从零搭建企业级智能体（Agent）：LangChain + 大模型落地实战指南

前言：为什么需要智能体？

2026年的今天，大语言模型早已不是新鲜事物。但你是否遇到过这样的困境：调用GPT-4 API写文案效果不错，可一旦让它“帮我查一下明天的天气，如果下雨就提醒我带伞”，它就束手无策了？

原因很简单——基础大模型是一个“有知识但没有手脚”的专家。它能理解你的意图，却无法主动调用外部工具、获取实时数据、执行多步骤任务。

这正是**AI智能体（Agent）**登场的理由。

智能体 ≠ 聊天机器人。它具备自主决策、任务规划、工具调用和记忆能力，能将一个复杂目标拆解为可执行步骤，并调用外部工具完成每一步。

本文将从零开始，带你完成一个实用的企业级智能体开发全流程，包含完整可运行的代码。文章篇幅约3000字，预计阅读时间15分钟。

---

一、核心概念：智能体到底是什么？

1.1 大模型 vs 智能体

维度	基础大模型	AI智能体
交互方式	被动响应输入	主动规划执行
知识边界	训练数据截止日期	可扩展外部知识源
任务复杂度	适合单轮简单问答	处理多步骤复杂任务
系统架构	单一模型实例	模型+记忆+工具+规划的复合系统

1.2 智能体的核心能力

一个完整的智能体系统包含四大模块：

1. 大脑（LLM）：负责理解语言、推理和决策
2. 记忆系统：短期记忆（对话上下文）+ 长期记忆（向量数据库）
3. 规划能力：将大任务分解为可执行的小步骤（ReAct模式）
4. 工具调用：调用外部API、数据库、搜索引擎等

ReAct模式是当前最主流的智能体架构，全称是“Reason + Act”（推理+行动）。智能体会循环执行：思考→行动→观察→再思考，直到完成任务。

---

二、实战：从零搭建智能体

2.1 项目场景

我们构建一个智能助理，它能：

• 查询任意城市的实时天气
• 根据天气给出穿衣建议
• 记录用户偏好（长期记忆）
• 支持多轮对话

2.2 环境准备

# 创建虚拟环境（推荐）
python -m venv agent_env
source agent_env/bin/activate  # Linux/Mac
# 或 agent_env\Scripts\activate  # Windows

# 安装依赖
pip install langchain langchain-community langchain-core
pip install openai python-dotenv
pip install requests  # 用于调用天气API
pip install chromadb  # 向量数据库，用于长期记忆

2.3 完整代码实现

以下是完整的智能体代码，建议逐行阅读理解：

import os
import json
import requests
from dotenv import load_dotenv

from langchain.agents import initialize_agent, Tool, AgentType
from langchain.memory import ConversationBufferMemory
from langchain_community.llms import OpenAI
from langchain.tools import BaseTool
from pydantic import BaseModel, Field

# ---------- 1. 加载环境变量 ----------
load_dotenv()  # 需要在.env文件中设置 OPENAI_API_KEY
OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")

# ---------- 2. 定义工具（智能体的"手脚"）----------

# 2.1 天气查询工具
class WeatherInput(BaseModel):
    city: str = Field(description="城市名称，如'北京'")

class WeatherTool(BaseTool):
    name = "weather_query"
    description = "查询指定城市的实时天气。输入城市名称，返回温度和天气状况。"
    args_schema = WeatherInput

    def _run(self, city: str) -> str:
        """实际开发中替换为真实的天气API"""
        try:
            # 模拟API调用（真实场景可替换为 OpenWeatherMap 等）
            # 这里用模拟数据演示
            weather_data = {
                "北京": {"temp": 28, "condition": "晴"},
                "上海": {"temp": 32, "condition": "多云"},
                "广州": {"temp": 35, "condition": "雷阵雨"},
                "深圳": {"temp": 33, "condition": "晴"},
            }
            data = weather_data.get(city, {"temp": 22, "condition": "未知"})
            return json.dumps({
                "city": city,
                "temperature": data["temp"],
                "condition": data["condition"],
                "unit": "摄氏度"
            })
        except Exception as e:
            return f"查询天气失败：{str(e)}"

    async def _arun(self, city: str) -> str:
        """异步版本"""
        return self._run(city)

# 2.2 穿衣建议工具（基于天气数据推理）
class ClothingInput(BaseModel):
    temperature: int = Field(description="温度数值（摄氏度）")
    condition: str = Field(description="天气状况，如'晴'、'雨'")

class ClothingAdviceTool(BaseTool):
    name = "clothing_advice"
    description = "根据温度和天气状况给出穿衣建议。输入温度和天气状况，返回建议文本。"
    args_schema = ClothingInput

    def _run(self, temperature: int, condition: str) -> str:
        advice = []
        if temperature > 30:
            advice.append("建议穿短袖、短裤，注意防晒")
        elif temperature > 20:
            advice.append("建议穿薄T恤或衬衫，早晚可加薄外套")
        elif temperature > 10:
            advice.append("建议穿长袖+薄外套，注意保暖")
        else:
            advice.append("建议穿厚外套、毛衣，注意防寒")

        if "雨" in condition:
            advice.append("出门记得带伞")
        elif "晴" in condition:
            advice.append("紫外线较强，建议涂防晒霜")

        return "；".join(advice)

    async def _arun(self, temperature: int, condition: str) -> str:
        return self._run(temperature, condition)

