原来LangChain社区隐藏着这么多有趣的工具

无意间发现LangChain社区有很多有意思的工具，今天来给大家分享下，源码地址github.com/MaNongWuDao...

一、数据库查询神器：SQLDatabase（PostgreSQL 实战）

LangChain 自带 SQLDatabase 工具，原生支持 MySQL、PostgreSQL、SQLite、SQL Server，无需自己适配语法，开箱即用。

它可以自动读取表结构、字段信息、样例数据，帮助 LLM 生成更准确的 SQL，同时支持表白名单，安全性比手写高很多。

完整可运行代码

python 复制代码

import os
from dotenv import load_dotenv
from langchain_community.utilities.sql_database import SQLDatabase
from langchain_openai import ChatOpenAI
from langchain.agents import create_agent
from langchain_core.tools import tool
from langgraph.checkpoint.memory import InMemorySaver

load_dotenv()

# 连接PostgreSQL数据库
db = SQLDatabase.from_uri(
    "postgresql+psycopg2://postgres:123456@127.0.0.1:5432/mydb",
    include_tables=["users", "articles"],
    sample_rows_in_table_info=2,
)

# 安全封装SQL查询工具（仅只读）
@tool
def query_sql(sql: str) -> str:
    """执行PostgreSQL只读查询，禁止修改、删除、新增数据"""
    forbidden = ["drop", "delete", "alter", "insert", "update", "truncate"]
    if any(k in sql.lower() for k in forbidden):
        return "仅支持只读查询，禁止修改数据库"
    try:
        return db.run(sql)
    except Exception as e:
        return f"SQL执行失败：{str(e)}，请修正语法重试"

# 初始化Agent
llm = ChatOpenAI(
    model=os.getenv('DASHSCOPE_MODEL'),
    base_url=os.getenv('DASHSCOPE_BASE_URL'),
    api_key=os.getenv('DASHSCOPE_API_KEY')
)
checkpointer = InMemorySaver()

agent = create_agent(
    model=llm,
    tools=[query_sql],
    checkpointer=checkpointer,
    system_prompt=f"你是数据分析助手，根据表结构生成正确SQL，返回自然语言结果。表结构：{db.get_table_info()}"
)

def chat_db(question: str):
    res = agent.invoke(
        {"messages": [("user", question)]},
        config={"configurable": {"thread_id": "sql_demo"}}
    )
    return res["messages"][-1].content

if __name__ == "__main__":
    print(chat_db("查询所有用户信息"))
    print(chat_db("查询10篇文章按时间倒叙"))

运行效果如下：

markdown 复制代码

1. **张三** (zhangsan)  
   - 邮箱: zhangsan@example.com  
   - 昵称: 张三  
   - 头像: https://example.com/avatar/1.jpg  
   - 状态: 正常  

2. **李四** (lisi)  
   - 邮箱: lisi@example.com  
   - 昵称: 李四  
   - 头像: https://example.com/avatar/2.jpg  
   - 状态: 正常  

3. **王五** (wangwu)  
   - 邮箱: wangwu@example.com  
   - 昵称: 王五  
   - 头像: https://example.com/avatar/3.jpg  
   - 状态: 正常  

4. **赵六** (zhaoliu)  
   - 邮箱: zhaoliu@example.com  
   - 昵称: 赵六  
   - 头像: https://example.com/avatar/4.jpg  
   - 状态: 正常  

5. **孙七** (sunqi)  
   - 邮箱: sunqi@example.com  
   - 昵称: 孙七  
   - 头像: https://example.com/avatar/5.jpg  
   - 状态: 正常
以下是按创建时间倒序排列的最近 10 篇文章：

| 序号 | 文章标题 | 创建时间 |
|------|----------|----------|
| 1 | PostgreSQL 入门指南 | 2026-10-04 09:04:39 |
| 2 | Nodejs 开发RESTful接口 | 2026-10-04 09:04:39 |
| 3 | React 组件设计思路 | 2026-10-04 09:04:39 |
| 4 | Docker 容器基础命令 | 2026-10-04 09:04:39 |
| 5 | TypeScript 类型体操 | 2026-10-04 09:04:39 |
| 6 | Nginx反向代理配置 | 2026-10-04 09:04:39 |
| 7 | Git 工作流规范 | 2026-10-04 09:04:39 |
| 8 | Redis缓存设计 | 2026-10-04 09:04:39 |
| 9 | Linux 常用运维命令 | 2026-10-04 09:04:39 |
| 10 | 前端工程化Vite | 2026-10-04 09:04:39 |

