零基础学AI大模型之LangChain智能体执行引擎AgentExecutor

大家好，我是工藤学编程 🦉	一个正在努力学习的小博主，期待你的关注
实战代码系列最新文章😉	C++实现图书管理系统（Qt C++ GUI界面版）
SpringBoot实战系列🐷	【SpringBoot实战系列】SpringBoot3.X 整合 MinIO 存储原生方案
分库分表	分库分表之实战-sharding-JDBC分库分表执行流程原理剖析
消息队列	深入浅出 RabbitMQ-RabbitMQ消息确认机制（ACK）
AI大模型	零基础学AI大模型之CoT思维链和ReAct推理行动

前情摘要

本文章目录

- 前情摘要
零基础学AI大模型之LangChain智能体执行引擎AgentExecutor
- 一、为什么需要AgentExecutor？这些痛点太折磨人了
- 二、什么是AgentExecutor？智能体的"执行管家"
- 三、核心功能：AgentExecutor能帮你干哪些事？
- 四、关键参数：用好AgentExecutor的"密码"
- 五、使用场景：什么时候该用AgentExecutor？
- 六、LangChain实战：用AgentExecutor跑通多步骤任务
- - [6.1 实战步骤：先准备工具和智能体](#6.1 实战步骤：先准备工具和智能体)
  - [6.2 完整代码](#6.2 完整代码)
  - [6.3 运行结果解读](#6.3 运行结果解读)
- 七、避坑技巧：让AgentExecutor稳定运行的5个要点
- 八、总结

零基础学AI大模型之LangChain智能体执行引擎AgentExecutor

咱们之前学了Agent智能体、Tool工具、CoT和ReAct，知道了智能体可以"思考-行动-观察"完成任务。但实际开发时会发现：让智能体跑通多步骤任务，光有Agent和Tool还不够------循环执行、错误处理、防死循环这些琐事太费精力了。

今天就来学个"神器"------LangChain的AgentExecutor（智能体执行引擎） ，它就像智能体的"管家"，把所有执行层面的杂活全揽了，让咱们专心搞业务逻辑～

一、为什么需要AgentExecutor？这些痛点太折磨人了

没AgentExecutor的时候，咱们开发多步骤智能体，得手动搞定一堆麻烦事：

执行循环：要写代码判断智能体是该继续思考、调用工具，还是返回结果；
错误处理：工具调用超时、模型输出格式错、参数传错，都得一个个捕获处理；
防死循环：万一智能体陷入"思考-调用工具-思考"的死循环，程序就崩了；
日志调试：想知道智能体每一步干了啥，得自己写日志记录，排查问题超难。

总结下来就是三个痛点：

代码冗余：重复写循环、错误处理逻辑，越写越乱；
维护成本高：复杂任务里，流程稳定性根本没法保证；
可观测性差：多步骤执行出问题，不知道错在第一步还是第十步。

而AgentExecutor的出现，就是为了把这些"杂活"全封装，让咱们不用关心"怎么执行"，只关心"要做什么任务"。

二、什么是AgentExecutor？智能体的"执行管家"

AgentExecutor是LangChain官方提供的智能体执行引擎，核心作用是封装智能体执行过程中的所有通用逻辑，让开发者聚焦业务。

简单说：你把智能体（Agent）、工具（Tools）交给它，它就能自动完成"思考→行动→观察→再思考"的循环，直到任务结束，还能帮你处理错误、防死循环、记日志。

就像你雇了个厨师（Agent），给了他食材（Tools），AgentExecutor就是餐厅经理------负责安排厨师干活流程、处理食材损坏（错误）、防止厨师一直炒同一道菜（死循环）、记录做菜步骤（日志），你只需要等着吃就行（要结果）。

三、核心功能：AgentExecutor能帮你干哪些事？

AgentExecutor的核心功能全是针对之前的痛点设计的，每一个都很实用：

自动执行循环：不用写循环代码，它会根据智能体输出，判断是继续调用工具，还是返回最终结果；
智能错误处理：能捕获工具调用异常、模型输出解析错误，支持自动重试或自定义回退逻辑；
迭代次数限制：通过参数设置最大执行次数，防止智能体陷入死循环；
详细日志追踪：开启后能看到每一步的思考、行动、观察结果，调试超方便，还能集成LangSmith做更专业的追踪；
统一输入输出：自动格式化最终结果，不想展示中间步骤就隐藏，想展示也能轻松获取。

四、关键参数：用好AgentExecutor的"密码"

创建AgentExecutor时，几个关键参数决定了它的表现，咱们一个个说清楚（直接用表格更直观）：

参数名	作用说明	常用值/示例
agent	绑定要执行的智能体实例（如ReAct Agent、Zero-Shot Agent）	agent=react_agent（自定义的智能体）
tools	智能体可调⽤的工具列表	tools=[search_tool, calc_tool]
verbose	是否打印详细执行日志（调试必开，生产可关）	True/False（默认False）
max_iterations	最大执行迭代次数（防死循环，根据任务复杂度设3-10）	3、5、10
handle_parsing_errors	处理模型输出解析错误（如返回无效工具名）	True/自定义函数（如lambda e: "解析错"）
return_intermediate_steps	是否返回中间步骤结果（调试、展示完整链路时用）	True/False（默认False）

