最近在嘗試將AI能力集成到業務系統中時發現網上關于AI Agent的資料要么過于理論化要么就是零散的代碼片段缺乏一個從零到一、能直接用于企業級項目的完整實戰指南。很多開發者卡在環境配置、工具鏈選擇和工程化部署這些環節導致想法難以落地。本文旨在解決這個痛點為你提供一套手把手的AI Agent零基礎到企業級搭建的完整教程。我們將從一個最簡單的“天氣查詢Agent”開始逐步深入到能處理復雜任務、具備記憶和工具調用能力的智能體并最終探討企業級部署的架構與最佳實踐。無論你是想入門AI應用開發的學生還是需要在業務中集成智能體的工程師都能從本文中找到可復用的代碼和清晰的路徑。1. AI Agent核心概念從“工具人”到“智能執行者”在開始敲代碼之前我們必須先厘清一個核心問題AI Agent究竟是什么它和普通的AI模型調用有什么區別你可以把傳統的AI模型比如ChatGPT的API看作一個“超級大腦”它很博學能回答你的問題但它是被動的需要你不斷提問和引導。而AI Agent則是一個配備了“大腦”、“記憶”和“手腳”的自主智能體。大腦 (Brain)通常是一個大語言模型LLM負責理解任務、制定計劃、做出決策。記憶 (Memory)用于存儲對話歷史、執行結果和學到的知識讓Agent能進行多輪交互并擁有上下文感知能力。手腳 (Tools)這是Agent與外部世界交互的“手腳”。它可以調用搜索引擎查詢實時信息、執行代碼、操作數據庫、調用第三方API等。核心區別在于自主性。你只需要給Agent一個高級目標例如“幫我分析一下公司上季度的銷售數據并寫一份報告”Agent會自己拆解步驟1. 連接數據庫取數2. 調用數據分析工具3. 生成報告草稿4. 潤色報告并調用相應的工具去執行最后將結果返回給你。這個過程無需你一步步指導。當前主流的技術框架如 LangChain、LlamaIndex、AutoGen 以及 Dify、Coze 等平臺都是為了簡化構建這類智能體的過程而誕生的。本文將主要使用LangChain這一目前生態最豐富、最受開發者歡迎的框架進行演示因為它提供了最大的靈活性和控制權最適合學習原理和進行企業級定制。2. 環境準備打造你的智能體開發工作臺工欲善其事必先利其器。一個穩定、隔離的開發環境是第一步。我們強烈建議使用Conda或venv來創建獨立的Python環境避免包依賴沖突。2.1 基礎環境搭建首先確保你的系統已安裝 Python推薦 3.8 - 3.11 版本。然后通過以下命令創建并激活虛擬環境# 使用 conda conda create -n ai-agent-env python3.10 conda activate ai-agent-env # 或使用 venv python -m venv ai-agent-env # Windows ai-agent-env\Scripts\activate # Linux/Mac source ai-agent-env/bin/activate2.2 核心依賴安裝激活環境后安裝本教程所需的核心庫。我們將使用langchain作為核心框架openai作為默認的LLM你也可以替換為其他模型langchain-community包含社區貢獻的各種工具python-dotenv用于管理密鑰。pip install langchain langchain-openai langchain-community python-dotenv版本說明LangChain 生態迭代較快本文示例基于langchain0.1.0的較新版本編寫。如果遇到API變動請參考官方文檔進行微調。重點在于理解架構和思想而非死記硬背某行代碼。2.3 配置API密鑰為了調用OpenAI的模型你需要一個API Key。請妥善保管你的密鑰永遠不要將其提交到代碼倉庫。在項目根目錄創建一個名為.env的文件。在文件中填入你的密鑰# .env OPENAI_API_KEY你的-sk-xxx密鑰在Python代碼中使用dotenv加載它# config.py from dotenv import load_dotenv import os load_dotenv() # 加載 .env 文件中的環境變量 openai_api_key os.getenv(OPENAI_API_KEY)至此你的開發環境已經就緒。接下來讓我們從最簡單的Agent開始直觀感受其工作流程。3. 第一個AI Agent會查天氣的智能助手我們的目標是構建一個能理解用戶關于天氣的詢問并調用工具獲取真實天氣數據的Agent。3.1 設計思路與工具定義這個Agent需要兩個核心部件一個工具用于獲取天氣信息。這里我們用一個模擬函數代替真實的天氣API。一個Agent它理解用戶意圖決定何時以及如何調用天氣工具。首先我們定義一個“獲取天氣”的工具。在LangChain中工具可以通過函數輕松創建。# weather_agent.py from langchain.agents import tool from langchain_openai import ChatOpenAI from langchain.agents import create_react_agent, AgentExecutor from langchain import hub import json # 1. 定義一個工具獲取天氣 tool def get_weather(city: str) - str: 根據城市名稱獲取該城市的當前天氣情況。 Args: city: 城市名稱例如“北京”、“Shanghai”。 Returns: 該城市的天氣信息字符串。 # 這里模擬一個天氣API的返回結果。真實項目中應替換為調用如OpenWeatherMap的API。 weather_data { 北京: 晴氣溫 5~15°C西北風3級, 上海: 多云氣溫 10~18°C東南風2級, 廣州: 陣雨氣溫 20~25°C南風1級, } return weather_data.get(city, f抱歉未找到{city}的天氣信息。) # 將工具放入列表供Agent使用 tools [get_weather]3.2 構建并運行Agent接下來我們創建Agent。