【🟡Langchian】Agent的策略是什么

🟡Agent

Agent 是一个基于大语言模型（LLM）的任务执行系统，能够根据用户输入完成推理、工具调用、记忆管理等任务。具备推理、工具调用、记忆、等能力。

既然是基于自然语言分析后进行某些行动(LLM+Action)，那必然涉及到提示词和执行机制(Prompt+框架)，换句话说，LLM本身是通用模型，但它的行为需要框架约束，才能高效完成特定任务。有些任务需要记忆（对话），有些需要快速推理（零样本），有些需要特定API（函数调用）。Agent 的类型本质上是它的执行框架，

Agent = Prompt+ 执行策略

• Prompt指导 LLM 在框架内如何推理和行动（但是在initialize_agent里被默认写死的）。
• 执行框架决定了 Agent 的能力边界（如是否支持记忆、多轮对话等）。常见框架参数如下：

🟡Agent的策略

在 LangChain 中，Agent 类型本质上是预定义的执行策略，常见类型如下：

类型	执行策略	适用场景	必须参数
zero-shot-react-description	ReAct（推理+行动）	简单工具调用任务	llm, tools, prompt（旧方式默认的Prompt不能改，新方式可以显式提供修改）
conversational-react-description	带记忆的 ReAct	多轮对话、智能客服	llm, tools, prompt, memory（需显式传入）
openai-functions	函数调用	结构化 API 调用	llm（需模型本身支持Function Calling）， tools（定义为函数格式） 因此对 LLM 型号有要求
structured-chat-zero-shot-react	结构化 ReAct	稳定的多工具交互	llm, tools, prompt, memory（结构化对话需上下文）
plan-and-execute	先规划再执行	复杂任务拆解	llm, tools, prompt, planner（规划器，可能内置或需额外定义）
self-ask-with-search	自问+搜索（RAG）	知识检索	llm, tools（含搜索工具，如 WebSearchTool），prompt
multi-agent	多 Agent 协作	复杂任务、多角色合作	llm, tools（含子 Agent），prompt, 可选 memory 或其他协作机制

🟡策略是什么？

LangChain 的 Agent 策略本质上是封装好的执行逻辑，为常见任务提供便利，你完全可以手动实现类似功能。

假设任务是让 Agent 计算"2 + 3"，我们对比 LangChain 的 create_react_agent（ReAct 策略）和自己手动构建的策略。

create_react_agent

from langchain_openai import ChatOpenAI
from langchain.agents import create_react_agent, AgentExecutor
from langchain_core.prompts import PromptTemplate
from langchain.tools import Tool

def add_numbers(a, b):
    return a + b

tools = [Tool(name="Add", func=add_numbers, description="计算两个数相加，参数：a, b")]
llm = ChatOpenAI(model="gpt-4o")
prompt = PromptTemplate.from_template("""
根据输入推理并调用工具。工具：{tool_names}
输入：{input}
任务：提取两个数字（支持中文或自然语言），调用 Add 工具，格式为 [Add(a, b)]。
""")
agent = create_react_agent(llm=llm, tools=tools, prompt=prompt)
executor = AgentExecutor(agent=agent, tools=tools)

print(executor.invoke({"input": "二加三等于几"})["output"])  # 输出：5

自己构建

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="gpt-4o")
def add_numbers(a, b):
    return a + b

def my_agent(input_text):
    response = llm.invoke(f"""
    根据输入提取两个数字（支持中文如"二"或自然语言），返回格式为：a=数字, b=数字
    输入：{input_text}
    如果无法解析，返回：无法处理
    """).content
    if "无法处理" in response:
        return "无法处理"
    try:
        a = int(response.split("a=")[1].split(",")[0].strip())
        b = int(response.split("b=")[1].strip())
        return add_numbers(a, b)
    except:
        return "无法处理"

print(my_agent("二加三等于几"))  # 输出：5

---

🟡 Agent 新旧方式对比

🔘 旧方式：initialize_agent

• 类型通过显式参数指定（例如 "zero-shot-react-description"）。
• Prompt 和策略绑定，无法自定义，扩展性差。

agent = initialize_agent(tools=tools, llm=llm, agent="zero-shot-react-description")

🔘 新方式：create_xxx_agent

• 类型隐含在构造方法中（例如 create_react_agent）。
• Prompt 可定制，灵活性更高，能调整语气、逻辑，甚至部分模拟其他策略的功能。

prompt = PromptTemplate.from_template("根据输入推理并调用工具。工具：{tool_names} 输入：{input}")
agent = create_react_agent(llm=llm, tools=tools, prompt=prompt)

