目录

• 引言：什么是 LangChain Agent？

• Agent 的核心组件

  • 2.1 LLM 模型（Model）

    • 静态模型选择
    • 动态模型选择

  • 2.2 工具（Tools）

    • 定义工具
    • 工具的错误处理
    • ReAct 回路中的工具调用

  • 2.3 系统提示词（System Prompt）

    • 动态系统提示词

• Agent 的执行与调用

  • 3.1 AgentExecutor 与调用 Agent

• Agent 进阶功能

  • 4.1 结构化输出（Structured Output）

    • ToolStrategy 策略
    • ProviderStrategy 策略

  • 4.2 记忆与状态（Memory & State）

    • 通过 Middleware 定义自定义状态
    • 通过 state_schema 定义自定义状态

  • 4.3 流式输出（Streaming）

  • 4.4 中间件机制（Middleware）

• 自定义 Agent 与工具

  • 5.1 自定义 Agent 模板
  • 5.2 自定义工具开发

• 企业应用中的实践建议

  • 6.1 多工具协作与选择
  • 6.2 错误处理与可靠性
  • 6.3 部署与监控

---

引言：什么是 LangChain Agent？

LangChain 的 Agent（智能代理） 是一种结合大型语言模型（LLM）和外部工具的系统，它能够对复杂任务进行推理、规划，并自主决定使用哪些工具来逐步解决问题。相比单纯的 LLM 对话，Agent 更加强大，因为它可以在对话过程中调用外部工具（如搜索引擎、数据库查询、计算器、API 等）来获取或处理信息，从而迭代式地朝着解决方案前进。

Agent 的能力包括：

• 任务分解与决策：Agent 可以分析用户的请求，推理出解决问题需要的步骤，决定使用何种工具。例如，它可以先调用搜索工具获取信息，再调用计算工具处理数据，逐步解决复杂问题。
• 循环迭代执行：Agent 遵循“ReAct”模式（Reason + Act），在每一步行动后，根据工具返回的结果（Observation）调整下一步策略，循环“推理 → 行动 → 观察”，直到得到最终答案。
• 工具调用：通过集成工具，Agent 可以执行 LLM 自身无法直接完成的操作（如计算、查数据库、调用外部API）。LangChain 提供了大量内置工具，也允许开发者注册自定义工具。

LangChain 提供了工厂方法 create_agent 来创建可生产级使用的 Agent。其基于 LangGraph 构建执行图，包含模型节点、工具节点、中间件节点等。Agent 会持续执行，直到模型给出最终结果或达到最大迭代次数。

---

Agent 的核心组件

LangChain Agent 由多个核心部分组成，包括：LLM 模型、工具（Tools）、执行器、提示词等。

理解这些组件如何协同工作，有助于更好地定制和使用 Agent。

---

2.1 LLM 模型（Model）

模型是 Agent 的“大脑”。

静态模型选择

最常见的方法是在创建 Agent 时指定固定模型：

agent = create_agent(
    "gpt-5",
    tools=tools_list
)

模型 “gpt-5” 会被推断为对应的提供商模型。

也可以通过模型实例进行更复杂的参数配置：

model = ChatOpenAI(
    model="gpt-5",
    temperature=0.1,
    max_tokens=1000,
    timeout=30,
)
agent = create_agent(model, tools=tools_list)

静态模型适用于已知场景，配置简洁高效。

---

动态模型选择

在一些高级场景，需要根据对话上下文自动切换模型，例如对话较复杂时改用更强模型。

利用中间件实现动态模型路由：

@wrap_model_call
def dynamic_model_selection(request, handler):
    message_count = len(request.state["messages"])
    if message_count > 10:
        request.model = advanced_model
    else:
        request.model = basic_model
    return handler(request)

注册到 Agent：

agent = create_agent(
    model=basic_model,
    tools=tools_list,
    middleware=[dynamic_model_selection]
)

---

2.2 工具（Tools）

工具是 Agent 执行任务的重要组成部分。

定义工具

使用装饰器：

@tool
def search(query: str):
    return f"Results for: {query}"