**注意：** 示例数据中所有文章的 `created_at` 时间戳相同，实际数据库中会显示真实的发布时间顺序。

二、消除大模型幻觉：DuckDuckGo 联网检索工具

大模型很容易出现幻觉，遇到知识性、概念性、科普类问题，单纯靠模型记忆很容易出错。

LangChain 社区提供了联网搜索工具DuckDuckGo，不用自己对接 API，一行初始化即可接入 Agent。

注意：需要额外安装

bash 复制代码

uv add duckduckgo-search ddgs

完整可运行代码

python 复制代码

import os
from dotenv import load_dotenv
from langchain.agents import create_agent
from langchain_community.tools import DuckDuckGoSearchRun
from langchain_openai import ChatOpenAI
from langgraph.checkpoint.memory import InMemorySaver

load_dotenv()

# 初始化国内可用的联网检索工具
search_tool = DuckDuckGoSearchRun()

# 初始化基础组件
llm = ChatOpenAI(
    model=os.getenv('DASHSCOPE_MODEL'),
    base_url=os.getenv('DASHSCOPE_BASE_URL'),
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    temperature=0
)
checkpointer = InMemorySaver()

# 创建检索Agent
agent = create_agent(
    model=llm,
    tools=[search_tool],
    checkpointer=checkpointer,
    system_prompt="遇到不确定的技术概念、常识知识、实时信息，主动调用联网搜索工具，基于检索到的权威内容作答，严禁编造信息。"
)

def chat_search(question: str):
    res = agent.invoke(
        {"messages": [("user", question)]},
        config={"configurable": {"thread_id": "search_agent_demo"}}
    )
    return res["messages"][-1].content

if __name__ == "__main__":
    print(chat_search("LangGraph是什么？核心优势有哪些？"))
    print(chat_search("大模型幻觉的成因和主流解决方案"))

运行效果如下：

text 复制代码

**LangGraph** 是由 LangChain 团队开发的一个开源库，专门用于构建**有状态（Stateful）、多步（Multi-step）**的 AI Agent 应用。

简单来说，如果说传统的 LLM 应用像是一条线性的流水线（Chain），那么 LangGraph 就是让开发者可以构建复杂的**流程图（Graph）**，从而创建出具备自我修正、循环思考能力的智能体。

以下是关于 LangGraph 的详细解释及其核心优势：

### 1. LangGraph 是什么？

LangGraph 是一个**低级别的编排框架（Orchestration Framework）**。它不直接提供高级别的业务逻辑封装，而是提供构建复杂工作流的"积木"。

*   **核心模型**：它将应用程序建模为一个**图（Graph）**。
    *   **节点（Nodes）**：代表具体的步骤或动作（例如：调用一个 LLM、查询数据库、执行一段 Python 代码）。
    *   **边（Edges）**：代表节点之间的连接和控制流（例如：如果 A 成功则去 B，否则去 C；或者从 B 回到 A 进行重试）。
*   **定位**：它是 LangChain 生态系统的下一代核心组件，旨在取代传统的 `LangChain Chains`，因为 Chain 很难处理复杂的循环和状态管理。

---

### 2. 核心优势有哪些？

LangGraph 解决了传统 LLM 应用开发中的几个痛点，其核心优势主要体现在以下五个方面：

#### ① 原生支持循环（Cycles）------ Agent 的核心
这是 LangGraph 与传统 Chain 最大的区别。
*   **问题**：传统的线性流程无法处理"思考-行动-观察"的循环（如 ReAct 模式）。如果一个 Agent 发现第一步做错了，它需要回头重新做，这在普通 Chain 中很难实现。
*   **优势**：LangGraph 允许你在图中设置**循环边**。这使得构建具备自我反思、自我纠错能力的 Agent 变得非常简单。

#### ② 强大的状态管理（State Management）
*   **问题**：在多步应用中，如何优雅地传递数据（Context）是一个难题。
*   **优势**：LangGraph 提供了一个统一的**状态字典（State Dictionary）**。所有节点共享同一个状态对象，你可以轻松地在不同步骤间传递和更新数据，而不需要在每个函数之间手动传递大量参数。

