一、LangChain Agent 核心概念详解

Agent 是 LangChain 的最高级形态，它把 LLM、Tools、Memory、Planning 全部整合起来，能自主规划、自主选择工具、自主完成复杂任务，是从「工具调用机器人」到「智能助手」的跨越。

今天重点讲两个核心：AgentExecutor（执行器） 和 ReAct Agent（推理行动智能体）。

1. AgentExecutor：Agent 的「执行引擎」

核心定义

AgentExecutor 是 LangChain 中负责运行 Agent、处理工具调用、管理执行循环、处理错误的核心类，它是 Agent 的「执行引擎」，没有它，Agent 只是一个静态的 Prompt + LLM 组合，无法真正运行。

核心作用

  1. 循环执行：自动运行「LLM 推理 → 调用工具 → 获取结果 → 注入上下文 → 继续推理」的循环
  2. 工具调用处理：自动解析 LLM 的工具调用请求，调用对应的工具，获取返回结果
  3. 错误处理：自动处理工具调用失败、LLM 输出格式错误等异常，避免程序崩溃
  4. 终止判断：自动判断任务是否完成，完成就停止循环，输出最终答案

2. ReAct Agent：推理 + 行动的智能体

核心定义

ReAct Agent 是基于 ReAct 框架（Reasoning + Acting） 的 Agent，它的核心思想是 **「先思考，再行动，根据结果再思考，再行动」**，交替生成「思考轨迹（Thought）」和「具体行动（Action）」，直到完成任务。

ReAct 的完整工作流程

这是你之前学过的 ReAct 论文的核心逻辑，LangChain 把它完全工程化了：

  1. Thought（思考）：LLM 分析当前状态，规划下一步要做什么，为什么要做
  2. Action（行动）：LLM 根据思考，生成具体的工具调用请求
  3. Observation（观察）：执行工具调用，获取返回结果
  4. 循环：把「Thought → Action → Observation」的完整轨迹注入上下文，继续思考下一步
  5. Final Answer（最终答案）：LLM 判断任务完成，输出最终答案

二、实战：用 LangChain 实现 ReAct Agent（计算器 + 搜索引擎）

下面是一份完全兼容 LangChain 1.0+ 最新版本的代码，实现了一个能同时调用计算器和Serper 搜索引擎的 ReAct Agent，能解决需要「搜索 + 计算」的复杂问题。

1. 准备工作

（1）安装依赖

pip install -U langchain langchain-openai langchain-community python-dotenv numexpr

（2）配置 .env 文件

DOUBAO_API_KEY=你的豆包APIKey
SERPER_API_KEY=你的SerperAPIKey

2. 完整可运行代码

import os
from dotenv import load_dotenv

import numexpr
from langchain_core.chat_history import BaseChatMessageHistory, InMemoryChatMessageHistory
from langchain_core.runnables import RunnableWithMessageHistory
from langchain_openai import ChatOpenAI
from langchain_core.tools import tool
from langchain_community.utilities.google_serper import GoogleSerperAPIWrapper
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain.agents import AgentExecutor, create_react_agent

from 学习langchain架构.serper工具调用成功 import agent_with_history

# ================== 1. 加载环境变量 ======================
load_dotenv()
os.environ["SERPER_API_KEY"] = "api_key"


# =================== 2. 初始化 LLM （必须使用支持调用工具的模型）======================
llm = ChatOpenAI(
    api_key=os.getenv("QWEN_API_KEY"),
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
    model='qwen3-max', # 必须用 pro模型，支持工具调用
    temperature=0.01
)


# ===================== 3. 定义工具 （计算器 + 搜索引擎）==================
# ✅️ 工具1： 安全计算器（用numexpr 保证安全）
@tool
def calculator(expression: str) -> str:
    """
    【数学计算专用】 安全计算器，用户解决数学计算问题
    支持： 加 减 乘 除 括号 小数 指数运算
    输入格式：纯数学表达式，不要有中文，比如 “35*23+18”、“100/(2+3)”
    """
    # 用 numexpr 安全计算，防止代码注入
    try:
        result = numexpr.evaluate(expression).item()
        return f'计算结果： {result}'
    except Exception as e:
        return f'计算错误：{str(e)}'