---

🟡 策略的约束

• 能力边界固定：

  • create_react_agent：单轮推理 + 工具调用，无记忆支持。
  • create_structured_chat_agent：多轮对话 + 上下文管理，推理较弱。

• 执行逻辑固定：

  • 例如 create_react_agent 的"思考→行动→观察"循环无法通过 Prompt 改为"先记忆再推理"。
  • Prompt 只在策略范围内调教 LLM，无法突破框架限制。

示例 ：在 create_react_agent 中加"记住历史"无效，因无 chat_history 数据支持：

prompt = PromptTemplate.from_template("记住历史，回答问题。输入：{input}")
agent = create_react_agent(llm=llm, tools=[])
executor = AgentExecutor(agent=agent, tools=[])
executor.invoke({"input": "我叫张三"})  # 输出：好的，张三
executor.invoke({"input": "我叫啥？"})  # 输出：不知道！

正确实现需用支持记忆的策略：

from langchain.memory import ConversationBufferMemory
memory = ConversationBufferMemory()
prompt = PromptTemplate.from_template("历史：{chat_history} 输入：{input}")
agent = create_structured_chat_agent(llm=llm, tools=[], prompt=prompt)
executor = AgentExecutor(agent=agent, tools=[], memory=memory)
executor.invoke({"input": "我叫张三"})  # 输出：好的，张三
executor.invoke({"input": "我叫啥？"})  # 输出：你叫张三

---

🟡 新旧方式的变化

• 核心能力未变：旧类型（如 ReAct）在新方式中仍可实现，只是形式从参数改为构造方法。
• 灵活性提升：新方式解耦 Prompt 和策略，可自定义输出格式等：

prompt = PromptTemplate.from_template("历史：{chat_history} 输入：{input} 返回JSON")
agent = create_structured_chat_agent(llm=llm, tools=tools, prompt=prompt)
# 输出：{"answer": "你叫张三"}

---

🟡 框架与工具结合

🔘 工具类型

工具扩展 Agent 能力，LangChain 自带工具包括：

• 记忆 ：ConversationBufferMemory（全量存储）、ConversationSummaryMemory（摘要）。
• 检索 ：VectorStoreRetrieverTool（向量数据库）。
• API ：BingSearchAPIWrapper（搜索）。
• 代码 ：PythonREPLTool（执行 Python）。
• 数据库 ：SQLDatabaseToolkit（SQL 查询）。

也可自定义工具：

from langchain.tools import Tool
import requests

def query_osm(query):
    url = f"https://nominatim.openstreetmap.org/search?q={query}&format=json"
    return requests.get(url).json()

osm_tool = Tool(name="OSM_Search", func=query_osm, description="查询地理信息")

🔘 工具增强策略

例如为 create_react_agent 加"伪记忆"：

memory_db = {}
def memory_tool(query):
    if query.startswith("记住："): memory_db[query[3:]] = "记住了"
    return memory_db.get(query, "不知道")

tool = Tool(name="MemoryTool", func=memory_tool)
agent = create_react_agent(llm=llm, tools=[tool])
executor = AgentExecutor(agent=agent, tools=[tool])
executor.invoke({"input": "记住：我叫张三"})  # 记住了
executor.invoke({"input": "我叫啥？"})  # 你叫张三

---

🟡 多 Agent 系统

多 Agent 适合复杂任务，通过分工协作提升效率：

• 主 Agent ：任务调度（create_multi_agent）。
• 子 Agent：记忆（Memory）、检索（RAG）、推理（ReAct）、工具执行（Tool）。

multi_agent = create_multi_agent(
    llm=llm,
    tools=[memory_agent, rag_agent, react_agent],  # 子 Agent 作为工具
    prompt="根据输入调用合适 Agent"
)

---

🟡 Prompt 的局限与未来

Prompt 无法改变策略本质，例如在 create_react_agent 中写"你有记忆"无效，因框架无 chat_history。

• 比喻：策略是引擎（单缸/四缸），Prompt 是油门，踩再狠也改不了引擎。
• 未来：Agent 或能动态切换策略（例如从 ReAct 到对话），无需开发者手动指定。

---

🟡 总结

1. Agent 类型 = 执行策略 + Prompt
   • 旧方式（initialize_agent）：类型固定，Prompt 不可改。
   • 新方式（create_xxx_agent）：策略固定，Prompt 可调。
2. Prompt 局限：仅在策略范围内有效，无法扩展能力。
3. 工具与多 Agent：通过工具和协作突破单一策略限制。
4. 选择建议 ：
   • 简单推理：create_react_agent。
   • 多轮对话：create_structured_chat_agent。
   • 高灵活性：函数调用或多 Agent。