#### ③ 持久化执行与检查点（Durable Execution & Checkpointing）
*   **问题**：如果 Agent 运行了 10 分钟突然崩溃或网络中断，之前的进度就丢失了。
*   **优势**：LangGraph 内置了**检查点（Checkpoints）**机制。它可以自动保存当前的状态快照。即使应用重启，也可以从上次停止的地方继续运行（Resume），这对于长时间运行的复杂任务至关重要。

#### ④ 人类介入（Human-in-the-Loop）
*   **问题**：在生产环境中，关键决策往往需要人工审核。
*   **优势**：LangGraph 允许你在图的任意节点设置**中断（Interrupt）**。当程序运行到该节点时，它会暂停并等待人类的指令（例如："批准这个操作"或"修改这个参数"），然后再继续执行。这极大地提高了 AI 应用在金融、医疗等高风险场景的安全性。

#### ⑤ 细粒度的控制流（Fine-grained Control Flow）
*   **优势**：你可以精确控制每一步的执行顺序。
    *   **条件路由**：根据上一步的结果动态决定下一步去哪里。
    *   **并行执行**：可以同时启动多个独立的子图或节点进行处理。
    *   **错误处理**：可以定义专门的错误处理节点，当某个步骤失败时自动跳转到修复逻辑。

### 总结
如果你只需要简单的问答机器人，使用标准的 LangChain Chain 可能就够了；但如果你想构建**复杂的、需要多步推理、具备记忆能力、或者需要人工审核的智能体应用**，LangGraph 是目前最主流且强大的选择。
大模型（LLM）的"幻觉"（Hallucination）是指模型生成的内容在表面上看起来通顺、合理，但实际上包含事实错误、逻辑矛盾或完全虚构的信息。

这是目前制约大模型在医疗、法律、金融等高风险领域落地的最大瓶颈之一。以下是关于其成因及主流解决方案的详细解析：

### 一、 大模型幻觉的成因

大模型产生幻觉并非因为它有"主观恶意"，而是由其底层机制决定的：

1.  **概率预测的本质（Next-Token Prediction）**
    *   **原理**：大模型本质上是一个极其复杂的"文本补全"工具。它的任务是根据上文预测下一个字出现的概率最高是什么。
    *   **问题**：它追求的是"语义上的连贯性"和"统计上的合理性"，而不是"事实上的真实性"。如果训练数据中某种错误的搭配出现频率很高，模型就会认为那是正确的。

2.  **训练数据的局限性与噪声**
    *   **数据污染**：互联网数据本身包含大量谣言、错误信息和过时知识。
    *   **缺乏特定领域知识**：通用大模型可能没有经过足够深度的垂直领域（如量子物理、罕见病）训练，遇到不懂的问题时，它会尝试用通用的语言模式去"编造"一个看似合理的解释。

3.  **上下文窗口与注意力机制的限制**
    *   **遗忘现象**：当输入信息量极大（超过上下文窗口）时，模型可能会忽略关键约束条件，或者混淆不同来源的信息，导致张冠李戴。
    *   **长尾分布**：对于生僻的知识，模型往往无法准确召回，从而产生幻觉。

4.  **提示词（Prompt）的模糊性**
    *   如果用户的问题模棱两可，或者指令不够清晰，模型为了完成任务，往往会倾向于"过度发挥"，补充一些不存在的信息来填补空白。

---

### 二、 主流解决方案

目前业界主要通过**"外部辅助"**和**"内部优化"**两个维度来缓解幻觉：

#### 1. 检索增强生成 (RAG, Retrieval-Augmented Generation) ------ 最核心方案
这是目前解决幻觉最有效的手段。
*   **原理**：在回答之前，先让模型去向量数据库或搜索引擎中查找相关的真实文档片段，然后将这些片段作为"参考资料"喂给模型。
*   **优势**：强制模型基于给定的事实进行回答（Grounding），大幅减少了凭空捏造的可能。
*   **关键点**：需要配合高质量的切片（Chunking）和重排序（Re-ranking）技术，确保检索到的内容是准确的。

