base

代理基础模块 (Agents Base)

agents 模块是 LangChain 中实现“代理”模式的核心。代理不遵循预定义的调用序列（如 Chain），而是利用大语言模型（LLM）作为推理引擎，根据任务需求动态决定调用哪些工具（Tools）以及调用的顺序。

注意：LangChain 官方已将传统的代理实现标记为过时（Deprecated），建议在新项目中使用 LangGraph 或 LCEL 构建代理。

核心类

1. BaseSingleActionAgent (单步操作代理基类)

这是所有返回单个操作（AgentAction）或结束（AgentFinish）的代理的抽象基类。

核心方法：

• plan(intermediate_steps, callbacks, **kwargs): 根据历史步骤和当前输入决定下一步。
  • intermediate_steps: 包含之前执行的操作及其观察结果（Observation）的列表。
  • 返回：AgentAction（执行工具）或 AgentFinish（返回最终答案）。
• aplan(...): plan 方法的异步版本。

2. BaseMultiActionAgent (多步操作代理基类)

与单步代理类似，但允许在一步中返回多个操作（例如同时并行调用多个工具）。

3. AgentExecutor (代理执行器)

AgentExecutor 是代理的运行时环境。它负责循环调用代理的 plan 方法，执行选定的工具，获取观察结果，并将其反馈给代理，直到代理返回 AgentFinish。

核心参数：

• agent: 具体的代理对象（如 ZeroShotAgent 或 RunnableAgent）。
• tools: 代理可以使用的工具列表。
• max_iterations: 最大迭代次数，防止无限循环（默认 15）。
• early_stopping_method: 达到最大迭代次数时的停止策略（force 直接返回，generate 尝试生成最终答案）。
• handle_parsing_errors: 是否处理输出解析错误。如果为 True，解析错误将作为观察结果传回给 LLM。

4. RunnableAgent (Runnable 驱动的代理)

现代 LangChain 中推荐的代理包装方式，它允许将任何 Runnable 对象（通常是 LCEL 链）包装成代理。

---

辅助功能

1. initialize_agent (初始化代理 - 已过时)

这是一个便捷函数，用于根据给定的工具、LLM 和代理类型快速创建 AgentExecutor。

2. AgentType (代理类型枚举)

定义了 LangChain 支持的经典代理类型：

• ZERO_SHOT_REACT_DESCRIPTION: 经典的 ReAct 代理，根据工具描述决定使用哪个工具。
• CHAT_CONVERSATIONAL_REACT_DESCRIPTION: 专门为聊天模型优化的对话代理。
• STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION: 能够调用具有多个输入参数的复杂工具。
• OPENAI_FUNCTIONS: 利用 OpenAI 函数调用功能的专用代理。

---

代码示例

使用 AgentExecutor 和 RunnableAgent (推荐用法)

from langchain_openai import ChatOpenAI
from langchain.agents import AgentExecutor, create_openai_functions_agent
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.tools import tool

# 1. 定义工具
@tool
def get_weather(city: str) -> str:
    """获取指定城市的当前天气。"""
    return f"{city} 的天气是晴天，25度。"

tools = [get_weather]

# 2. 定义 Prompt
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个有用的助手。"),
    ("human", "{input}"),
    ("placeholder", "{agent_scratchpad}"),
])

# 3. 创建代理
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)
agent = create_openai_functions_agent(llm, tools, prompt)

# 4. 创建执行器
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# 5. 运行
response = agent_executor.invoke({"input": "北京天气怎么样？"})
print(response["output"])