這里使用LangChain的create_react_agent方法它實現了“Reasoning Acting”的經典Agent模式即先思考Reason再行動Act。# weather_agent.py (續) # 2. 初始化大語言模型 llm ChatOpenAI(modelgpt-3.5-turbo, temperature0, openai_api_keyopenai_api_key) # 3. 獲取一個預設的提示詞模板。LangChain Hub上有很多優秀的模板。 prompt hub.pull(hwchase17/react) # 4. 創建Agent agent create_react_agent(llm, tools, prompt) # 5. 創建Agent執行器它負責運行Agent的循環思考-行動-觀察-再思考... agent_executor AgentExecutor(agentagent, toolstools, verboseTrue, handle_parsing_errorsTrue) # 6. 運行Agent if __name__ __main__: # 示例查詢 result agent_executor.invoke({input: 上海今天天氣怎么樣}) print(\n 最終回答 ) print(result[output]) # 更復雜的查詢 result2 agent_executor.invoke({input: 北京和廣州的天氣對比一下}) print(\n 最終回答 ) print(result2[output])3.3 運行與解析運行python weather_agent.py你會看到類似以下的詳細輸出verboseTrue開啟了思考過程 Entering new AgentExecutor chain... 我需要查詢上海和廣州的天氣來回答用戶的問題。我應該使用獲取天氣的工具。 Action: get_weather Action Input: {city: 上海} Observation: 多云氣溫 10~18°C東南風2級 Thought: 我已經得到了上海的天氣現在需要廣州的天氣。 Action: get_weather Action Input: {city: 廣州} Observation: 陣雨氣溫 20~25°C南風1級 Thought: 現在我有了兩個城市的天氣信息可以進行比較并給出最終答案。 Final Answer: 上海今天天氣是多云氣溫在10到18攝氏度之間有2級東南風。廣州則是陣雨天氣氣溫較高在20到25攝氏度之間有1級南風。總體來說廣州比上海更溫暖潮濕且有降雨。 Finished chain. 最終回答 上海今天天氣是多云氣溫在10到18攝氏度之間有2級東南風。廣州則是陣雨天氣氣溫較高在20到25攝氏度之間有1級南風。總體來說廣州比上海更溫暖潮濕且有降雨。發生了什么Agent接收到問題。它“思考”Thought需要調用get_weather工具。它執行“行動”Action調用工具并傳入參數上海。它“觀察”Observation到工具返回的結果。它根據觀察繼續思考下一步直到認為可以給出最終答案Final Answer。這個簡單的例子展示了Agent自主規劃決定查兩個城市、工具調用和結果整合的核心能力。你已經創建了第一個能真正“做事”的AI智能體4. 進階實戰構建具備記憶與多工具協作的智能體一個實用的Agent絕不能是“金魚腦”它需要記住對話歷史。同時它應該能靈活運用多種工具。讓我們構建一個更強大的“個人研究助理”Agent它能進行多輪對話并可以聯網搜索和計算。4.1 項目結構與依賴創建以下項目結構research_agent/ ├── .env ├── requirements.txt ├── main.py └── tools/ ├── __init__.py ├── search_tool.py └── calculator_tool.pyrequirements.txt新增依賴langchain langchain-openai langchain-community python-dotenv duckduckgo-search # 用于實現一個簡單的搜索工具4.2 實現多種工具我們創建兩個工具一個基于DuckDuckGo的搜索工具一個簡單的計算器工具。# tools/search_tool.py from langchain.tools import Tool from langchain_community.utilities import DuckDuckGoSearchAPIWrapper # 使用DuckDuckGo搜索包裝器 search_wrapper DuckDuckGoSearchAPIWrapper() def duckduckgo_search(query: str) - str: 使用DuckDuckGo進行網絡搜索。 return search_wrapper.run(query) # 將函數包裝成LangChain Tool search_tool Tool( nameWeb Search, funcduckduckgo_search, description當需要獲取最新的、實時的或未知領域的信息時使用此工具。輸入是一個搜索查詢字符串。 )# tools/calculator_tool.py from langchain.tools import Tool import re def simple_calculator(expression: str) - str: 執行簡單的數學計算。支持 , -, *, /, **, (). 例如: (3 5) * 2 # 安全警告在生產環境中直接使用eval是危險的應使用更安全的計算庫如ast.literal_eval限制操作。 # 此處為演示簡化處理。 