智能Agent实战指南：从入门到精通（工具）

小趴菜一枚°

640人浏览 · 2026-04-12 19:27:48

小趴菜一枚° · 2026-04-12 19:27:48 发布

通用人工智能（AGI）将是AI的终极形态，已经成为业界的共识。同样的，构建智能体则是AI应用工程当下的终极形态。

Agent这个概念我们在之前很多文章都有提到，那么，他和Chain有什么区别呢？

在Chain中行动序列是硬编码的、固定流程的，就像是在流水线上工作，而Agent则是采用语言模型作为其推理引擎，具备一定的自主决策能力，确定以什么样的顺序采取什么样的行动。

1、Agent入门使用

1.1 创建Agent、AgentExecutor

	环节一：创建Agent	环节二：创建AgentExecutor代理执行器
传统方式	使用 AgentType 指定	initialize_agent（）
通用方式	create_xxx_agent（）例：create_tool_calling_agent()	调用AgentExecutor（）构造方法

1.2 Agent的类型

Agents的核心类型有以下两种：

（1）Function Call模式

基于结构化函数调用（OpenAI Function Calling）;
直接生成工具调用参数（JSON格式）；
效率高，特别适合于工具使用明确的场景。

典型的AgentType:

第一种	AgentType.OPENAI_FUNCTIONS
第二种	AgentType.OPENAI_MULTI_FUNCTIONS

（2）ReAct模式

基于文本推理的链式思考，具备反思和自我纠错能力（推理：分析当前状态，决定下一步行动；行动：调用工具并返回结果）；
通过自然语言描述决策过程；
适用于需要明确推理步骤的场景（问答系统、智能客服）。

典型的AgentType:

零样本推理

AgentType.ZERO_SHOT_REACT_DESCRIPTION

无记忆对话

AgentType.

STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION

带记忆对话

AgentType.CONVERSATIONAL_REACT_DESCRIPTION

2、Agent中工具的使用

2.1 传统方式

示例：单工具使用（查询某地天气情况-Tavily搜索工具）

（1）使用ReAct模式

from langchain_classic.agents import AgentType, initialize_agent
from langchain_classic.tools import Tool
from langchain_community.tools import TavilySearchResults
from langchain_openai import ChatOpenAI
import os
import dotenv
dotenv.load_dotenv()

# 读取配置文件
os.environ["TAVILY_API_KEY"] = os.getenv("TAVILY_API_KEY")

# 获取Tavily搜索工具实例
search = TavilySearchResults(max_results = 3)
# 获取一个搜索的工具
# 方式一
# search_tool = StructuredTool.from_function(
#     func = search.run,
#     name = "search",
#     description = "用于检索互联网上的信息",
# )
# 方式二
search_tool = Tool(
    func = search.run,
    name = "search",
    description = "用于检索互联网上的信息",
)
# 获取大模型
os.environ['OPENAI_API_KEY'] = os.getenv("OPENAI_API_KEY")
os.environ['OPENAI_BASE_URL'] = os.getenv("OPENAI_BASE_URL")
llm = ChatOpenAI(
    model="gpt-4o-mini",
    temperature=0,
)
# 创建agent示例
agent = AgentType.ZERO_SHOT_REACT_DESCRIPTION
# 创建agentExecutor实例
agent_execute = initialize_agent(
    llm =llm,
    agent = agent,
    tools = [search_tool],
    verbose = True,
)
# 通过agentExecutor调用invoke()，并得到响应
result = agent_execute.invoke("查询西安今天天气情况")
# 处理响应数据
print(result)

可以看到有文本推理的思考过程：

（2）使用Function_Call模式

from langchain_classic.agents import AgentType, initialize_agent
from langchain_classic.tools import Tool
from langchain_community.tools import TavilySearchResults
from langchain_openai import ChatOpenAI
import os
import dotenv
dotenv.load_dotenv()