# ---------- 3. 组装智能体 ----------

# 3.1 初始化大模型（大脑）
llm = OpenAI(
    temperature=0.3,  # 0=确定性，1=创造性
    openai_api_key=OPENAI_API_KEY,
    model_name="gpt-3.5-turbo"  # 可替换为其他模型
)

# 3.2 创建记忆模块
memory = ConversationBufferMemory(
    memory_key="chat_history",
    return_messages=True
)

# 3.3 注册所有工具
tools = [
    Tool(
        name=WeatherTool().name,
        func=WeatherTool()._run,
        description=WeatherTool().description
    ),
    Tool(
        name=ClothingAdviceTool().name,
        func=ClothingAdviceTool()._run,
        description=ClothingAdviceTool().description
    )
]

# 3.4 初始化智能体
agent = initialize_agent(
    tools=tools,
    llm=llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,  # ReAct模式
    memory=memory,
    verbose=True,  # 打印推理过程，便于调试
    handle_parsing_errors=True,
    max_iterations=5  # 防止死循环
)

# ---------- 4. 运行与测试 ----------

if __name__ == "__main__":
    print("=" * 50)
    print("智能助理已启动！输入 'exit' 退出")
    print("示例问题：'北京今天天气怎么样？适合穿什么？'")
    print("=" * 50)

    while True:
        user_input = input("\n你: ")
        if user_input.lower() in ['exit', 'quit', '退出']:
            print("再见！")
            break

        try:
            response = agent.run(user_input)
            print(f"\n智能助理: {response}")
        except Exception as e:
            print(f"\n错误: {e}")

---

三、代码详解：每一行都在做什么？

3.1 工具定义（最重要！）

工具是智能体的“手脚”，每一个工具都需要：

• name：唯一标识，模型通过名称选择工具
• description：模型理解工具用途的关键，要清晰描述
• args_schema：使用Pydantic定义输入参数，帮助模型正确传参

class WeatherInput(BaseModel):
    city: str = Field(description="城市名称，如'北京'")

最佳实践：工具描述越清晰，模型调用越准确。描述应包括“何时使用”、“输入格式”、“返回什么”。

3.2 ReAct工作流程

设置verbose=True后，你可以看到智能体的推理过程：

> Entering new AgentExecutor chain...
思考: 用户询问北京天气，我需要先调用weather_query工具
行动: weather_query
行动输入: "北京"
观察: {"city":"北京","temperature":28,"condition":"晴"}
思考: 已获取天气信息，现在需要给出穿衣建议
行动: clothing_advice
行动输入: {"temperature": 28, "condition": "晴"}
观察: 建议穿薄T恤或衬衫；紫外线较强，建议涂防晒霜
思考: 我已获得完整信息，可以回答用户了
最终答案: 北京今天晴，气温28摄氏度...

这就是ReAct的核心：思考→行动→观察→再思考的循环。

3.3 记忆模块

memory = ConversationBufferMemory(
    memory_key="chat_history",
    return_messages=True
)

记忆让智能体“记住”之前的对话。例如：

• 用户：“我叫小明”
• 智能体：“记住了，小明”
• 用户：“我叫什么名字？”
• 智能体：“你叫小明” ✅（如果没有记忆，它会答不上来）

---

四、进阶：企业级部署要点

4.1 长期记忆（向量数据库）

上面的代码只能记住当前会话。如果要跨会话记忆，需要用向量数据库（如ChromaDB、Milvus）：

from langchain.vectorstores import Chroma
from langchain.embeddings import OpenAIEmbeddings

# 存储用户偏好
embeddings = OpenAIEmbeddings()
vector_store = Chroma(
    collection_name="user_memory",
    embedding_function=embeddings,
    persist_directory="./chroma_db"
)

4.2 生产环境注意事项

关注点	建议
安全性	工具调用需做权限校验，防止SSRF攻击
稳定性	设置max_iterations防止死循环，添加try-except
可观测性	记录所有工具调用日志，便于审计和调试
成本控制	限制每次对话的LLM调用次数，使用缓存

4.3 多智能体协作

对于复杂场景（如同时处理订单查询、物流追踪、退款申请），可考虑多智能体架构：主Agent负责任务分发，子Agent各司其职。

---

五、常见问题与解决方案

问题	原因	解决方案
Agent循环调用同一工具	工具描述不清晰	优化description，增加终止条件
工具参数错误	模型传参格式不对	使用Pydantic严格定义args_schema
响应过慢	LLM推理+多次工具调用	启用异步工具调用，减少工具数量
超出上下文长度	对话太长	使用BufferWindowMemory只保留最近N轮

---

六、总结与展望

本文从零构建了一个完整的智能体系统，覆盖了：

• ✅ 核心概念（大模型 vs 智能体，ReAct模式）
• ✅ 完整可运行代码（天气查询+穿衣建议）
• ✅ 生产级部署要点（记忆、安全、监控）

智能体的未来：从单智能体走向多智能体协作，从数字世界走向具身智能（控制机器人、望远镜等物理设备）。正如国家天文台部署的JW-ASTClaw系统，大模型驱动的智能体已开始接管科学级望远镜的自主控制。

现在，打开你的编辑器，从第一个工具开始尝试吧！如果遇到问题，欢迎在评论区交流讨论。🚀

---

参考代码仓库结构：

agent_project/
├── .env                 # API密钥
├── agent.py             # 主程序
├── tools/
│   ├── weather.py       # 天气工具
│   └── clothing.py      # 穿衣建议工具
└── memory/
    └── vector_store.py  # 向量数据库配置