langchian_agent的高级使用

设置agent名称

python 复制代码

agent = create_agent(
    model=model,
    name = "chat_assistant"
)

作用	说明
流式输出归因	流式输出时，可判断当前 token/事件来自哪个 Agent。
消息身份标记	生成的 `AIMessage` 会带上 `name`，便于会话记录、审计和回放。
调试与 trace 可读性	日志和链路追踪中能快速识别当前执行的是哪个 Agent。
组件化封装	Agent 作为可复用模块时，`name` 能保持统一身份，方便注册、监控和迁移。
前端展示	可视化界面可直接用 `name` 展示"当前活跃 Agent""本轮输出来源"。
稳定运行时 ID	相比临时展示名，`name` 更适合用于日志检索、监控统计和跨模块协作。

系统提示词

使用 create_agent 创建 Agent 时，需传入模型和工具、可选地传入系统提示词。提示词为Agent 提供了任务背景、行为准则和操作指南。

系统指令，即SystemMessage，通过 system_prompt 设置，定义 Agent 行为。这个参数可以是str或者SystemMessage类型。

使用建议：

明确说明 Agent 的角色
定义输出格式
说明何时使用工具

agent的结构化输出

python 复制代码

# 2.Pydantic结构化方式定义
class ContactInfo(BaseModel):
    """用户的联系方式"""
    name: str = Field(description="用户姓名")
    email: str = Field(description="用户邮箱地址")
    phone: str = Field(description="用户的手机号")

# 3.agent初始化
agent = create_agent(
    model=model,
    response_format=ProviderStrategy(ContactInfo)
)

agent的流式输出

invoke() 是"一次性等完整结果"，用户要等很久才能看到输出。流式输出用 agent.stream() 替代 invoke()，让 Agent 在执行过程中渐进式地把中间结果吐出来，实现"打字机效果"或"步骤可视化"，大幅降低等待焦虑。

python 复制代码

# 非流式（一次性返回）
result = agent.invoke({"messages": [...]})

# 流式（逐步返回）
for chunk in agent.stream({"messages": [...]}, stream_mode="updates"):
    print(chunk)

关键在于 stream_mode 参数，指定"流出来的是什么"。

7 种输出模式

模式	输出内容	适用场景
updates（默认）	每步增量变化的部分	观察 Agent 思考/调工具/拿结果的执行进度
values	每步执行后的完整状态	需要每步都拿到全量状态、做状态持久化
messages	流式返回的 token + 元数据	聊天机器人"打字机效果"，最佳交互体验
tasks	任务开始/结束时间 + 结果/错误	监控任务生命周期
debug	比 tasks 更详细（含步骤、时间戳、类型）	调试、链路追踪
checkpoints	每次检查点创建时输出状态	状态持久化、工作流恢复、分布式跟踪
custom	开发者用 `get_stream_writer()` 自定义输出	业务进度（如"已处理 10/100 条"）、自定义日志

模式也可以组合

python 复制代码

for stream_mode, chunk in agent.stream(
    {"messages": [...]},
    stream_mode=["tasks", "updates"]  # 同时监听两种
):
    print(f"模式: {stream_mode}, 数据: {chunk}")