LangChain 构建智能多工具 Agent实践

前言

在智能应用的浪潮中，语言模型（LLM）不再只是文本生成器，而是具备调用外部工具、检索数据、搜索互联网信息、甚至记忆上下文的"智能体"（Agent）。借助 LangChain 框架，我们可以轻松地创建一个能与多种不同工具交互的 Agent，让它具备信息检索、搜索和多轮对话记忆的能力。

本文将深入解析如何：

• 使用语言模型的 工具调用能力；
• 创建并封装 本地数据库检索器（Retriever）；
• 集成 在线搜索工具；
• 构建一个可 多轮对话记忆 的智能 Agent；
• 通过示例代码展示从初始化到运行的完整过程。

---

1. Agent 系统架构概览

整个 Agent 系统由四个核心组件构成：

层级	模块	功能说明
检索层	Retriever	从本地索引或文档源检索相关信息
工具层	Tool	将检索器、本地数据库和搜索引擎封装成可供 LLM 调用的函数接口
Agent 层	Planner / Agent	驱动 LLM，根据上下文和需求动态选择工具并整合结果
记忆层	Memory	按 user_id 存储对话历史，使 Agent 能进行多轮上下文对话

下图展示了整体流程：

User Query → Agent (LLM) → Tool 调用决策
     ↓                   ↓
 Memory ← 结果 ← Retriever / Web Search

---

2. 环境准备与依赖版本

组件	推荐版本
Python	≥ 3.10
langchain	0.1xx
openai	≥ 0.27.0
向量数据库	faiss-cpu 或 chromadb
其他依赖	tiktoken、requests

确保在环境变量中配置好 OPENAI_API_KEY，并安装上述库：

pip install langchain openai faiss-cpu tiktoken requests

---

3. 构建 Retriever：从 URL 到索引

我们首先从一个网页抓取内容，将其拆分、向量化，并建立索引，最终形成一个可检索的 Retriever。

from langchain.text_splitter import CharacterTextSplitter
from langchain.document_loaders import UnstructuredURLLoader
from langchain.embeddings import OpenAIEmbeddings
from langchain.vectorstores import FAISS

 1. 加载网页内容
urls = ["https://example.com/some-article.html"]
loader = UnstructuredURLLoader(urls=urls)
docs = loader.load()

 2. 拆分文档块
splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=100)
doc_chunks = splitter.split_documents(docs)

 3. 生成向量索引
embeddings = OpenAIEmbeddings()
vectorstore = FAISS.from_documents(doc_chunks, embeddings)

 4. 创建检索器
retriever = vectorstore.as_retriever(search_kwargs={"k": 4})

通过这种方式，我们获得了一个本地知识库的检索接口。

---

4. 封装工具：让 LLM 能调用 Retriever 与搜索引擎

4.1 本地检索工具

def local_retriever_tool(query: str) -> str:
    docs = retriever.get_relevant_documents(query)
    return "\n---\n".join([d.page_content for d in docs])

from langchain.tools import Tool
local_retriever = Tool(
    name="local_retriever",
    func=local_retriever_tool,
    description="从本地索引中检索与查询相关的文档片段。"
)

4.2 在线搜索工具

示例中我们使用 SerpAPI（你也可以换成 Bing 或 Google Custom Search）：

import requests
SERPAPI_KEY = os.environ.get('SERPAPI_KEY')

def serp_search_tool(query: str) -> str:
    params = {'engine': 'google', 'q': query, 'api_key': SERPAPI_KEY}
    resp = requests.get('https://serpapi.com/search', params=params)
    data = resp.json()
    snippets = []
    for r in data.get('organic_results', [])[:5]:
        snippets.append(f"{r.get('title')} - {r.get('snippet', '')} ({r.get('link')})")
    return "\n".join(snippets)

search_tool = Tool(
    name="web_search",
    func=serp_search_tool,
    description="使用在线搜索引擎检索最新的信息，返回摘要和链接。"
)

---

5. 创建并运行 Agent

现在我们把所有组件整合起来，构建可交互的智能 Agent。

from langchain import OpenAI
from langchain.agents import initialize_agent, AgentType
from langchain.memory import ConversationBufferMemory

llm = OpenAI(temperature=0)
tools = [local_retriever, search_tool]
memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True)

agent = initialize_agent(
    tools,
    llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True,
    memory=memory
)

question = "请基于本地索引中的资料，说明 example.com 上关于 X 的关键观点；如果没有，在线搜索最新资料。"
result = agent.run(question)
print(result)

运行后，你会看到 Agent 自动决定调用哪个工具（本地或网络），并整合结果生成自然语言回答。

---

6. 多用户对话记忆机制

为不同用户维护独立的上下文，可以让 Agent 记住每个用户的历史对话：

from collections import defaultdict
from langchain.memory import ConversationBufferMemory

user_memories = defaultdict(lambda: ConversationBufferMemory(memory_key="chat_history", return_messages=True))

user_id = "user_123"
memory = user_memories[user_id]
agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, memory=memory)

agent.run("上次我们关于 X 的讨论，请继续。")

在生产系统中，你可以把 memory 存储在 Redis、Postgres 等外部数据库中，并定期做摘要压缩，避免上下文过长。

---

7. 实践建议

1. 限制工具输出长度：对检索内容先摘要，避免 token 超限。
2. 安全沙箱：对搜索结果做可信度检查，防止注入恶意内容。
3. 函数调用模式：可结合 OpenAI 的 Function Calling，把工具注册为可调用函数。
4. 缓存与并发控制：对频繁调用的外部工具结果进行缓存，设置超时重试。
5. 日志与解释性：保存 Agent 调用链路以便调试与审计。

---

8. 总结

本文完整展示了如何利用 LangChain 构建一个能与本地数据库和搜索引擎交互的智能 Agent。通过整合 Retriever、Tool、Memory 模块，Agent 能够根据用户需求自动选择合适的信息源，执行多轮对话，并保持记忆。

未来，你可以进一步拓展：

• 使用 ChatOpenAI 与 Function Calling 构建更智能的决策代理；
• 将索引替换为 Chroma 或 Milvus 实现分布式知识库；
• 接入网页、PDF、数据库等多种数据源，实现真正的知识增强型 AI 助手。

这就是一个具备检索、搜索与记忆能力的 LangChain 多工具智能体的全貌。

---

参考资料

1. LangChain 官方文档
2. OpenAI API 参考文档
3. FAISS 向量数据库 GitHub
4. Chroma 向量数据库官方文档
5. LangChain Memory 模块介绍
6. LangChain Agents 指南