先规划再执行
2、工具定义和使用
工具调用的本质是大模型的Funtion Calling能力。
LangChain提供了@tool装饰器,只要写一个普通的python函数,加上装饰器和类型注解,LangChain就会自动帮你:
- 根据函数签名生成JSON Schema
- 根据docstring生成工具描述
- 处理参数的序列化和反序列化
from langchain.tools import tool
@tool # 底层解析注解时,会将该函数对象封装到StructeredTool对象中(func=Callable[get_weather])
def get_weather(city: str, date: str)->str:
"""获取指定城市在指定日期的天气
Args:
city: 城市名称,如“北京”、“上海”
date: 日期,格式为YYYY-MM-DD
"""
# 实际项目中调用天气API, 这里用模拟数据
return f"{city}在{date}天气多云,有下雨的可能性。"
# 底层框架帮你调用 函数对象进行invoke()
get_weather.invoke({city = "北京", date = "2027"})
-
Pydantic定义复杂参数
from langchain.tools import tool from pydantic import BaseModel, Field # pydantic 格式化参数 class GetWeatherArgs(BaseModel): """天气查询参数""" city: str = Field(description="城市名称,如'北京'、'上海'") date: str = Field(description="日期,格式为YYYY-MM-DD") @tool(args_schema=GetWeatherArgs) def get_weather(city: str, date: str)->str: """获取指定城市在指定日期的天气""" return f"{city}在{date}天气多云,有下雨的可能性。" -
构建Agent
from langchain.agents import create_agent from langchain.chat_models import init_chat_model from langchain.tools import tool # ==== 第1步:初始化 LLM ==== llm = init_chat_model( model="gpt-4o-mini", model_provider="openai", ) # ==== 第2步:准备工具列表 ==== @tool # 底层解析注解时,会将该函数对象封装到StructeredTool对象中(func=Callable[get_weather]) def get_weather(city: str, date: str)->str: """获取指定城市在指定日期的天气 Args: city: 城市名称,如“北京”、“上海” date: 日期,格式为YYYY-MM-DD """ # 实际项目中调用天气API, 这里用模拟数据 return f"{city}在{date}天气多云,有下雨的可能性。" # 这里同时使用自定义工具和第三方工具 from langchain_tavily import TavilySearch search = TavilySearch(max_results=5) # 第三方搜索工具 tools = [get_weather, search] # 把所有工具放进列表 # ==== 第3步:创建Agent ==== agent = create_agent( model=llm, # 指定LLM作为大脑 tools=tools, # 传入工具列表 system_prompt="你是一个智能助手,请根据用户的需求调用合适的工具来帮助他们。", ) # ==== 第4步:调用Agent (字典的key必须是messages) ==== # 返回的也是dict 一次调用方式 result = agent.invoke( {"messages": [ { "role":"user", "content": "今天的北京天气怎么样?" } ] } ) print(result["messages"][-1].content) -
调用方式
-
invoke(一次调用)
-
stream(流式调用)
for step in agent.stream( {"messages": [ { "role":"user", "content": "今天的北京天气怎么样?" } ] } ) print(step, end="\n\n")
-
-
LangSmith调试
3、MCP工具接入
MCP 是"工具接入"的标准化协议——把"某个工具怎么暴露给模型"从"每个框架各写一遍"变成"写一次,谁都能用"。
业界常拿它类比 USB-C:以前每个外设一种接口,现在统一。这个类比准确,因为它解决的不是"能力"问题,而是接口碎片化问题。它统一了LLM与外部工具之间的通信方式。
3.1 MCP三层架构


