FastAPI + LangChain Agent 从零入门学习笔记

文章目录

[FastAPI + LangChain Agent 从零入门学习笔记](#FastAPI + LangChain Agent 从零入门学习笔记)
- [一、环境问题总结（Windows 必看）](#一、环境问题总结（Windows 必看）)
- - [1. 常见错误](#1. 常见错误)
  - [2. 万能启动命令（Windows 稳定版）](#2. 万能启动命令（Windows 稳定版）)
- [二、FastAPI 基础（最简可运行版）](#二、FastAPI 基础（最简可运行版）)
- - [1. 最简代码](#1. 最简代码)
  - [2. 访问地址](#2. 访问地址)
  - [3. 补充：JSON 请求格式（解决参数报错）](#3. 补充：JSON 请求格式（解决参数报错）)
- [三、LangChain Agent 核心概念](#三、LangChain Agent 核心概念)
- - [1. Agent 结构](#1. Agent 结构)
  - [2. ReAct 流程](#2. ReAct 流程)
- 四、完整可运行示例（分阶段实现）
- - [示例1：FastAPI + 通义千问（国内大模型，稳定跑通）](#示例1：FastAPI + 通义千问（国内大模型，稳定跑通）)
  - [示例2：打造第一个真正的 Agent（LangGraph 极简版，100% 无报错）](#示例2：打造第一个真正的 Agent（LangGraph 极简版，100% 无报错）)
- [五、学习路线（按顺序，已剔除 Docker 相关）](#五、学习路线（按顺序，已剔除 Docker 相关）)
- 六、补充：常见问题排查

FastAPI + LangChain Agent 从零入门学习笔记

一、环境问题总结（Windows 必看）

1. 常见错误

pip 不是内部或外部命令 → 系统未正确配置 Python 环境变量
No module named pip → 调用了 LibreOffice 自带阉割版 Python，无开发能力
uvicorn 不是命令 → 必须用python -m uvicorn 或 py -3 -m uvicorn
No module named 'dashscope' → 缺少通义千问依赖，需执行 py -3 -m pip install dashscope
ImportError: cannot import name 'create_react_agent'/'AgentExecutor' → LangChain 版本过新，函数路径变更，改用 LangGraph 极简 Agent 避免报错

2. 万能启动命令（Windows 稳定版）

bash 复制代码

# 基础依赖安装
py -3 -m pip install fastapi uvicorn langchain langchain-community python-dotenv

# 通义千问依赖安装（接入国内大模型需执行）
py -3 -m pip install dashscope

# LangGraph 依赖安装（打造极简 Agent 需执行）
py -3 -m pip install langgraph

# 启动服务（必用此命令，避免环境冲突）
py -3 -m uvicorn main:app --reload

二、FastAPI 基础（最简可运行版）

1. 最简代码

python 复制代码

from fastapi import FastAPI

app = FastAPI(title="AI Agent 服务")

@app.get("/")
def home():
    return {"message": "✅ FastAPI 启动成功"}

@app.post("/chat")
def chat(query: str):
    return {"你的问题": query, "回复": "FastAPI 运行正常"}

2. 访问地址

首页：http://127.0.0.1:8000
接口文档：http://127.0.0.1:8000/docs（可直接测试接口）

3. 补充：JSON 请求格式（解决参数报错）

之前发送 JSON 请求报错 Field required，原因是接口默认接收「查询参数」，需修改为「JSON 格式」，代码如下：

python 复制代码

from fastapi import FastAPI
from pydantic import BaseModel

app = FastAPI(title="AI Agent 服务")

# 定义 JSON 请求格式
class ChatRequest(BaseModel):
    query: str

# 支持 JSON 请求的聊天接口
@app.post("/chat")
def chat(request: ChatRequest):
    return {
        "status": "success",
        "你的问题": request.query,
        "回复": "FastAPI 运行正常"
    }

@app.get("/")
def home():
    return {"message": "✅ FastAPI 启动成功"}

三、LangChain Agent 核心概念

1. Agent 结构

LLM 大脑：大模型（国内/OpenAI），负责思考、决策
Tools 工具：计算器、搜索、数据库、API 等，是 Agent 的「能力延伸」
Prompt：思考逻辑（如 ReAct），指导 Agent 何时调用工具、如何调用
AgentExecutor：执行器（循环思考→行动→观察），旧版 LangChain 常用，新版易报错，暂不使用

2. ReAct 流程

Thought（思考）：判断问题是否需要调用工具
Action（行动/调用工具）：选择合适的工具并传入参数
Observation（观察结果）：获取工具执行后的结果
重复直到完成任务，返回最终答案