try: # 簡單的輸入過濾 if not re.match(r^[\d\s\\-\*\/\(\)\.\*\*]$, expression): return 錯誤表達式包含不安全字符。 result eval(expression) return str(result) except Exception as e: return f計算錯誤{e} calculator_tool Tool( nameCalculator, funcsimple_calculator, description用于執行數學計算。輸入是一個數學表達式字符串如 (10 5) * 3。 )4.3 創建帶記憶的Agent記憶Memory是Agent實現多輪對話的關鍵。我們將使用ConversationBufferMemory。# main.py from dotenv import load_dotenv load_dotenv() from langchain_openai import ChatOpenAI from langchain.agents import create_react_agent, AgentExecutor from langchain.memory import ConversationBufferMemory from langchain import hub from tools.search_tool import search_tool from tools.calculator_tool import calculator_tool # 1. 初始化LLM llm ChatOpenAI(modelgpt-3.5-turbo, temperature0) # 2. 定義工具列表 tools [search_tool, calculator_tool] # 3. 創建對話記憶 memory ConversationBufferMemory(memory_keychat_history, return_messagesTrue) # 4. 獲取提示詞模板并定制化以支持記憶 prompt_template hub.pull(hwchase17/react) # 我們需要修改提示詞使其包含chat_history變量 from langchain.prompts import PromptTemplate prompt PromptTemplate.from_template( {prompt_template} 之前的對話歷史 {chat_history} 新問題{input} {agent_scratchpad} ).partial(prompt_templateprompt_template.template) # 5. 創建Agent agent create_react_agent(llm, tools, prompt) # 6. 創建執行器并傳入memory agent_executor AgentExecutor( agentagent, toolstools, memorymemory, verboseTrue, handle_parsing_errorsTrue, max_iterations5 # 防止Agent陷入無限循環 ) if __name__ __main__: queries [ LangChain是什么, 它主要有哪些核心模塊, 根據你剛才說的用計算器算一下如果學習LangChain需要看10篇文檔每篇平均花費30分鐘總時間是多少小時 ] for query in queries: print(f\n[用戶]: {query}) result agent_executor.invoke({input: query}) print(f[助手]: {result[output]}) print(- * 50)4.4 運行與效果分析運行python main.py。你會看到Agent在第一問時調用搜索工具獲取LangChain的定義在第二問時可能基于已有知識或繼續搜索回答在第三問時它能理解上下文“剛才說的”指的是LangChain并調用計算器工具完成(10 * 30) / 60的計算最終給出“5小時”的答案。這個進階案例的關鍵提升多工具協作Agent能根據問題自動選擇最合適的工具搜索信息用Web Search做算術用Calculator。對話記憶ConversationBufferMemory保存了完整的對話歷史使Agent具備了上下文理解能力能處理“根據你剛才說的”這類指代性問題。工程化結構將工具模塊化使代碼更清晰易于維護和擴展。5. 企業級考量架構、部署與最佳實踐將實驗性的Agent轉化為穩定、可靠、可擴展的企業級服務需要從架構設計、部署運維、安全合規等多個維度進行考量。5.1 企業級Agent系統架構一個典型的企業級AI Agent系統通常采用分層架構用戶界面層 (Web/App/API) | API網關層 (認證、限流、路由) | Agent服務層 (核心業務邏輯) / \ 工具執行層 記憶/知識庫層 (外部API、DB、代碼) (向量數據庫、緩存) | 模型服務層 (LLM API/本地模型)Agent服務層這是大腦負責編排工作流。它接收用戶請求調用LLM進行規劃決策管理工具調用順序并整合結果。可以考慮使用像LangGraphLangChain官方或Microsoft Autogen來構建更復雜、有狀態的工作流。工具執行層需要被嚴格管控。所有工具調用都應放在沙箱或受限環境中執行特別是涉及代碼執行 (PythonREPLTool)、數據庫寫操作、系統命令的工具。必須實施權限控制和輸入驗證。記憶/知識庫層對于企業應用簡單的對話緩沖記憶不夠。需要引入向量數據庫如Chroma, Weaviate, Pinecone用于存儲和檢索企業私有知識讓Agent擁有“長期記憶”和領域專業知識。緩存緩存頻繁使用的工具調用結果或LLM響應以降低成本和提高響應速度。模型服務層考慮混合云策略。敏感任務使用私有化部署的模型如通義千問、ChatGLM通用任務可調用云端API。