3.2 MCP工作流程
当Agent通过MCP调用一个外部工具时,完整的流程是:

3.3 传输协议

-
写一个MCP Server
# server.py from mcp.server.fastmcp import FastMCP from pymilvus import MilvusClient mcp = FastMCP("rag-kb") client = MilvusClient(uri="http://localhost:19530") @mcp.tool() def search_kb(query: str, scope: str = "policy", top_k: int = 3) -> dict: """在企业知识库检索文档片段。 适用:产品规则、流程规范、历史工单。 不适用:实时数据、个人信息、通用常识。 query 请用关键词组合,如 "退款 时效 规则"。 """ hits = client.search( collection_name="rag_kb", data=[embed(query)], limit=top_k, filter=f'doc_type == "{scope}"', output_fields=["text", "source"], ) return { "count": len(hits), "results": [ {"text": h["entity"]["text"][:800], "source": h["entity"]["source"]} for h in hits ], } @mcp.resource("kb://schema") def kb_schema() -> str: """知识库的字段说明,供应用直接塞进上下文""" return "字段: text(正文), source(来源), doc_type(policy/faq/ticket), updated_at(ISO日期)" if __name__ == "__main__": mcp.run(transport="stdio")MCP Server还支持暴露资源(Resource)和提示词模板(Prompt),不仅仅是工具tool
# 资源:提供可读取的数据(类似GET接口) @mcp.resource("greeting://default") def get_greeting() -> str: """返回一条默认问候语""" return "Hello from MCP Server!" # 提示词模板:提供预定义的提示词 @mcp.prompt() def greet_user(name: str, style: str = "friendly") -> str: """生成问候语的提示词""" styles = { "friendly": "写一句友善的问候", "formal": "写一句正式的问候", "casual": "写一句轻松的问候", } return f"为{name}{styles.get(style, styles['friendly'])}" -
MCP Client直连
import asyncio from mcp import ClientSession, StdioServerParameters from mcp.client.stdio import stdio_client async def main(): params = StdioServerParameters(command="python", args=["server.py"]) async with stdio_client(params) as (read, write): async with ClientSession(read, write) as session: await session.initialize() # 1. 发现能力 tools = await session.list_tools() print([t.name for t in tools.tools]) resources = await session.list_resources() print([r.uri for r in resources.resources]) # 2. 读 resource content = await session.read_resource("kb://schema") print(content.contents[0].text) # 3. 调 tool result = await session.call_tool("search_kb", {"query": "退款 时效"}) print(result.content[0].text) asyncio.run(main()) -
生产级写法
from langchain_mcp_adapters.client import MultiServerMCPClient from langchain.agents import create_agent from langchain.chat_models import init_chat_model async def build_agent(): mcp_client = MultiServerMCPClient({ "rag": { "command": "python", "args": ["server.py"], "transport": "stdio", }, "github": { "url": "https://mcp.example.com/github", "transport": "streamable_http", "headers": {"Authorization": f"Bearer {GITHUB_TOKEN}"}, }, }) tools = await mcp_client.get_tools() # 返回普通 BaseTool 列表 return create_agent( model=init_chat_model("gpt-4o-mini", model_provider="openai"), tools=tools, system_prompt="你是企业助手,通过工具获取信息后回答。", ) agent = await build_agent()关键:
get_tools()返回的东西和手写@tool完全等价。你上一轮那段create_agent(model, tools, system_prompt)的代码,把tools换成 MCP 来的就行,其他不动。小结:如果这套工具只服务一个 Agent,手写
@tool;要被第二个 Agent 用,就该抽成 MCP server 了。
4、Agent集成记忆机制
Checkpointer 是 LangGraph 的状态快照器:每执行完一个 super-step,就把整个 State 存一份,绑定 thread_id。它是"多轮对话 + 断点恢复 + 时间旅行"的底座。
但先说清一个最容易混的点——checkpointer 不是记忆系统。

from langgraph.checkpoint.memory import InMemorySaver
# 创建checkpointer(内存存储,程序重启后数据会丢失)
checkpointer = InMemorySaver()
# 创建Agent时传入checkpointer
agent = create_agent(
model=llm,
tools=tools,
checkpointer=checkpointer, # 就这一行
)
# 调用模型 thread_id 指定用户
result = agent.invoke(
{"messages": ["user", "武汉有多少个火车站"]},
config = {
"configurable": {"thread_id": "user_张三"}
}
)
- 记忆的局限性
- 消息太多,Token消耗剧增(费钱)
- 超出模型上下文窗口大小(报错)
5、Agent集成中间件
Agent 中间件就是在"问模型、调工具"这条流水线上开的几个口子。你把压缩上下文、打码、审批、重试、记账这些杂事写成小关卡插进去,每个任务自动过一遍,不用改 Agent 本体,也不用每个工具重复写。关卡还能一层套一层,并且有权直接拦下不放行。
不使用中间件和使用中间件的Agent执行流程:

agent = create_agent(
model = llm,
tools = tools,
checkpointer = checkpointer,
middleware = [middleware_a, middleware_b], # 中间件列表
)
先给结论:真正每个项目都该配的只有三个——防死循环、危险操作审批、上下文压缩。其余按需。
- ToolCallLimitMiddleware – 限制工具调用次数
- HumanInTheLoopMiddleware – 危险操作人工审批
- SummarizationMiddleware – 自动摘要
小结:
必配三个:ToolCallLimit(防死循环)、Trace(可观测)、HumanInTheLoop(危险操作)。长会话加裁剪和摘要(SummarizationMiddleware ),外部依赖不稳加重试和 fallback,工具多加上工具筛选。其余按痛点加,别一次堆十个。
更多推荐

所有评论(0)