LangChain实战：如何用Python快速搭建你的第一个AI智能体（附完整代码）

LangChain实战用Python构建你的第一个AI智能体在当今技术浪潮中AI智能体正从实验室走向实际应用。不同于传统脚本或单一功能模型智能体具备感知环境、自主决策和执行任务的能力。本文将带你从零开始使用Python和LangChain框架构建一个能理解、思考并行动的AI智能体。1. 环境准备与基础配置构建AI智能体的第一步是搭建开发环境。我们推荐使用Python 3.8版本这是大多数AI框架的最佳兼容版本。核心依赖安装pip install langchain openai python-dotenv提示建议使用虚拟环境隔离项目依赖避免版本冲突配置OpenAI API密钥或其他LLM服务商密钥创建.env文件添加你的API密钥OPENAI_API_KEY你的实际密钥验证环境是否正常工作from dotenv import load_dotenv import os load_dotenv() print(API密钥已加载:, bool(os.getenv(OPENAI_API_KEY)))2. LangChain核心组件解析LangChain框架由多个模块化组件构成理解这些组件是构建智能体的关键。2.1 LLM接口抽象LangChain通过统一接口支持多种大语言模型from langchain.llms import OpenAI llm OpenAI(temperature0.7) response llm(请用一句话解释量子计算) print(response)参数说明temperature控制输出的随机性0-1max_tokens限制生成内容的最大长度2.2 工具集成机制智能体的强大之处在于能调用外部工具。以下是创建自定义工具的示例from langchain.tools import tool tool def get_weather(city: str) - str: 获取指定城市的天气信息 # 这里应该是实际的API调用 return f{city}的天气晴25℃ weather_tool get_weather print(weather_tool.run(北京))2.3 记忆管理模块智能体需要记忆上下文才能进行连贯对话from langchain.memory import ConversationBufferMemory memory ConversationBufferMemory() memory.save_context({input: 你好}, {output: 你好我是AI助手}) print(memory.load_memory_variables({}))3. 构建完整智能体系统现在我们将各组件组合成完整的智能体。3.1 初始化智能体from langchain.agents import initialize_agent, AgentType tools [get_weather] agent initialize_agent( tools, llm, agentAgentType.CHAT_CONVERSATIONAL_REACT_DESCRIPTION, memorymemory, verboseTrue )3.2 与智能体交互response agent.run(北京今天天气怎么样) print(response) response agent.run(那上海呢) # 智能体会记住之前的对话 print(response)执行流程解析智能体接收用户输入判断是否需要调用工具整合工具结果和记忆生成回复更新对话历史4. 进阶功能与优化技巧4.1 多工具协同工作创建第二个工具并更新智能体tool def get_stock_price(symbol: str) - str: 获取股票当前价格 return f{symbol}当前价格$150.75 tools [get_weather, get_stock_price] agent initialize_agent(tools, llm, agentAgentType.CHAT_CONVERSATIONAL_REACT_DESCRIPTION, memorymemory) print(agent.run(苹果公司的股价是多少))4.2 错误处理机制智能体需要妥善处理工具调用失败的情况tool def buggy_tool() - str: 总会抛出异常的工具 raise ValueError(模拟工具故障) try: agent.run(使用故障工具) except Exception as e: print(f智能体处理错误{e})4.3 性能优化建议批处理请求from langchain.chains import LLMChain from langchain.prompts import PromptTemplate prompt PromptTemplate.from_template({product}的优缺点是什么) chain LLMChain(llmllm, promptprompt) products [智能手机, 电动汽车, 智能家居] for product in products: print(chain.run(productproduct))缓存机制from langchain.cache import InMemoryCache from langchain.globals import set_llm_cache set_llm_cache(InMemoryCache()) # 启用内存缓存5. 实战项目智能客服助手让我们构建一个能处理多种请求的客服智能体# 定义客服专用工具 tool def check_order_status(order_id: str) - str: 查询订单状态 return f订单{order_id}状态已发货 tool def refund_request(order_id: str) - str: 处理退款请求 return f已为订单{order_id}发起退款流程 # 初始化客服智能体 customer_service_tools [check_order_status, refund_request, get_weather] cs_agent initialize_agent( customer_service_tools, llm, agentAgentType.CHAT_CONVERSATIONAL_REACT_DESCRIPTION, memoryConversationBufferMemory(), verboseTrue ) # 模拟对话 queries [ 我的订单12345状态如何, 我想申请退款, 顺便问下北京天气怎么样 ] for query in queries: print(f用户: {query}) print(f客服: {cs_agent.run(query)}\n)这个智能体可以同时处理订单查询、退款请求和天气咨询展示了复合智能体的核心能力。在实际项目中你可以继续扩展工具集集成数据库访问、支付系统API等更多功能。