需要實現模型的降級和熔斷機制。5.2 部署與運維實踐容器化使用Docker將Agent應用及其依賴打包。這保證了環境一致性便于在Kubernetes等平臺上進行編排和伸縮。# Dockerfile 示例 FROM python:3.10-slim WORKDIR /app COPY requirements.txt . RUN pip install --no-cache-dir -r requirements.txt COPY . . CMD [python, main.py]配置管理所有配置API密鑰、模型端點、工具參數必須通過環境變量或配置中心如Apollo、Nacos管理絕不能硬編碼在代碼中。日志與監控Agent的決策過程必須是可追溯的。結構化日志記錄每個用戶會話的完整鏈條輸入、Agent思考過程、工具調用參數和結果、最終輸出。這對于調試和審計至關重要。關鍵指標監控Token消耗量、工具調用延遲、錯誤率、用戶滿意度如果有點評機制。版本管理與回滾Agent的提示詞Prompt、工具集、工作流定義都應進行版本控制。當新版本出現問題時能快速回滾到穩定版本。5.3 安全與合規最佳實踐這是企業級應用的生命線。輸入/輸出過濾與審查Prompt注入防護對用戶輸入進行清洗防止其覆蓋系統指令。可以在Prompt中明確角色和邊界或使用專門的檢測模型。輸出內容安全對LLM生成的內容進行過濾防止生成有害、偏見或泄露敏感信息的文本。工具調用安全權限最小化每個工具只擁有完成其功能所需的最小權限。沙箱環境對于執行代碼、訪問文件系統的工具必須在安全的沙箱容器中運行。用戶確認對于高風險操作如發送郵件、刪除數據設計“人工確認”環節或設置嚴格的權限審批流程。數據隱私與合規數據脫敏傳入LLM的用戶數據、企業數據需進行脫敏處理。數據留存策略明確對話日志、記憶數據的存儲期限和清理策略符合GDPR等法規要求。使用合規模型確保所使用的LLM服務商符合企業所在地區的法律法規。6. 常見問題與排查指南在開發和使用AI Agent過程中你一定會遇到各種問題。下面是一些典型問題及其解決思路。問題現象可能原因排查步驟與解決方案Agent陷入循環不輸出結果1. 提示詞Prompt未明確停止條件。2. 工具描述不清Agent無法正確選擇或使用。3.max_iterations設置過高或未設置。1. 檢查Prompt確保有類似“Final Answer:”的明確結束指令。2. 優化工具的描述description確保準確清晰。3. 在AgentExecutor中設置合理的max_iterations如5-10。調用工具時參數解析錯誤1. LLM生成的工具調用參數格式不符合工具函數要求。2. 工具函數參數類型定義不匹配。1. 開啟verboseTrue查看Agent生成的原始Action Input。2. 確保工具函數的參數有明確的類型注解如city: str這能幫助LLM更好地生成參數。3. 在AgentExecutor中設置handle_parsing_errorsTrue讓Agent有機會重試。LLM響應慢或超時1. 網絡問題或LLM服務端延遲。2. Prompt過長或過于復雜。3. Agent單輪思考迭代次數太多。1. 檢查網絡考慮使用重試機制和設置合理的超時時間。2. 精簡Prompt移除不必要的上下文。3. 優化工具設計讓單個工具能完成更復雜的子任務減少迭代次數。記憶Memory不生效1. 未將memory對象傳遞給AgentExecutor。2. Prompt模板中未正確引用memory的key如{chat_history}。3. Memory類型選擇不當。1. 確認創建AgentExecutor時傳入了memorymemory參數。2. 檢查Prompt模板確保包含了用于插入歷史記錄的變量占位符并與memory的memory_key一致。3. 對于長對話考慮使用ConversationSummaryMemory或結合向量數據庫的 memory 來避免token超限。工具調用結果未被有效利用Agent在得到工具返回的觀察Observation后無法理解或正確整合信息。1. 優化工具的返回結果使其更結構化、簡潔、易于理解。2. 在Prompt中加強指導告訴Agent如何解讀工具返回的數據。7. 總結與學習路線通過本文你已經完成了從創建一個只會查天氣的簡單Agent到構建具備記憶和多工具協作的復雜Agent再到理解企業級部署核心要點的全過程。我們強調“先跑通再優化最后工程化”的學習路徑。你的AI Agent技能樹下一步可以這樣點亮深入框架精讀LangChain或AutoGen的官方文檔理解其更高級的特性如LangGraph用于構建有狀態工作流、Agent Toolkits獲取領域特定工具集。探索工具生態在langchain-community中探索數百種現成工具連接數據庫、操作Excel、發送郵件等并學習如何封裝自己的業務API為工具。集成知識庫學習使用LangChain的RetrievalQA或Vectorstore相關模塊將你的企業文檔、手冊接入Agent打造真正的“專家系統”。優化提示工程研究高級提示技巧如Chain-of-Thought, ReAct模式設計更穩定、高效的Prompt這是提升Agent性能性價比最高的方式。關注開源項目關注GitHub上優秀的Agent項目如crewAI,ChatDev學習其架構設計和工程實踐。考慮低代碼平臺對于快速原型驗證或非核心業務可以評估像Dify,Coze這樣的低代碼AI Agent平臺它們能極大降低開發門檻。AI Agent的開發是一場結合了軟件工程、提示詞藝術和對LLM能力理解的實踐。最大的陷阱是試圖一開始就設計一個“全能”的Agent。最好的方法是從解決一個明確的、細分的業務痛點開始讓你的第一個Agent快速產生價值然后在迭代中擴展其能力。記住可觀測性、安全性和可維護性是實驗室原型與生產級應用之間的分水嶺。現在就從你手頭的一個小任務開始動手構建你的第一個智能體吧。 AI Agent企業級實戰：從零搭建具備記憶與工具調用的智能體
