生活, 其他记录

使用LangChain框架搭建入门智能体

发布时间：

最近修改时间：2025年11月2日

本篇使用 LangChain 框架实现几个简单的入门智能体。这里以阿里云百炼的通义千问 API 为例（API 需要付费）。

安装软件包：

pip install langchain langchain-openai
pip install langchain-community
pip install python-dotenv

在文件夹中新建 .env 文件，输入以下内容（API KEY 需要到阿里云百炼获取）：

OPENAI_API_KEY=xxx
DASHSCOPE_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
目录 隐藏
一、简单对话智能体
二、带有记忆的智能体
三、使用工具的智能体

一、简单对话智能体

在同一个文件夹中，新建 langchain_example.py 文件，内容为：

import langchain_openai
from langchain_core.prompts import ChatPromptTemplate
import dotenv
import os

# 加载环境变量（包含API密钥）
dotenv.load_dotenv()

# 创建聊天模型
llm = langchain_openai.ChatOpenAI(
    api_key=os.getenv("OPENAI_API_KEY"),  # 从环境变量获取 API 密钥
    base_url=os.getenv("DASHSCOPE_BASE_URL"),  # 指定 API 端点
    model="qwen-plus",  # 这里使用通义千问 Plus 模型
    temperature=0.7,  # 控制回复的随机性（0-1，越高越有创意）
    streaming=True,  # 启用流式模式
)

# 创建简单的提示词模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个友好的聊天助手。"),  # 系统角色设定
    ("human", "{question}")   # 用户输入占位符
])

# 创建处理链
chain = prompt | llm  # 使用管道操作符连接组件

# 使用 stream() 实现流式输出
for chunk in chain.stream({"question": "你好"}):
    print(chunk.content, end="", flush=True)
print()  # 换行

# # 非流式输出
# response = chain.invoke({"question": "你好"})
# print(response.content)

运行结果：

你好呀！✨ 很高兴见到你～今天过得怎么样呀？希望你度过了愉快的一天。我随时准备好陪你聊天、帮你解决 问题，或者就这样轻松愉快地闲聊一会儿。有什么想跟 我分享的吗？ 🌟

二、带有记忆的智能体

在同一个文件夹中，新建 langchain_example_with_memory.py 文件，内容为：

import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.runnables.history import RunnableWithMessageHistory
from langchain_community.chat_message_histories import ChatMessageHistory

# 加载 .env 中的 API 密钥等配置
load_dotenv()

# 初始化大模型
llm = ChatOpenAI(
    api_key=os.getenv("OPENAI_API_KEY"),
    base_url=os.getenv("DASHSCOPE_BASE_URL"),
    model="qwen-plus",
    temperature=0.7
)

# 定义带历史记录的提示模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个乐于助人的助手。"),
    MessagesPlaceholder("history"),  # 历史消息占位符
    ("human", "{input}")            # 当前用户输入
])

# 创建基础链
chain = prompt | llm

# 内存存储：用字典模拟会话历史（仅用于演示）
store = {}

def get_session_history(session_id: str):
    if session_id not in store:
        store[session_id] = ChatMessageHistory()
    return store[session_id]

# 包装成带记忆的链
chatbot = RunnableWithMessageHistory(
    chain,
    get_session_history,
    input_messages_key="input",
    history_messages_key="history",
)

def chat_with_agent(input_message, session_id):
    print(f"用户: {input_message}")
    print("助手: ", end="", flush=True)
    for chunk in chatbot.stream(
        {"input": input_message},
        config={"configurable": {"session_id": session_id}}  # 多轮对话（使用同一个 session_id）
    ):
        print(chunk.content, end="", flush=True)
    print("\n\n---\n")

chat_with_agent(input_message='一句话解释下人工智能。', session_id="user_001") 

chat_with_agent(input_message='我们都聊了什么？', session_id="user_001") 

chat_with_agent(input_message='我们都聊了什么？', session_id="user_002") 

chat_with_agent(input_message='我们都聊了什么？', session_id="user_001")

