在开始用 langchain 搭建简单 agent 之前，首先配置好相关环境。请打开命令行终端，执行以下 pip 命令安装所需依赖包，确保后续代码能够顺利运行：
pip install langchain langchain-openai langchain-experimental pandas安装完成后，我们就可以正式开启 langchain 简单 agent 的搭建。
一、初始化 ChatOpenAI 模型
要搭建 agent，首先需要一个大语言模型作为核心驱动。这里我们使用 ChatOpenAI 模型，并指定调用 "qwen-plus" 模型，同时配置好对应的 API 密钥和 API 基础地址，具体代码如下：
from langchain_openai import ChatOpenAI
model = ChatOpenAI(model="qwen-plus",
openai_api_key='',key的值需要你去阿里官网申请对应模型的apikey
openai_api_base="https://dashscope.aliyuncs.com/compatible-mode/v1",temperature=0)其中，temperature参数设置为 0，意味着模型输出会更加确定、稳定，减少随机性，适合在需要精准结果的场景下使用。
二、自定义工具与集成现有工具
agent 的核心能力之一在于使用各种工具来完成任务，我们既可以自定义工具，也可以集成 langchain 提供的现有工具。
1. 自定义文本字数计算工具
通过继承BaseTool类，我们可以自定义一个用于计算文本字数的工具。需要指定工具的name（工具名称）和description（工具描述，用于让 agent 判断何时使用该工具），并实现_run方法定义工具的核心功能，代码如下：
from langchain.tools import BaseTool
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)2. 集成 Python 代码工具
借助langchain_experimental中的create_python_agent方法，我们可以集成 Python 解释器工具，让 agent 能够执行 Python 代码来完成复杂计算任务。配置时同样需要指定模型信息，并且设置verbose=True以便查看工具运行过程中的详细日志推理过程，handle_parsing_errors=True来处理可能出现的解析错误，代码如下：
from langchain_experimental.agents.agent_toolkits import create_python_agent
from langchain_experimental.tools import PythonREPLTool
python_agent_executor = create_python_agent(
llm=ChatOpenAI(model="qwen-plus",
openai_api_key="",
openai_api_base="https://dashscope.aliyuncs.com/compatible-mode/v1"),
temperature=0,
tool=PythonREPLTool(),
verbose=True,
agent_executor_kwargs={"handle_parsing_errors": True}
)3. 集成 CSV 分析工具
对于 CSV 文件数据的分析需求，我们可以使用create_csv_agent方法集成 CSV 分析工具，指定 CSV 文件路径（这里为 "house_price1.csv"），让 agent 能够利用 Pandas 库对 CSV 数据进行查询和计算，代码如下：
from langchain_experimental.agents.agent_toolkits import create_csv_agent
csv_agent_executor = create_csv_agent(
llm=ChatOpenAI(model="qwen-plus",
openai_api_key="",
openai_api_base="https://dashscope.aliyuncs.com/compatible-mode/v1", temperature=0,),
path="house_price1.csv",
verbose=True,
agent_executor_kwargs={"handle_parsing_errors": True}
)4. 整合所有工具
将自定义的TextLengthTool和集成好的Python代码工具、CSV分析工具整合到一个工具列表中，方便后续 agent 调用，代码如下：
from langchain.tools import Tool
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()
]三、配置对话记忆
为了让 agent 能够记住之前的对话内容，实现上下文连贯的交互，我们使用ConversationBufferMemory配置对话记忆。设置memory_key为 "chat_history"，用于在提示词中引用记忆内容，return_messages=True表示返回的记忆内容是消息对象形式，代码如下：
from langchain.memory import ConversationBufferMemory
memory = ConversationBufferMemory(
memory_key='chat_history',
return_messages=True
)四、获取结构化聊天提示词
从 langchain 的 hub 中拉取 "hwchase17/structured-chat-agent" 提示词模板，该模板专为结构化聊天 agent 设计，能够引导 agent 合理选择工具、处理对话逻辑，代码如下：
from langchain import hub
prompt = hub.pull("hwchase17/structured-chat-agent")五、创建结构化聊天 agent
结合前面准备好的模型、工具和提示词，使用create_structured_chat_agent（主要用于构建能够遵循特定格式输出（如 JSON）的智能代理）方法创建结构化聊天 agent，代码如下：
from langchain.agents import create_structured_chat_agent
agent = create_structured_chat_agent(
llm=model,
tools=tools,
prompt=prompt
)六、创建 agent 执行器并调用
最后，通过AgentExecutor.from_agent_and_tools方法创建 agent 执行器，将 agent、工具和记忆整合起来，同时配置verbose=True查看执行过程日志，handle_parsing_errors=True处理解析错误。创建完成后，就可以调用执行器来处理具体问题了。
1. 计算第 8 个斐波那契数列的数字
调用 agent 执行器，输入问题 "第 8 个斐波那契数列的数字是多少？"，agent 会自动选择 Python 代码工具，生成对应的 Python 代码并执行，得到结果，代码如下：
from langchain.agents import AgentExecutor
agent_executor = AgentExecutor.from_agent_and_tools(
agent=agent,
tools=tools,
memory=memory,
verbose=True,
handle_parsing_errors=True
)
agent_executor.invoke({"input": "第8个斐波那契数列的数字是多少？"})
2. 计算 house_price1 数据集房子价格平均值
输入问题 "house_price1 数据集里，所有房子的价格平均值是多少？用中文回答"，agent 会选择 CSV 分析工具，利用 Pandas 库对 "house_price1.csv" 数据进行计算，返回中文的平均值结果，代码如下：
agent_executor.invoke({"input": "house_price1数据集里，所有房子的价格平均值是多少？用中文回答"})
通过以上步骤，我们成功搭建了一个具备多种工具使用能力、支持对话记忆的简单 langchain agent，能够处理斐波那契数列计算、CSV 数据统计等不同类型的任务。