最近在嘗試將AI能力集成到業務系統中時發現網上關于AI Agent的資料要么過于理論化要么就是零散的代碼片段缺乏一個從零到一、能直接用于企業級項目的完整實戰指南。很多開發者卡在環境配置、工具鏈選擇和工程化部署這些環節導致想法難以落地。本文旨在解決這個痛點為你提供一套手把手的AI Agent零基礎到企業級搭建的完整教程。我們將從一個最簡單的“天氣查詢Agent”開始逐步深入到能處理復雜任務、具備記憶和工具調用能力的智能體并最終探討企業級部署的架構與最佳實踐。無論你是想入門AI應用開發的學生還是需要在業務中集成智能體的工程師都能從本文中找到可復用的代碼和清晰的路徑。1. AI Agent核心概念從“工具人”到“智能執行者”在開始敲代碼之前我們必須先厘清一個核心問題AI Agent究竟是什么它和普通的AI模型調用有什么區別你可以把傳統的AI模型比如ChatGPT的API看作一個“超級大腦”它很博學能回答你的問題但它是被動的需要你不斷提問和引導。而AI Agent則是一個配備了“大腦”、“記憶”和“手腳”的自主智能體。大腦 (Brain)通常是一個大語言模型LLM負責理解任務、制定計劃、做出決策。記憶 (Memory)用于存儲對話歷史、執行結果和學到的知識讓Agent能進行多輪交互并擁有上下文感知能力。手腳 (Tools)這是Agent與外部世界交互的“手腳”。它可以調用搜索引擎查詢實時信息、執行代碼、操作數據庫、調用第三方API等。核心區別在于自主性。你只需要給Agent一個高級目標例如“幫我分析一下公司上季度的銷售數據并寫一份報告”Agent會自己拆解步驟1. 連接數據庫取數2. 調用數據分析工具3. 生成報告草稿4. 潤色報告并調用相應的工具去執行最后將結果返回給你。這個過程無需你一步步指導。當前主流的技術框架如 LangChain、LlamaIndex、AutoGen 以及 Dify、Coze 等平臺都是為了簡化構建這類智能體的過程而誕生的。本文將主要使用LangChain這一目前生態最豐富、最受開發者歡迎的框架進行演示因為它提供了最大的靈活性和控制權最適合學習原理和進行企業級定制。2. 環境準備打造你的智能體開發工作臺工欲善其事必先利其器。一個穩定、隔離的開發環境是第一步。我們強烈建議使用Conda或venv來創建獨立的Python環境避免包依賴沖突。2.1 基礎環境搭建首先確保你的系統已安裝 Python推薦 3.8 - 3.11 版本。然后通過以下命令創建并激活虛擬環境# 使用 conda conda create -n ai-agent-env python3.10 conda activate ai-agent-env # 或使用 venv python -m venv ai-agent-env # Windows ai-agent-env\Scripts\activate # Linux/Mac source ai-agent-env/bin/activate2.2 核心依賴安裝激活環境后安裝本教程所需的核心庫。我們將使用langchain作為核心框架openai作為默認的LLM你也可以替換為其他模型langchain-community包含社區貢獻的各種工具python-dotenv用于管理密鑰。pip install langchain langchain-openai langchain-community python-dotenv版本說明LangChain 生態迭代較快本文示例基于langchain0.1.0的較新版本編寫。如果遇到API變動請參考官方文檔進行微調。重點在于理解架構和思想而非死記硬背某行代碼。2.3 配置API密鑰為了調用OpenAI的模型你需要一個API Key。請妥善保管你的密鑰永遠不要將其提交到代碼倉庫。在項目根目錄創建一個名為.env的文件。在文件中填入你的密鑰# .env OPENAI_API_KEY你的-sk-xxx密鑰在Python代碼中使用dotenv加載它# config.py from dotenv import load_dotenv import os load_dotenv() # 加載 .env 文件中的環境變量 openai_api_key os.getenv(OPENAI_API_KEY)至此你的開發環境已經就緒。接下來讓我們從最簡單的Agent開始直觀感受其工作流程。3. 第一個AI Agent會查天氣的智能助手我們的目標是構建一個能理解用戶關于天氣的詢問并調用工具獲取真實天氣數據的Agent。3.1 設計思路與工具定義這個Agent需要兩個核心部件一個工具用于獲取天氣信息。這里我們用一個模擬函數代替真實的天氣API。一個Agent它理解用戶意圖決定何時以及如何調用天氣工具。首先我們定義一個“獲取天氣”的工具。在LangChain中工具可以通過函數輕松創建。# weather_agent.py from langchain.agents import tool from langchain_openai import ChatOpenAI from langchain.agents import create_react_agent, AgentExecutor from langchain import hub import json # 1. 定義一個工具獲取天氣 tool def get_weather(city: str) - str: 根據城市名稱獲取該城市的當前天氣情況。 Args: city: 城市名稱例如“北京”、“Shanghai”。 Returns: 該城市的天氣信息字符串。 # 這里模擬一個天氣API的返回結果。真實項目中應替換為調用如OpenWeatherMap的API。 weather_data { 北京: 晴氣溫 5~15°C西北風3級, 上海: 多云氣溫 10~18°C東南風2級, 廣州: 陣雨氣溫 20~25°C南風1級, } return weather_data.get(city, f抱歉未找到{city}的天氣信息。) # 將工具放入列表供Agent使用 tools [get_weather]3.2 構建并運行Agent接下來我們創建Agent。