#### 2. 微调 (Fine-Tuning)
*   **监督微调 (SFT)**：使用高质量、无幻觉的标准问答对（Q&A pairs）对模型进行训练，让它学习正确的回答范式。
*   **人类反馈强化学习 (RLHF / DPO)**：通过人工对模型的输出进行打分和排序，奖励那些诚实、准确的答案，惩罚那些胡编乱造的答案，从而从价值观层面抑制幻觉。

#### 3. 提示词工程优化 (Prompt Engineering)
*   **思维链 (Chain of Thought, CoT)**：要求模型"一步步思考"（Let's think step by step）。研究表明，强迫模型展示推理过程可以显著降低幻觉率，因为逻辑链条比直接给出结论更不容易出错。
*   **少样本提示 (Few-Shot Prompting)**：在Prompt中提供几个正确的示例，引导模型模仿正确的格式和内容。
*   **明确边界**：在Prompt中加入指令，如"如果你不知道答案，请直接说不知道，不要编造"。

#### 4. 自我反思与验证 (Self-Reflection & Verification)
*   **多路投票 (Self-Consistency)**：让模型针对同一个问题生成多个不同的回答，然后由另一个模块（或模型自身）进行投票，选择最一致的那个答案。
*   **批判者模式 (Critic Mode)**：构建两个Agent，一个负责生成答案，另一个专门负责挑刺和验证。如果验证不通过，生成者必须重写。

#### 5. 引入外部工具与校验层 (Guardrails)
*   **代码执行**：对于数学计算或逻辑问题，不让模型直接算，而是让它写Python代码，通过运行代码得到结果。
*   **引用溯源**：强制要求模型在每句话后面标注信息来源（Citation）。如果模型无法提供来源，系统自动判定为不可信。

### 总结
目前没有任何单一技术能彻底消除幻觉。**最佳实践通常是组合拳**：
> **RAG（提供事实依据） + 思维链（提升推理能力） + 严格的数据清洗（源头治理）**

随着模型参数量的增大和训练数据的净化，幻觉率正在逐渐降低，但在高可靠性要求的场景中，依然需要依靠上述技术手段进行人工干预和校验。

进程已结束，退出代码为 0

三、最实用日常工具：PythonREPL 代码解释器

PythonREPLTool 可以让 Agent 自主编写、运行 Python 代码。

非常适合数据分析、数学运算、批量处理、公式推导等场景。

注意：生产环境需要做好沙箱隔离，避免任意代码执行风险。

完整可运行代码

python 复制代码

import os
from dotenv import load_dotenv
from langchain_experimental.utilities import PythonREPL
from langchain_openai import ChatOpenAI
from langchain.agents import create_agent
from langgraph.checkpoint.memory import InMemorySaver
from langchain_core.tools import Tool

load_dotenv()

# 初始化代码执行工具
python_repl = PythonREPL()
# 封装成Agent可用的tool
repl_tool = Tool(
    name="python_repl",
    description="Python代码执行器。用于做数学计算、数据运算。输入必须是合法python代码，需要输出结果请用print()打印",
    func=python_repl.run,
)

llm = ChatOpenAI(
    model=os.getenv('DASHSCOPE_MODEL'),
    base_url=os.getenv('DASHSCOPE_BASE_URL'),
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    temperature=0
)
checkpointer = InMemorySaver()

agent = create_agent(
    model=llm,
    tools=[repl_tool],
    checkpointer=checkpointer,
    system_prompt="遇到数学计算、统计、数据处理问题，请主动写Python代码执行，用运行结果回答用户。"
)

def chat_python(question: str):
    res = agent.invoke(
        {"messages": [("user", question)]},
        config={"configurable": {"thread_id": "python_demo"}}
    )
    return res["messages"][-1].content

if __name__ == "__main__":
    print(chat_python("计算1~100的平方和"))
    print(chat_python("生成斐波那契数列前20项并求和"))

运行效果如下：

text 复制代码

1~100的平方和为：338350
斐波那契数列的前20项为：
[1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89, 144, 233, 377, 610, 987, 1597, 2584, 4181, 6765]

这20项的总和为：17710

结语

LangChain 社区有很多实用的工具可以快速解决问题，不用自己在重复写相同的东西，更多LangChain工具可以到LangChain社区查看docs.langchain.com/oss/python/...