这些参数里，verbose=True和max_iterations是开发时必设的------前者帮你看清楚执行过程，后者帮你避免程序崩掉。

五、使用场景：什么时候该用AgentExecutor？

只要你的智能体需要执行多步骤任务，AgentExecutor就必须用！常见场景有这4类：

多步骤工具调用：比如"先查商品价格，再算折扣价""先查天气，再推荐穿搭"；
工具依赖任务：比如预订航班，需要先调用"查航班"工具，再调用"订机票"工具，最后调用"发短信通知"工具；
复杂推理任务：比如数学题需要多次尝试不同公式，逻辑推理需要逐步验证；
生产环境部署：需要保证服务稳定，自动处理超时、限流、格式错误等异常。

六、LangChain实战：用AgentExecutor跑通多步骤任务

咱们用之前学的ReAct Agent，结合AgentExecutor，做一个"查北京气温并转换为华氏度"的任务------先查摄氏度，再调用计算工具转换，全程让AgentExecutor管执行。

6.1 实战步骤：先准备工具和智能体

首先安装依赖（如果没装的话）：

bash 复制代码

pip install langchain langchain-openai

6.2 完整代码

python 复制代码

from langchain_openai import ChatOpenAI
from langchain.agents import create_react_agent, AgentExecutor, load_tools
from langchain_core.prompts import ChatPromptTemplate

# 1. 初始化大模型（通义千问，替换成自己的api_key）
llm = ChatOpenAI(
    model_name="qwen-plus",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
    api_key="sk-xxx",
    temperature=0.3
)

# 2. 加载工具：天气查询工具 + 计算工具
tools = load_tools(["openweathermap", "calculator"], llm=llm)

# 3. 定义ReAct Agent的提示词模板
react_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个助手，能调用工具解决问题。先思考需要做什么，再调用合适的工具。"),
    ("human", "{input}"),
    ("placeholder", "{agent_scratchpad}")  # 存储思考、行动、观察记录
])

# 4. 创建ReAct智能体
react_agent = create_react_agent(
    llm=llm,
    tools=tools,
    prompt=react_prompt
)

# 5. 创建AgentExecutor（核心：执行引擎）
agent_executor = AgentExecutor(
    agent=react_agent,
    tools=tools,
    verbose=True,  # 开启日志，看执行过程
    max_iterations=3,  # 最多执行3步，防死循环
    handle_parsing_errors=True,  # 自动处理解析错误
    return_intermediate_steps=True  # 返回中间步骤，方便调试
)

# 6. 执行任务：查北京气温并转换为华氏度
task = "查询北京现在的气温（摄氏度），并转换为华氏度，最后告诉我结果。"
response = agent_executor.invoke({"input": task})

# 7. 输出结果
print("\n最终结果：", response["output"])
print("\n中间步骤：")
for step in response["intermediate_steps"]:
    print(f"步骤：{step}")

6.3 运行结果解读

开启verbose=True后，控制台会输出详细执行过程，大概是这样：

复制代码

> Entering new AgentExecutor chain...
我需要先查询北京的气温（摄氏度），再用计算器转换为华氏度。
Action: openweathermap
Action Input: 北京
Observation: Current weather in 北京: clear sky, temperature: 25°C
Thought: 现在知道北京气温是25摄氏度，需要转换为华氏度，公式是华氏度=摄氏度×9/5 +32。
Action: calculator
Action Input: 25 * 9 / 5 + 32
Observation: 77.0
Thought: 已经算出结果，25摄氏度等于77华氏度，可以直接回答用户。
Final Answer: 北京现在的气温为25摄氏度，转换为华氏度是77华氏度。

> Finished chain.

最终结果： 北京现在的气温为25摄氏度，转换为华氏度是77华氏度。

中间步骤：
步骤：(ToolCall(...), 'Current weather in 北京: clear sky, temperature: 25°C')
步骤：(ToolCall(...), '77.0')

可以看到：AgentExecutor自动完成了"查天气→算华氏度→返回结果"的两步循环，还记录了每一步的行动和结果，完全不用我们写循环和日志代码！

七、避坑技巧：让AgentExecutor稳定运行的5个要点

调试必开verbose=True：不管什么任务，开发时先开日志，能快速定位"思考错了"还是"工具调用错了"；
合理设置max_iterations：简单任务设3-5步，复杂任务设8-10步，太多浪费资源，太少完不成任务；
自定义错误处理逻辑 ：如果handle_parsing_errors=True满足不了需求，可以写自定义函数，比如"解析错误时提示用户重新提问"；
生产环境关verbose：日志会占用资源，生产时设为False，只保留必要的错误日志；
集成LangSmith做追踪：复杂任务可以集成LangSmith，能看到更详细的执行链路、耗时、错误率，方便优化。

八、总结

今天咱们学会了AgentExecutor这个"执行管家"，核心要点总结3句话：

AgentExecutor帮我们搞定智能体执行的杂活：循环、错误、防死循环、日志；
关键参数要记牢：verbose（调试）、max_iterations（防死循环）、handle_parsing_errors（错误处理）；
只要是多步骤智能体任务，都要用它------开发效率翻倍，稳定性也大大提升。

有了AgentExecutor，咱们后续开发复杂智能体（比如智能助手、数据分析机器人）就轻松多了，不用再纠结执行层面的细节，专心设计任务逻辑和工具就行～

如果本文对你有帮助，欢迎点赞+关注+收藏🌟 ，有任何问题或实战需求，欢迎在评论区留言交流～我是工藤学编程，陪你从零到一玩转AI大模型！🚀