引言

  你是否想过，如何让一个AI不仅能和你聊天，还能主动帮你计算、分析数据、甚至编写代码？这就引出了AI Agent的概念。如果说大语言模型是一个聪明但只会动嘴的“大脑”，那么Agent就是给它装上了“手”和“脚”。通过为模型配备各种工具，Agent能够自主地思考、规划、并调用工具来执行任务，从而解决更复杂的问题。从简单的字数统计，到复杂的数学运算，再到数据分析，Agent都能轻松应对。

一、初识Agent：打造你的第一个自定义工具

  Agent的核心是“工具”。我们可以通过继承BaseTool类，为AI创建一个它原本不具备的能力。比如，让AI学会计算文本字数。

  我们要使用LangChain框架构建一个具备记忆功能的结构化聊天智能体，具体步骤包括：首先导入必要的LangChain模块，并基于阿里云百炼平台的qwen-plus模型配置了一个对话模型；接着自定义了一个继承自BaseTool的类，其核心功能是返回输入文本的字符长度；然后将该工具放入工具列表，并从Hub拉取预定义的提示模板用于引导智能体行为；再通过create_structured_chat_agent将模型、工具和提示组合成智能体，同时添加ConversationBufferMemory以维持对话历史；最后创建AgentExecutor执行器并传入智能体、工具、记忆等参数，最后通过invoke方法测试智能体对问题的响应。

# 导入必要的库
from langchain import hub
from langchain.agents import create_structured_chat_agent, AgentExecutor
from langchain.memory import ConversationBufferMemory
from langchain.schema import HumanMessage
from langchain.tools import BaseTool
from langchain_openai import ChatOpenAI

# 定义我们的模型（这里使用阿里的qwen-plus）
model = ChatOpenAI(model="qwen-plus",
                 openai_api_key="你的API密钥",
                 openai_api_base="https://dashscope.aliyuncs.com/compatible-mode/v1",
                 temperature=0)

# 1. 定义自定义工具
class TextLengthTool(BaseTool):
    name = "文本字数计算工具"  # 工具的名称
    description = "当你被要求计算文本的字数时，使用此工具"  # 工具的描述，AI会根据描述决定何时使用

    def _run(self, text):
        return len(text)  # 核心功能：返回输入文本的长度

# 2. 将工具放入工具列表
tools = [TextLengthTool()]

# 3. 获取一个预定义的提示词模板
prompt = hub.pull("hwchase17/structured-chat-agent")

# 4. 创建Agent
agent = create_structured_chat_agent(
    llm=model,
    tools=tools,
    prompt=prompt
)

# 5. 添加记忆
memory = ConversationBufferMemory(
        memory_key='chat_history',
        return_messages=True
)

# 6. 创建Agent执行器，负责运行Agent
agent_executor = AgentExecutor.from_agent_and_tools(
    agent=agent, tools=tools, memory=memory, verbose=True, handle_parsing_errors=True
)

# 7. 测试我们的Agent
response = agent_executor.invoke({"input": "'我是一个非常聪明的人工智能助手'，这句话的字数是多少？"})
print(response)

  其中：

  BaseTool是创建工具的基础。name和description至关重要，它们让AI知道这个工具是干什么的，以及什么时候该用它。

  create_structured_chat_agent创建了一个结构化的对话Agent，它会根据提示词生成JSON格式的动作。

  AgentExecutor就像Agent的“大脑”，它负责解析Agent的思考、调用工具、处理错误，并最终给出答案。

二、现学现用：使用已有的强大工具

  我们不必每次都从头造轮子。LangChain提供了许多现成的工具，比如PythonREPLTool，它可以让Agent直接执行Python代码。

  我们想要快速创建一个能够执行Python代码的智能体：首先从导入create_python_agent函数，并导入PythonREPLTool，后者提供了一个交互式Python执行环境；接着配置一个基于阿里qwen-plus模型的ChatOpenAI实例作为底层语言模型；然后调用create_python_agent将模型与PythonREPLTool绑定，生成一个专门的Python智能体执行器，并开启详细输出模式和解析错误处理；最后通过invoke调用让智能体计算提出的问题，智能体会自动生成并运行Python代码来完成计算并返回结果。

# 导入已有工具包
from langchain_experimental.agents.agent_toolkits import create_python_agent
from langchain_experimental.tools import PythonREPLTool
from langchain_openai import ChatOpenAI

# 创建一个Python Agent执行器
agent_executor = create_python_agent(
    llm=ChatOpenAI(model="qwen-plus",
                 openai_api_key="你的API密钥",
                 openai_api_base="https://dashscope.aliyuncs.com/compatible-mode/v1",
                 temperature=0),
    tool=PythonREPLTool(),
    verbose=True,
    agent_executor_kwargs={"handle_parsing_errors": True}
)

# 让Agent计算数学题
response = agent_executor.invoke({"input": "5的3.6次方是多少？"})
print(response)

# 让Agent计算斐波那契数列
response = agent_executor.invoke({"input": "第12个斐波那契数列的数字是多少？"})
print(response)

三、变身分析师：让Agent帮你处理表格数据

  除了计算，Agent还能处理更复杂的结构化数据，比如CSV文件。我们可以使用create_csv_agent来创建一个专门分析CSV文件的Agent。

# 导入CSV Agent工具包
from langchain_experimental.agents.agent_toolkits import create_csv_agent
from langchain_openai import ChatOpenAI