# ✅️工具2：Serper搜索引擎
@tool
def web_search(query: str) -> str:
    """
    【实时信息/知识查询专用】联网搜索引擎
    只要满足以下任意一个条件，必须调用此工具
    1. 用户查询的实时信息（如：今天天气，最新新闻，体育比赛结果，实时价格）
    2. 用户询问的内容有时间限制（如：2025年后的事件、最新政策）
    3. 你不确定的答案，或者你的知识已经过时
    4. 用户明确你要【上网查一下】 【搜索一下】
    """
    serper = GoogleSerperAPIWrapper(k=5)
    return serper.run(query)

# 工具列表：把所有工具放在这里
tools = [calculator, web_search]

# ============================== 4. 提示词模版（Langchain 官方推荐格式）==============================
prompt = ChatPromptTemplate.from_messages([
    ("system","""你是一个强大的 ReAct 智能助手，能通过调用工具解决复杂问题。
    
    【核心规则 - 必须100%严格遵守】
    1.  你必须严格按照「Thought → Action → Action Input → Observation」的格式循环执行，直到完成任务
    2.  Thought：分析当前问题，说明你下一步要做什么、为什么要做
    3.  Action：只能输出你可用的工具名称，必须是 [{tool_names}] 中的一个，不能有其他内容
    4.  Action Input：工具需要的输入参数，必须是纯字符串，不能有括号、引号包裹
    5.  Observation：工具返回的结果，你不需要生成，系统会自动补充
    6.  当你获取了足够的信息，能完整回答用户的问题时，直接输出：Final Answer: 你的最终答案
    7.  禁止编造信息、禁止不调用工具就编造 Observation、禁止输出格式外的多余内容
    
    【格式示例 - 必须严格按照这个格式输出】
    Question: 用户的问题
    Thought: 我需要先查询2026年世界杯的举办国，才能获取对应的人口数据，因此调用web_search工具
    Action: web_search
    Action Input: 2026年世界杯举办国
    Observation: 工具返回的搜索结果
    Thought: 我已经获取了举办国信息，接下来需要查询这些国家的人口数据
    Action: web_search
    Action Input: 美国 加拿大 墨西哥 2026年最新人口
    Observation: 工具返回的人口数据
    Thought: 我已经获取了所有需要的信息，可以给出最终答案了
    Final Answer: 2026年世界杯由美国、加拿大、墨西哥联合举办，三国人口分别是xxx、xxx、xxx
    
    【可用工具详情】
    {tools}
    
    【工具名称列表】
    {tool_names}"""),
    # 对话历史占位符（记忆功能）
    MessagesPlaceholder(variable_name="chat_history"),
    ("user","{input}"),
    # ✅️ReAct 强制要求：agent_scratchpad 占位符，用来存储中间过程
    ("ai", "{agent_scratchpad}")
])


# ============================ 5. 记忆管理（短期记忆） ==================
store = {}

def get_session_history(session_id: str) -> BaseChatMessageHistory:
    if session_id not in store:
        store[session_id] = InMemoryChatMessageHistory()
    return store[session_id]


# =========================6. 构建 ReAct Agent （LangChain 1.0+ 标准写法） ===================
# 第一步：构建ReAct Agent
agent = create_react_agent(llm, tools, prompt)

# 第二步：创建：AgentExecutor
agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    verbose=True, # 开启详细日记，能看到完整的ReAct执行过程
    handle_parsing_errors=True, # 自动处理解析错误
    max_iterations=10, # 最大迭代次数 10次
    early_stopping_method="generate"  # 迭代到上限时，用已有信息生成答案，而不是直接停止
)

# 第三步：给agent 加上记忆功能
agent_with_memory = RunnableWithMessageHistory(
    agent_executor,
    get_session_history,
    input_messages_key = "input",
    history_messages_key="chat_history"
)

# =====================7， 主程序 ==================================
def main():
    print("===== 🚀 LangChain 1.0+ ReAct Agent（计算器 + 搜索引擎）=====")
    print("输入 q 退出，输入 clear 清空记忆\n")
    print("💡 测试问题：2026年世界杯举办地的人口是多少？乘以3.14是多少？\n")
    session_id = "user_001"

    while True:
        user_input = input("你：").strip()

        if user_input.lower() == "q":
            print("🤖 再见！")
            break
        if user_input.lower() == "clear":
            if session_id in store:
                store[session_id].clear()
            print("🤖 记忆已清空！")
            continue
        if not user_input:
            continue