這里使用LangChain的create_react_agent方法它實現了“Reasoning Acting”的經典Agent模式即先思考Reason再行動Act。# weather_agent.py (續) # 2. 初始化大語言模型 llm ChatOpenAI(modelgpt-3.5-turbo, temperature0, openai_api_keyopenai_api_key) # 3. 獲取一個預設的提示詞模板。LangChain Hub上有很多優秀的模板。 prompt hub.pull(hwchase17/react) # 4. 創建Agent agent create_react_agent(llm, tools, prompt) # 5. 創建Agent執行器它負責運行Agent的循環思考-行動-觀察-再思考... agent_executor AgentExecutor(agentagent, toolstools, verboseTrue, handle_parsing_errorsTrue) # 6. 運行Agent if __name__ __main__: # 示例查詢 result agent_executor.invoke({input: 上海今天天氣怎么樣}) print(\n 最終回答 ) print(result[output]) # 更復雜的查詢 result2 agent_executor.invoke({input: 北京和廣州的天氣對比一下}) print(\n 最終回答 ) print(result2[output])3.3 運行與解析運行python weather_agent.py你會看到類似以下的詳細輸出verboseTrue開啟了思考過程 Entering new AgentExecutor chain... 我需要查詢上海和廣州的天氣來回答用戶的問題。我應該使用獲取天氣的工具。 Action: get_weather Action Input: {city: 上海} Observation: 多云氣溫 10~18°C東南風2級 Thought: 我已經得到了上海的天氣現在需要廣州的天氣。 Action: get_weather Action Input: {city: 廣州} Observation: 陣雨氣溫 20~25°C南風1級 Thought: 現在我有了兩個城市的天氣信息可以進行比較并給出最終答案。 Final Answer: 上海今天天氣是多云氣溫在10到18攝氏度之間有2級東南風。廣州則是陣雨天氣氣溫較高在20到25攝氏度之間有1級南風。總體來說廣州比上海更溫暖潮濕且有降雨。 Finished chain. 最終回答 上海今天天氣是多云氣溫在10到18攝氏度之間有2級東南風。廣州則是陣雨天氣氣溫較高在20到25攝氏度之間有1級南風。總體來說廣州比上海更溫暖潮濕且有降雨。發生了什么Agent接收到問題。它“思考”Thought需要調用get_weather工具。它執行“行動”Action調用工具并傳入參數上海。它“觀察”Observation到工具返回的結果。它根據觀察繼續思考下一步直到認為可以給出最終答案Final Answer。這個簡單的例子展示了Agent自主規劃決定查兩個城市、工具調用和結果整合的核心能力。你已經創建了第一個能真正“做事”的AI智能體4. 進階實戰構建具備記憶與多工具協作的智能體一個實用的Agent絕不能是“金魚腦”它需要記住對話歷史。同時它應該能靈活運用多種工具。讓我們構建一個更強大的“個人研究助理”Agent它能進行多輪對話并可以聯網搜索和計算。4.1 項目結構與依賴創建以下項目結構research_agent/ ├── .env ├── requirements.txt ├── main.py └── tools/ ├── __init__.py ├── search_tool.py └── calculator_tool.pyrequirements.txt新增依賴langchain langchain-openai langchain-community python-dotenv duckduckgo-search # 用于實現一個簡單的搜索工具4.2 實現多種工具我們創建兩個工具一個基于DuckDuckGo的搜索工具一個簡單的計算器工具。# tools/search_tool.py from langchain.tools import Tool from langchain_community.utilities import DuckDuckGoSearchAPIWrapper # 使用DuckDuckGo搜索包裝器 search_wrapper DuckDuckGoSearchAPIWrapper() def duckduckgo_search(query: str) - str: 使用DuckDuckGo進行網絡搜索。 return search_wrapper.run(query) # 將函數包裝成LangChain Tool search_tool Tool( nameWeb Search, funcduckduckgo_search, description當需要獲取最新的、實時的或未知領域的信息時使用此工具。輸入是一個搜索查詢字符串。 )# tools/calculator_tool.py from langchain.tools import Tool import re def simple_calculator(expression: str) - str: 執行簡單的數學計算。支持 , -, *, /, **, (). 例如: (3 5) * 2 # 安全警告在生產環境中直接使用eval是危險的應使用更安全的計算庫如ast.literal_eval限制操作。 # 此處為演示簡化處理。 try: # 簡單的輸入過濾 if not re.match(r^[\d\s\\-\*\/\(\)\.\*\*]$, expression): return 錯誤表達式包含不安全字符。 result eval(expression) return str(result) except Exception as e: return f計算錯誤{e} calculator_tool Tool( nameCalculator, funcsimple_calculator, description用于執行數學計算。輸入是一個數學表達式字符串如 (10 5) * 3。 )4.3 創建帶記憶的Agent記憶Memory是Agent實現多輪對話的關鍵。我們將使用ConversationBufferMemory。# main.py from dotenv import load_dotenv load_dotenv() from langchain_openai import ChatOpenAI from langchain.agents import create_react_agent, AgentExecutor from langchain.memory import ConversationBufferMemory from langchain import hub from tools.search_tool import search_tool from tools.calculator_tool import calculator_tool # 1. 初始化LLM llm ChatOpenAI(modelgpt-3.5-turbo, temperature0) # 2. 定義工具列表 tools [search_tool, calculator_tool] # 3. 創建對話記憶 memory ConversationBufferMemory(memory_keychat_history, return_messagesTrue) # 4. 獲取提示詞模板并定制化以支持記憶 prompt_template hub.pull(hwchase17/react) # 我們需要修改提示詞使其包含chat_history變量 from langchain.prompts import PromptTemplate prompt PromptTemplate.from_template( {prompt_template} 之前的對話歷史 {chat_history} 新問題{input} {agent_scratchpad} ).partial(prompt_templateprompt_template.template) # 5. 創建Agent agent create_react_agent(llm, tools, prompt) # 6. 創建執行器并傳入memory agent_executor AgentExecutor( agentagent, toolstools, memorymemory, verboseTrue, handle_parsing_errorsTrue, max_iterations5 # 防止Agent陷入無限循環 ) if __name__ __main__: queries [ LangChain是什么, 它主要有哪些核心模塊, 根據你剛才說的用計算器算一下如果學習LangChain需要看10篇文檔每篇平均花費30分鐘總時間是多少小時 ] for query in queries: print(f\n[用戶]: {query}) result agent_executor.invoke({input: query}) print(f[助手]: {result[output]}) print(- * 50)4.4 運行與效果分析運行python main.py。你會看到Agent在第一問時調用搜索工具獲取LangChain的定義在第二問時可能基于已有知識或繼續搜索回答在第三問時它能理解上下文“剛才說的”指的是LangChain并調用計算器工具完成(10 * 30) / 60的計算最終給出“5小時”的答案。這個進階案例的關鍵提升多工具協作Agent能根據問題自動選擇最合適的工具搜索信息用Web Search做算術用Calculator。對話記憶ConversationBufferMemory保存了完整的對話歷史使Agent具備了上下文理解能力能處理“根據你剛才說的”這類指代性問題。工程化結構將工具模塊化使代碼更清晰易于維護和擴展。5. 企業級考量架構、部署與最佳實踐將實驗性的Agent轉化為穩定、可靠、可擴展的企業級服務需要從架構設計、部署運維、安全合規等多個維度進行考量。5.1 企業級Agent系統架構一個典型的企業級AI Agent系統通常采用分層架構用戶界面層 (Web/App/API) | API網關層 (認證、限流、路由) | Agent服務層 (核心業務邏輯) / \ 工具執行層 記憶/知識庫層 (外部API、DB、代碼) (向量數據庫、緩存) | 模型服務層 (LLM API/本地模型)Agent服務層這是大腦負責編排工作流。它接收用戶請求調用LLM進行規劃決策管理工具調用順序并整合結果。可以考慮使用像LangGraphLangChain官方或Microsoft Autogen來構建更復雜、有狀態的工作流。工具執行層需要被嚴格管控。所有工具調用都應放在沙箱或受限環境中執行特別是涉及代碼執行 (PythonREPLTool)、數據庫寫操作、系統命令的工具。必須實施權限控制和輸入驗證。記憶/知識庫層對于企業應用簡單的對話緩沖記憶不夠。需要引入向量數據庫如Chroma, Weaviate, Pinecone用于存儲和檢索企業私有知識讓Agent擁有“長期記憶”和領域專業知識。緩存緩存頻繁使用的工具調用結果或LLM響應以降低成本和提高響應速度。模型服務層考慮混合云策略。