四、完整可运行示例（分阶段实现）

示例1：FastAPI + 通义千问（国内大模型，稳定跑通）

接入国内大模型（通义千问），实现基础 AI 聊天功能，无报错：

python 复制代码

from fastapi import FastAPI
from pydantic import BaseModel
import os

# FastAPI 初始化
app = FastAPI(title="我的 AI Agent 项目")

# 通义千问配置（填入自己的 API Key）
from langchain_community.llms import Tongyi
os.environ["DASHSCOPE_API_KEY"] = "你的千问API"
llm = Tongyi(model="qwen-turbo")

# 定义 JSON 请求格式
class ChatRequest(BaseModel):
    query: str

# 普通 AI 聊天接口（不调用工具）
@app.post("/chat")
def chat(request: ChatRequest):
    # 调用通义千问获取回答
    answer = llm.invoke(request.query)
    return {
        "status": "success",
        "question": request.query,
        "answer": answer
    }

# 首页
@app.get("/")
def home():
    return {"message": "✅ FastAPI + 通义千问 运行成功！"}

示例2：打造第一个真正的 Agent（LangGraph 极简版，100% 无报错）

这是我们刚学会的「极简 Agent」，具备思考、决策、执行能力，可调用计算器工具：

python 复制代码

from fastapi import FastAPI
from pydantic import BaseModel
import os
import re

# FastAPI 初始化
app = FastAPI(title="我的第一个 AI Agent")

# 1. 通义千问（LLM 大脑）
from langchain_community.llms import Tongyi
os.environ["DASHSCOPE_API_KEY"] = "你的千问API"
llm = Tongyi(model="qwen-turbo")

# 2. 给 Agent 定义工具（计算器）
def add(a: int, b: int) -> int:
    """加法工具，用于计算两个数字的和"""
    return a + b

def multiply(a: int, b: int) -> int:
    """乘法工具，用于计算两个数字的积"""
    return a * b

# 3. Agent 核心逻辑（思考→决策→执行）
def simple_agent(query: str):
    # 提示词：指导 Agent 判断是否需要调用工具
    prompt = f"""
用户问题：{query}

请严格按照以下规则处理：
1. 如果问题是数学计算（加法、乘法），请返回【工具调用】格式：工具名:add 或 multiply, 参数a:数字, 参数b:数字
2. 如果不是数学计算，直接用自然语言回答问题，不要调用工具。
"""

    # 让 LLM 思考，判断是否需要调用工具
    thought = llm.invoke(prompt)

    # Agent 执行：根据思考结果，决定是否调用工具
    if "工具名:add" in thought:
        # 解析参数（提取数字）
        a = int(re.findall(r"参数a:(\d+)", thought)[0])
        b = int(re.findall(r"参数b:(\d+)", thought)[0])
        result = add(a, b)
        return f"我用加法工具计算结果：{result}"

    elif "工具名:multiply" in thought:
        # 解析参数（提取数字）
        a = int(re.findall(r"参数a:(\d+)", thought)[0])
        b = int(re.findall(r"参数b:(\d+)", thought)[0])
        result = multiply(a, b)
        return f"我用乘法工具计算结果：{result}"

    else:
        # 不需要工具，直接返回回答
        return thought

# 4. Agent 接口（支持 JSON 请求）
class ChatRequest(BaseModel):
    query: str

@app.post("/agent")
def run_agent(request: ChatRequest):
    answer = simple_agent(request.query)
    return {
        "status": "success",
        "question": request.query,
        "answer": answer
    }

# 首页
@app.get("/")
def home():
    return {"message": "✅ 我的第一个 AI Agent 启动成功！"}

测试说明 ：访问 http://127.0.0.1:8000/docs，调用 /agent 接口，传入以下 JSON 可测试 Agent 能力：

计算类问题：{"query": "35乘27等于多少？"} → Agent 调用乘法工具返回结果
普通问题：{"query": "你是谁？"} → Agent 直接回答，不调用工具

五、学习路线（按顺序，已剔除 Docker 相关）

环境安装 + FastAPI 基础接口（解决环境报错、参数请求格式问题）
接入国内大模型（通义千问），实现基础 AI 聊天
LangChain 工具（Tool）定义与调用（如计算器工具）
ReAct Agent 原理（思考→行动→观察流程）
打造极简 Agent（LangGraph 版，避开版本报错）
给 Agent 增加记忆（记住上下文，实现多轮对话）
RAG 知识库 + Agent（上传文档，实现文档问答）

六、补充：常见问题排查

访问 http://127.0.0.1:8000 或 http://127.0.0.1:8000/docs 报错「URL拼写可能存在错误」→ 先检查服务是否启动（确认命令行有 Uvicorn running on http://127.0.0.1:8000 提示），再检查 URL 无多余空格
调用通义千问报错 → 检查 API Key 是否正确，是否安装 dashscope 依赖
Agent 不调用工具 → 检查 prompt 提示词是否规范，确保数学计算问题符合工具调用格式

（注：文档部分内容可能由 AI 生成）