        # 调用 ReAct Agent
        result = agent_with_memory.invoke(
            {"input": user_input},
            config={"configurable": {"session_id": session_id}}
        )
        print(f"\n🤖：{result['output']}\n")

if __name__ == "__main__":
    main()

三、代码核心部分详解

1. 工具定义（两个核心工具）

（1）安全计算器

用 numexpr 库代替 eval，保证安全，防止代码注入，同时支持复杂的数学运算。

@tool
def calculator(expression: str) -> str:
    """..."""
    result = numexpr.evaluate(expression).item()
    return f"计算结果：{result}"

（2）Serper 搜索引擎

用官方标准的 GoogleSerperAPIWrapper，稳定、兼容所有版本。

@tool
def web_search(query: str) -> str:
    """..."""
    serper = GoogleSerperAPIWrapper()
    return serper.run(query)

2. ReAct 提示词模板（关键）

提示词里必须包含：

  • {tools}：工具的详细描述
  • {tool_names}：工具的名称列表
  • agent_scratchpad：占位符，用来存储 ReAct 的中间过程（Thought → Action → Observation）

3. 创建 ReAct Agent

用 create_react_agent 函数，传入 LLM、工具列表、提示词模板，就能创建一个标准的 ReAct Agent。

4. AgentExecutor（执行引擎）

用 AgentExecutor 包装 Agent，负责循环执行、工具调用、错误处理。

agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    verbose=True,  # 看详细日志
    handle_parsing_errors=True,
    max_iterations=10,
)
agent = create_react_agent(llm, tools, prompt)

四、运行效果演示

测试问题：2026 年世界杯举办地的人口是多少？乘以 3.14 是多少？

控制台日志（完整 ReAct 过程）：

===== 🚀 LangChain 1.0+ ReAct Agent（计算器 + 搜索引擎）=====
输入 q 退出，输入 clear 清空记忆

💡 测试问题：2026年世界杯举办地的人口是多少？乘以3.14是多少？

你：2026年世界杯举办地的人口是多少？乘以3.14是多少？


> Entering new AgentExecutor chain...
Thought: 我需要先查询2026年世界杯的举办国，才能获取对应的人口数据，因此调用web_search工具
Action: web_search
Action Input: 2026年世界杯举办国... 年6月11日至7月19日举行，由美国、墨西哥和加拿大三国联合举办。赛事将在三个国家的16座城市间展开，是世界杯历史上首次由三个国家联合举办。 2026年国际足联世界杯 ... 2026世界杯16个主办城市出炉，美国11城、加拿大2城、墨西哥3城 ; 美国 · 达拉斯 · AT&T体育场 ; 美国 · 堪萨斯城 · 箭头体育场 ; 美国 · 休斯敦 · NRG体育场 ; 美国 · 迈阿密 · 硬石 ... 2026年国际足联世界杯（The 23rd FIFA World Cup），简称“2026年美加墨世界杯”，该届赛事于2026年6月11日至7月19日在美国、加拿大与墨西哥三国联合举办，是历史上首次由三个国家 ... 据报道，2026年世界杯将由美国、墨西哥和加拿大联合举办，其中美国有11个举办城市，墨西哥3个，加拿大2个，这将是历史上首次由三个东道主联合举办的世界杯。 目前，2022年卡塔尔将举办世界杯，2026年在美国加拿大墨西哥三国举行世界杯；2019 ... 国际足联室内五人足球世界杯主办国家. 编辑. 主办国, 所属洲, 主办的届数, 年份 ...2026年世界杯由美国、加拿大和墨西哥联合举办，我需要查询这三个国家的最新人口数据，因此调用web_search工具  
Action: web_search  
Action Input: 美国 加拿大 墨西哥 2026年最新人口世界各国人口排名(2026). 此列表包括国家和附属领土。数据基于最新的联合国人口司估算。 点击国家或附属领土的名称可查看当前估算（实时人口时钟）、历史数据和预测数据。 常住人口, 面积. 1. 美国. 33100.26万人. 937万km². 2. 墨西哥. 12893.28万人. 1964375km². 3. 加拿大. 3774.22万人. 998万km². 4. 危地马拉. 1791.56万人. 10.89万km². 5 ... 世界各国搭地区人口列表按照各国人口从多到少排列，数据主要来自人口时钟（population clock）预测搭各国官方人口普查。列出了主权国家搭自治领地，后者斜体表示。 北美洲国家人口排名(2026) ; 1, 美国, 349,035,494 ; 2, 加拿大, 40,467,728 ; 3, 百慕大, 64,459 ; 4, 格陵兰, 55,629 ... Missing: 墨西哥 | Show results with:墨西哥. 墨西哥全国统计和地理局宣布，根据墨西哥全国居民委员会的最新估算，墨西哥共有1亿1840万人口，居全球第十一位。 全球人口最多的国家分别为中国、印度、美国、印度尼西亚、 ...根据搜索结果，2026年世界杯举办国为美国、加拿大和墨西哥。我需要将三国人口相加，再乘以3.14。从数据中提取最新人口估算：