# 创建一个CSV分析Agent
agent_executor = create_csv_agent(
    llm=ChatOpenAI(model="qwen-plus",
                 openai_api_key="你的API密钥",
                 openai_api_base="https://dashscope.aliyuncs.com/compatible-mode/v1",
                 temperature=0),
    path="house_price1.csv",  # 指定CSV文件路径
    verbose=True,
    agent_executor_kwargs={"handle_parsing_errors": True}
)

# 询问数据集的基本信息
response = agent_executor.invoke({"input": "数据集有多少列？用中文回复"})
print(response)
response = agent_executor.invoke({"input": "数据集里，所有房子的价格平均值是多少？用中文回复"})
print(response)

  其中：

  create_csv_agent在底层创建了一个包含PythonAstREPLTool（一种更安全的Python执行工具）的Agent，并将CSV数据加载为df（Pandas DataFrame）。

  Agent会利用Pandas库的函数（如mean(), len(), columns）来回答用户问题，实现了自然语言到数据分析指令的转换。

四、多才多艺的Agent：组合多种工具

  现在，我们想把前面学的所有能力整合起来，让一个Agent同时拥有自定义工具、Python代码执行能力和CSV分析能力。

# 导入必要的库
from langchain import hub
from langchain.agents import create_structured_chat_agent, AgentExecutor
from langchain.memory import ConversationBufferMemory
from langchain.tools import BaseTool, Tool
from langchain_experimental.agents.agent_toolkits import create_csv_agent, create_python_agent
from langchain_experimental.tools import PythonREPLTool
from langchain_openai import ChatOpenAI

# 1. 准备基础组件
model = ChatOpenAI(model="qwen-plus", ...)

# 2. 定义我们的自定义工具
class TextLengthTool(BaseTool):
    name = "文本字数计算工具"
    description = "当你需要计算文本包含的字数时，使用此工具"
    def _run(self, text):
        return len(text)

# 3. 创建Python代码执行Agent
python_agent_executor = create_python_agent(
    llm=model, tool=PythonREPLTool(), verbose=True,
    agent_executor_kwargs={"handle_parsing_errors": True}
)

# 4. 创建CSV分析Agent
csv_agent_executor = create_csv_agent(
    llm=model, path="house_price1.csv", verbose=True,
    agent_executor_kwargs={"handle_parsing_errors": True}
)

# 5. 将所有工具包装到一个列表里
tools = [
    Tool(
        name="Python代码工具",
        description="""当你需要借助Python解释器时，使用这个工具。
        用自然语言把要求给这个工具，它会生成Python代码并返回代码执行的结果。""",
        func=python_agent_executor.invoke
    ),
    Tool(
        name="CSV分析工具",
        description="""当你需要回答有关house_price.csv文件的问题时，使用这个工具。
        它接受完整的问题作为输入，在使用Pandas库计算后，返回答案。""",
        func=csv_agent_executor.invoke
    ),
    TextLengthTool()  # 直接使用我们的自定义工具类实例
]

# 6. 创建最终的综合Agent
memory = ConversationBufferMemory(memory_key='chat_history', return_messages=True)
prompt = hub.pull("hwchase17/structured-chat-agent")
agent = create_structured_chat_agent(llm=model, tools=tools, prompt=prompt)
agent_executor = AgentExecutor.from_agent_and_tools(
    agent=agent, tools=tools, memory=memory, verbose=True, handle_parsing_errors=True
)

# 7. 测试多工具协作
# 案例1：计算文本字数并判断是否为斐波那契数
response = agent_executor.invoke({"input": "'我是一个聪明的人工智能助手'，这句话的字数是多少？你需要调用python代码工具来确定这个数字是否是斐波那契数列当中的数字"})
print(response)
# 案例2：分析CSV数据
response = agent_executor.invoke({"input": "house_price1数据集里，所有房子的价格方差是多少？用中文回答"})
print(response)

五、专家模式：Self-Ask with Search Agent

  最后，我们来看一种特殊的Agent设计模式——Self-Ask with Search。这种模式非常适合处理需要多步推理的问题，它会主动询问自己“后续问题”，并一步步找到答案。

# 导入专用库
from langchain.agents import AgentExecutor, create_self_ask_with_search_agent
from langchain.tools import BaseTool

# 定义工具（注意，这里工具的名称必须为 "Intermediate Answer"）
class TextLengthTool(BaseTool):
    name = "Intermediate Answer"  # Self-Ask模式强制要求
    description = "当你被要求计算文本的字数时，使用此工具"

    def _run(self, text):
        return len(text)

tools = [TextLengthTool()]
prompt = hub.pull("hwchase17/self-ask-with-search")

# 创建Self-Ask Agent
agent = create_self_ask_with_search_agent(llm=model, tools=tools, prompt=prompt)
agent_executor = AgentExecutor.from_agent_and_tools(
    agent=agent, tools=tools, memory=memory, verbose=True, handle_parsing_errors=True
)

# 测试推理能力
response = agent_executor.invoke({"input": "林肯和罗斯福谁活得更久"})
print(response)

  其中：

  create_self_ask_with_search_agent创建了一个遵循特定思维链的Agent。

  它的提示词模板要求Agent先判断是否需要“后续问题”，然后逐一提出“Follow up”，再根据每个问题的答案（来自工具）继续推理，直到得到最终答案。这种结构化的推理方式非常适合处理需要分解的复杂问题。我们要注意在这种模式下，工具的名称必须严格命名为Intermediate Answer。