工具应当：

• 实现单一职责
• 文档描述清晰

如果 tools=[]，Agent 将不具备工具调用能力。

---

工具的错误处理

借助中间件：

@wrap_tool_call
def handle_tool_errors(request, handler):
    try:
        return handler(request)
    except Exception as e:
        return ToolMessage(
            content=f"工具出错: 请检查输入并重试。({str(e)})",
            tool_call_id=request.tool_call["id"]
        )

注册：

agent = create_agent(
    model="gpt-4o",
    tools=[search, get_weather],
    middleware=[handle_tool_errors]
)

---

ReAct 回路中的工具调用

ReAct 遵循：

Thought → Action → Observation → Thought → ... → Final Answer

示例流程（无线耳机 + 库存检查）：

1. 用户提问
2. Agent 推理需要搜索 → Action 调用 search_products
3. Observation 返回搜索结果
4. Agent 推理需要查库存 → 调用 check_inventory
5. Observation 返回库存
6. Final Answer 输出最终内容

Agent 内部自动完成 ReAct，不需开发者手写循环。

---

2.3 系统提示词（System Prompt）

通过 system_prompt 参数设置 Agent 的角色和风格：

agent = create_agent(
    model,
    tools,
    system_prompt="You are a helpful assistant."
)

非常适用于企业级业务角色定义（如 IT 支持、客服）。

---

动态系统提示词

使用 @dynamic_prompt：

@dynamic_prompt
def user_role_prompt(request):
    user_role = request.runtime.context.get("user_role", "user")
    ...

调用方式：

agent.invoke(
    {"messages": [...]},
    context={"user_role": "expert"}
)

---

3. Agent 的执行与调用

3.1 AgentExecutor 与调用 Agent

LangChain 1.0 推荐直接使用：

result = agent.invoke({
    "messages": [{"role": "user", "content": "天气如何？"}]
})

result["messages"][-1] 为最终回答。

---

4. Agent 进阶功能

4.1 结构化输出（Structured Output）

两种策略：

ToolStrategy（通过虚拟工具实现）

ProviderStrategy（使用模型原生结构化能力）

注意：LangChain 1.0 不再支持直接传 Pydantic 模型，需使用策略包装。

---

4.2 记忆与状态（Memory & State）

Agent 默认持有 messages 作为短期记忆。

通过 Middleware 定义状态

定义：

class CustomState(AgentState):
    user_preferences: dict

加入中间件后可在调用时传入：

agent.invoke({
    "messages": [...],
    "user_preferences": {...}
})

---

通过 state_schema 定义状态

agent = create_agent(
    model,
    tools=[...],
    state_schema=CustomState
)

---

4.3 流式输出（Streaming）

for chunk in agent.stream({...}, stream_mode="values"):
    ...

可实时展示 Agent 的推理步骤。

---

4.4 中间件机制（Middleware）

用途包括：

• 输入预处理
• 输出检查
• 工具执行包装
• 动态模型/提示词
• 审计与监控

---

5. 自定义 Agent 与工具

5.1 自定义 Agent 模板

包括：

• ReAct Agent
• OpenAI Functions Agent
• OpenAI Tools Agent
• 自问自答型（Self-Ask）

可自定义 Prompt：

REACT_PROMPT_TEMPLATE = """
Thought: ...
Action: ...
"""

---

5.2 自定义工具开发

典型企业工具：

• 数据库查询
• 内网 API
• 业务公式计算
• 文件/知识库读取

注意安全性、审计、输入检验。

---

6. 企业应用中的实践建议

6.1 多工具协作与选择

• 设计良好工具描述
• 工具分类路由
• 并行调用

---

6.2 错误处理与可靠性

• 工具异常处理
• 输出结构验证
• 超时与重试
• 日志与监控

---

6.3 部署与监控

• 封装 API 服务
• 高并发处理
• 资源管理
• 实时监控与告警
• 定期更新工具和提示词