- 美国：约349,035,494人  
- 加拿大：约40,467,728人  
- 墨西哥：约118,400,000人  

现在计算总和并乘以3.14。

Action: calculator  
Action Input: (349035494 + 40467728 + 118400000) * 3.14计算结果： 1594816117.0800002我已经获取了2026年世界杯举办国（美国、加拿大、墨西哥）的人口数据，并计算出三国总人口乘以3.14的结果为约1,594,816,117.08。现在可以给出最终答案。

Final Answer: 2026年世界杯举办国（美国、加拿大、墨西哥）的总人口约为507,903,222人，乘以3.14的结果约为1,594,816,117.08。

> Finished chain.

🤖：2026年世界杯举办国（美国、加拿大、墨西哥）的总人口约为507,903,222人，乘以3.14的结果约为1,594,816,117.08。

你：北京今天天气


> Entering new AgentExecutor chain...
Question: 北京今天天气  
Thought: 我需要查询北京今天的实时天气情况，因此调用web_search工具  
Action: web_search  
Action Input: 北京今天天气  气温, 20.3℃, 25.2℃ ; 降水, 无降水, 无降水 ; 风速, 3.3m/s, 1.9m/s ; 风向, 西北风, 东北风 ; 气压, 1008.7hPa, 1010hPa ... 今天白天，华南部分地区雨势仍然较强，夜间起降雨逐渐停歇；明天，南方将迎来近期降水最少的一天。同时，南方大部将迎来升温。 4月23日 ... 舒适度：凉爽，较舒适. 雷达图. 24小时预报7天预报10天预报11-30天预报. 发布时间：04-28 12:00. 04/28 周二. 多云. 北风. 微风. 21℃. 9℃. 晴. 北风. 微风. 04/29 周三. 生活气象指数 下午好，今日天气晴好，心情也要保持晴朗哦. 出游: 适宜. 晴, 空气优. 穿衣: 大衣类. 9℃~21℃. 感冒: 极易发. 风力较大. 洗车: 不适宜. 近期有大风. 未来40天 ... 下午6时. 68°. RealFeel® 67°. 天氣宜人 · 大致晴朗 ; 下午7时. 65°. RealFeel® 64°. 天氣宜人 · 晴 ; 下午8时. 62°. RealFeel® 62°. 涼爽 · 晴朗.我已经获取了北京今天的天气信息，可以给出最终答案了  
Final Answer: 北京今天天气晴到多云，气温在9℃~21℃之间，北风微风，空气质量优，整体舒适度凉爽、较舒适。

> Finished chain.

🤖：北京今天天气晴到多云，气温在9℃~21℃之间，北风微风，空气质量优，整体舒适度凉爽、较舒适。

你：q
🤖 再见！

五、总结

  1. AgentExecutor：Agent 的执行引擎，负责循环执行、工具调用、错误处理
  2. ReAct Agent：基于「推理 + 行动」框架的 Agent，交替生成 Thought、Action、Observation
  3. 核心要点：
    • 提示词里必须加 agent_scratchpad 占位符
    • 必须用支持工具调用的模型（doubao-pro）
    • 工具的 docstring 必须写得极其清楚
    • 用 AgentExecutor 包装 Agent，处理执行循环
# python # 人工智能 # 学习
Logo
AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

cover

AtomGit 2026年6月三方库下载量排行榜重磅发布！双榜格局稳固，生态深耕持续发力

avatar AtomGit开源社区
cover

AtomGit 6 月：AtomCode CodingPlan 上线 GLM-5.2！

avatar AtomGit开源社区
cover

腾讯 Hy3 上线 AtomGit AI，更强、更稳、更落地的开源国产大模型

avatar AtomGit开源社区