运行结果：

用户: 一句话解释下人工智能。
助手: 人工智能是让机器模拟人类智能行为的技术，比如学习、推理、识别和决策等。

---

用户: 我们都聊了什么？
助手: 我们目前只聊了两个话题：

1. 你让我用一句话解释人工智能，我回答：人工智能是让机器模拟 人类智能行为的技术，比如学习、推理、识别和决策等。

2. 接着你问我“我们都聊了什么？”，我现在正在回答这个问题。

对话内容很简单，仅此而已。

---

用户: 我们都聊了什么？
助手: 你好！我理解你可能想回顾之前的对话，但需要说明的是，我无法记住或查看我们之前的具体聊天内容。每次对话都是独立的，以保护用户的隐私和数据安全。

不过，我很乐意继续和你聊任何你想讨论的话题！你可以告诉我我们之前聊了什么，或者直接开启一个新话题，我会尽力帮助你。😊

我们可以聊聊：
- 你感兴趣的知识或问题
- 生活、工作、学习中的困惑
- 最近的新闻或科技进展
- 或者任何让你好奇的事情

你想聊什么呢？

---

用户: 我们都聊了什么？
助手: 我们目前的对话内容如下：

1. 你让我“一句话解释下人工智能”，我回答：人工智能是让机器模 拟人类智能行为的技术，比如学习、推理、识别和决策等。

2. 你接着问“我们都聊了什么？”，我上一次已经帮你回顾了这段简 短的对话。

现在是你第二次问“我们都聊了什么？”，所以我再次为你总结——目前为止，我们的全部对话就包含这两个问题和我的两次回答。

---

三、使用工具的智能体

在同一个文件夹中，新建 langchain_example_with_tool.py 文件，内容为：

import os
import dotenv
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.tools import tool
from langchain.agents import create_openai_tools_agent, AgentExecutor

# 加载环境变量
dotenv.load_dotenv()

# 定义工具（Tool）
@tool
def get_current_time() -> str:
    """获取当前日期和时间"""
    from datetime import datetime
    return datetime.now().strftime("%Y-%m-%d %H:%M:%S")

@tool
def add_numbers(a: float, b: float) -> float:
    """将两个数字相加"""
    return a + b

# 注意：你可以添加更多工具，比如天气查询、网络搜索等

tools = [get_current_time, add_numbers]

# 创建 LLM（必须支持 function calling）
llm = ChatOpenAI(
    api_key=os.getenv("OPENAI_API_KEY"),
    base_url=os.getenv("DASHSCOPE_BASE_URL"),
    model="qwen-plus",
    temperature=0.7,
    streaming=True,
)

# 构建提示模板（LangChain 会自动注入工具信息）
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个智能助手，可以使用工具来回答问题。"),
    ("human", "{input_message}"),
    ("placeholder", "{agent_scratchpad}"),  # 必须包含这个占位符
])

# 创建 OpenAI 工具型智能体（兼容 function calling）
agent = create_openai_tools_agent(llm, tools, prompt)

# 创建执行器
agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    verbose=True,  # 打印中间步骤（可选）
    handle_parsing_errors=True,
)

# 非流式调用（AgentExecutor 目前对流式支持有限，尤其在工具调用场景）
response = agent_executor.invoke({"input_message": "现在几点了？然后把 123 和 456 加起来。"})
print('\n---\n')
print(response["output"])

运行结果：


> Entering new AgentExecutor chain...

Invoking: `get_current_time` with `{}`


2025-11-02 04:03:10
Invoking: `add_numbers` with `{'a': 123, 'b': 456}`


579.0现在是2025年11月2日04:03:10，123和456相加的结果是579。

> Finished chain.

---

现在是2025年11月2日04:03:10，123和456相加的结果是579。

2 次浏览

【说明：本站主要是个人的一些笔记和代码分享，内容可能会不定期修改。为了使全网显示的始终是最新版本，这里的文章未经同意请勿转载。引用请注明出处：https://www.guanjihuan.com】

头像

Published by guanjihuan

发表评论

您的邮箱地址不会被公开。 必填项已用 * 标注

Captcha Code