# 读取配置文件
os.environ["TAVILY_API_KEY"] = os.getenv("TAVILY_API_KEY")

# 获取Tavily搜索工具实例
search = TavilySearchResults(max_results = 3)
# 获取一个搜索的工具
# 方式一
# search_tool = StructuredTool.from_function(
#     func = search.run,
#     name = "search",
#     description = "用于检索互联网上的信息",
# )
# 方式二
search_tool = Tool(
    func = search.run,
    name = "search",
    description = "用于检索互联网上的信息",
)
# 获取大模型
os.environ['OPENAI_API_KEY'] = os.getenv("OPENAI_API_KEY")
os.environ['OPENAI_BASE_URL'] = os.getenv("OPENAI_BASE_URL")
llm = ChatOpenAI(
    model="gpt-4o-mini",
    temperature=0,
)
# 创建agent示例
agent = AgentType.OPENAI_FUNCTIONS
# 创建agentExecutor实例
agent_execute = initialize_agent(
    llm =llm,
    agent = agent,
    tools = [search_tool],
    verbose = True,
)
# 通过agentExecutor调用invoke()，并得到响应
result = agent_execute.invoke("查询西安今天天气情况")
# 处理响应数据
print(result)

上述两种AgentType对比：

对比角度	ZERO_SHOT_REACT_DESCRIPTION	OPENAI_FUNCTIONS
底层机制	模型生成文本指令，系统解析后调用工具	模型直接返回JSON格式工具调用
执行效率	较低（多轮文本交互）	高（单步完成）
输出可读性	直接显示人类可读的思考过程	需查看结构化日志
工具参数处理	依赖模型文本描述准确性	自动匹配工具参数结构
兼容模型	所有文本生成模型	仅GPT-4/Claude 3等新模型
复杂任务表现	可能因文本解析失败出错	可靠（结构化保证）

示例：多工具使用（以ReAct模式为例）

# 1.导入相关依赖
from langchain_openai import ChatOpenAI
from langchain_classic.agents import initialize_agent, AgentType
from langchain_classic.tools import Tool
from langchain_community.tools.tavily_search import TavilySearchResults
from langchain_experimental.utilities.python import PythonREPL
# 2. 设置 TAVILY_API 密钥
os.environ["TAVILY_API_KEY"] = os.getenv("TAVILY_API_KEY")

# 3.定义搜索工具
search = TavilySearchResults(max_results=3)
search_tool = Tool(
    name="Search",
    func=search.run,
    description="用于搜索互联网上的信息，特别是股票价格和新闻"
)
# 4.定义计算工具
python_repl = PythonREPL()
# LangChain封装的工具类可以进行数学计算
calc_tool = Tool(
    name="Calculator",
    func=python_repl.run,
    description="用于执行数学计算，例如计算百分比变化"
)
# 5. 定义LLM
llm = ChatOpenAI(
    model="gpt-4o-mini",
    temperature=0,
)
# 6. 创建AgentExecutor执行器对象
agent_executor = initialize_agent(
    tools=[search_tool, calc_tool],
    llm=llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True
)
# 7. 测试股票价格查询
query = "特斯拉当前股价是多少？比去年上涨了百分之几？"
result=agent_executor.invoke(query)
print(f"查询结果: {result}")

示例：自定义函数与工具

计算3的平方，Agent自动调用工具完成

from langchain_classic.agents import initialize_agent, AgentType, Tool
from langchain_openai import ChatOpenAI
# 1. 定义工具 - 计算器（要求字符串输入）
def simple_calculator(expression: str) -> str:
    """
    基础数学计算工具，支持加减乘除和幂运算
    参数:
        expression: 数学表达式字符串，如 "3+5" 或 "2**3"
    返回:
        计算结果字符串或错误信息
    """
    print(f"\n[工具调用] 计算表达式: {expression}")
    print("只因为在人群中多看了你一眼，确认下你调用了我^_^")
    return str(eval(expression))  # 实现的根本
# 2. 创建工具对象
math_calculator_tool = Tool(
    name="Math_Calculator",  # 工具名称（Agent将根据名称选择工具）
    func=simple_calculator,  # 工具调用的函数
    description="用于数学计算，输入必须是纯数学表达式（如'3+5'或'3**2'表示平方）。不支持字母或特殊符号"# 关键：明确输入格式要求
)
# 3. 初始化大模型
llm = ChatOpenAI(
    model="gpt-4o-mini",
    temperature=0,
)
# 4. 初始化AgentExecutor（使用零样本React模式、增加超时设置）
agent_executor = initialize_agent(
    tools=[math_calculator_tool],  # 可用的工具列表
    llm=llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,  # 简单指令模式
    verbose=True  # 关键参数！在控制台显示详细的推理过程
)
# 5. 测试工具调用（添加异常捕获）
print("=== 测试：正常工具调用 ===")
response = agent_executor.invoke(
    "计算3的平方"
)
# 向Agent提问
print("最终答案:", response)