敏感任務使用私有化部署的模型如通義千問、ChatGLM通用任務可調用云端API。需要實現模型的降級和熔斷機制。5.2 部署與運維實踐容器化使用Docker將Agent應用及其依賴打包。這保證了環境一致性便于在Kubernetes等平臺上進行編排和伸縮。# Dockerfile 示例 FROM python:3.10-slim WORKDIR /app COPY requirements.txt . RUN pip install --no-cache-dir -r requirements.txt COPY . . CMD [python, main.py]配置管理所有配置API密鑰、模型端點、工具參數必須通過環境變量或配置中心如Apollo、Nacos管理絕不能硬編碼在代碼中。日志與監控Agent的決策過程必須是可追溯的。結構化日志記錄每個用戶會話的完整鏈條輸入、Agent思考過程、工具調用參數和結果、最終輸出。這對于調試和審計至關重要。關鍵指標監控Token消耗量、工具調用延遲、錯誤率、用戶滿意度如果有點評機制。版本管理與回滾Agent的提示詞Prompt、工具集、工作流定義都應進行版本控制。當新版本出現問題時能快速回滾到穩定版本。5.3 安全與合規最佳實踐這是企業級應用的生命線。輸入/輸出過濾與審查Prompt注入防護對用戶輸入進行清洗防止其覆蓋系統指令。可以在Prompt中明確角色和邊界或使用專門的檢測模型。輸出內容安全對LLM生成的內容進行過濾防止生成有害、偏見或泄露敏感信息的文本。工具調用安全權限最小化每個工具只擁有完成其功能所需的最小權限。沙箱環境對于執行代碼、訪問文件系統的工具必須在安全的沙箱容器中運行。用戶確認對于高風險操作如發送郵件、刪除數據設計“人工確認”環節或設置嚴格的權限審批流程。數據隱私與合規數據脫敏傳入LLM的用戶數據、企業數據需進行脫敏處理。數據留存策略明確對話日志、記憶數據的存儲期限和清理策略符合GDPR等法規要求。使用合規模型確保所使用的LLM服務商符合企業所在地區的法律法規。6. 常見問題與排查指南在開發和使用AI Agent過程中你一定會遇到各種問題。下面是一些典型問題及其解決思路。問題現象可能原因排查步驟與解決方案Agent陷入循環不輸出結果1. 提示詞Prompt未明確停止條件。2. 工具描述不清Agent無法正確選擇或使用。3.max_iterations設置過高或未設置。1. 檢查Prompt確保有類似“Final Answer:”的明確結束指令。2. 優化工具的描述description確保準確清晰。3. 在AgentExecutor中設置合理的max_iterations如5-10。調用工具時參數解析錯誤1. LLM生成的工具調用參數格式不符合工具函數要求。2. 工具函數參數類型定義不匹配。1. 開啟verboseTrue查看Agent生成的原始Action Input。2. 確保工具函數的參數有明確的類型注解如city: str這能幫助LLM更好地生成參數。3. 在AgentExecutor中設置handle_parsing_errorsTrue讓Agent有機會重試。LLM響應慢或超時1. 網絡問題或LLM服務端延遲。2. Prompt過長或過于復雜。3. Agent單輪思考迭代次數太多。1. 檢查網絡考慮使用重試機制和設置合理的超時時間。2. 精簡Prompt移除不必要的上下文。3. 優化工具設計讓單個工具能完成更復雜的子任務減少迭代次數。記憶Memory不生效1. 未將memory對象傳遞給AgentExecutor。2. Prompt模板中未正確引用memory的key如{chat_history}。3. Memory類型選擇不當。1. 確認創建AgentExecutor時傳入了memorymemory參數。2. 檢查Prompt模板確保包含了用于插入歷史記錄的變量占位符并與memory的memory_key一致。3. 對于長對話考慮使用ConversationSummaryMemory或結合向量數據庫的 memory 來避免token超限。工具調用結果未被有效利用Agent在得到工具返回的觀察Observation后無法理解或正確整合信息。1. 優化工具的返回結果使其更結構化、簡潔、易于理解。2. 在Prompt中加強指導告訴Agent如何解讀工具返回的數據。7. 總結與學習路線通過本文你已經完成了從創建一個只會查天氣的簡單Agent到構建具備記憶和多工具協作的復雜Agent再到理解企業級部署核心要點的全過程。我們強調“先跑通再優化最后工程化”的學習路徑。你的AI Agent技能樹下一步可以這樣點亮深入框架精讀LangChain或AutoGen的官方文檔理解其更高級的特性如LangGraph用于構建有狀態工作流、Agent Toolkits獲取領域特定工具集。探索工具生態在langchain-community中探索數百種現成工具連接數據庫、操作Excel、發送郵件等并學習如何封裝自己的業務API為工具。集成知識庫學習使用LangChain的RetrievalQA或Vectorstore相關模塊將你的企業文檔、手冊接入Agent打造真正的“專家系統”。優化提示工程研究高級提示技巧如Chain-of-Thought, ReAct模式設計更穩定、高效的Prompt這是提升Agent性能性價比最高的方式。關注開源項目關注GitHub上優秀的Agent項目如crewAI,ChatDev學習其架構設計和工程實踐。考慮低代碼平臺對于快速原型驗證或非核心業務可以評估像Dify,Coze這樣的低代碼AI Agent平臺它們能極大降低開發門檻。AI Agent的開發是一場結合了軟件工程、提示詞藝術和對LLM能力理解的實踐。最大的陷阱是試圖一開始就設計一個“全能”的Agent。最好的方法是從解決一個明確的、細分的業務痛點開始讓你的第一個Agent快速產生價值然后在迭代中擴展其能力。記住可觀測性、安全性和可維護性是實驗室原型與生產級應用之間的分水嶺。現在就從你手頭的一個小任務開始動手構建你的第一個智能體吧。