2.2 通用方式

（1）使用Function_Call模式

from langchain_core.prompts import ChatPromptTemplate
from langchain_classic.agents import  create_tool_calling_agent, AgentExecutor
from langchain_classic.tools import Tool
from langchain_community.tools import TavilySearchResults
from langchain_openai import ChatOpenAI
import os
import dotenv
dotenv.load_dotenv()

# 读取配置文件
os.environ["TAVILY_API_KEY"] = os.getenv("TAVILY_API_KEY")

# 获取Tavily搜索工具实例
search = TavilySearchResults(max_results = 3)
# 2、获取对应工具实例

search_tool = Tool(
    func = search.run,
    name = "search",
    description = "用于检索互联网上的信息",
)
# 3、获取大模型
os.environ['OPENAI_API_KEY'] = os.getenv("OPENAI_API_KEY")
os.environ['OPENAI_BASE_URL'] = os.getenv("OPENAI_BASE_URL")
llm = ChatOpenAI(
    model="gpt-4o-mini",
    temperature=0,
)
# 4、提示词模版（ChatPromptTemplate为例）
prompt_template = ChatPromptTemplate.from_messages([
    ("system","你是一个乐于助人的ai助手，根据用户的提问，必要时调用search工具，使用互联网检索数据"),
    ("human","{input}"),
    ("system","{agent_scratchpad}") # agent_scratchpad必须声明
])
# 5、获取Agent实例：create_tool_calling_agent()
agent = create_tool_calling_agent(
    llm = llm,
    prompt = prompt_template,
    tools = [search_tool],
)
# 6、获取AgentExecutor实例
agent_executor = AgentExecutor(
    agent = agent,
    tools = [search_tool],
    verbose = True,
)
# 7、通过AgentExecutor实例调用invoke方法，得到响应
response = agent_executor.invoke({"input":"查询今天的西安天气情况"})
# 8、处理响应
print(response)

（2）使用ReAct模式

远程的提示词模版通过 https://smith.langchain.com/hub/hwchase17 获取，其中/react专门给ReAct模式设计的提示模版。

直接调用远程提示词模版实现：

from langchain_classic import hub
from langchain_core.prompts import ChatPromptTemplate, PromptTemplate
from langchain_classic.agents import AgentType, initialize_agent, create_tool_calling_agent, AgentExecutor, create_react_agent
from langchain_core.tools import StructuredTool
from langchain_classic.tools import Tool
from langchain_community.tools import TavilySearchResults
from langchain_openai import ChatOpenAI
import os
import dotenv
dotenv.load_dotenv()

# 读取配置文件
os.environ["TAVILY_API_KEY"] = os.getenv("TAVILY_API_KEY")

# 获取Tavily搜索工具实例
search = TavilySearchResults(max_results = 3)
# 2、获取对应工具实例

search_tool = Tool(
    func = search.run,
    name = "search",
    description = "用于检索互联网上的信息",
)
# 3、获取大模型
os.environ['OPENAI_API_KEY'] = os.getenv("OPENAI_API_KEY")
os.environ['OPENAI_BASE_URL'] = os.getenv("OPENAI_BASE_URL")
llm = ChatOpenAI(
    model="gpt-4o-mini",
    temperature=0,
)
# 4、使用LangChain Hub中的官方ReAct提示模板
prompt_template = hub.pull("hwchase17/react")

# 5、获取Agent实例：create_react_agent()
agent = create_react_agent(
    llm = llm,
    prompt = prompt_template,
    tools = [search_tool],
)
# 6、获取AgentExecutor实例
agent_executor = AgentExecutor(
    agent = agent,
    tools = [search_tool],
    verbose = True,
)
# 7、通过AgentExecutor实例调用invoke方法，得到响应
response = agent_executor.invoke({"input":"查询今天的西安天气情况"})
# 8、处理响应
print(response)

2.3 总结

传统方式相较通用方式来说不提供提示词模版

对于通用方式来说：

①FUNCTION_CALL模式：创建agent时，推荐使用ChatPromptTemplate

②ReAct模式：创建agent时，ChatPromptTemplate和PromptTemplate均可，更推荐第二个

组件	传统方式	通用方式
Agent创建	通过AgentType枚举选择预设	通过create_xxx_agent显式构建
AgentExecutor创建	通过initialize_agent()创建	通过AgentExecutor()创建
提示词	内置不可见	可以自定义
工具集成	AgentExecutor中显式传入	Agent/AgentExecutor中需显式传入