用LangChain搭AI Agent：让AI自己决策用工具

咨询发布

这篇教大家用 LangChain 搭一个能自主决策的 AI Agent。

一、Agent 和普通对话 AI 的区别
普通 ChatGPT 对话：你问它答，它只能生成文字。Agent 能用工具：搜索、计算、执行代码、调 API。它收到你的请求后会自己决定用什么工具、按什么顺序用。

二、最小 Agent 代码

1. from langchain.agents import create_react_agent, AgentExecutor
2. from langchain_openai import ChatOpenAI
3. from langchain.tools import Tool
4. from langchain import hub
6. # 定义工具
7. def search_func(query):
8.     # 这里放搜索逻辑
9.     return f"搜索结果: {query}"
11. def calc_func(expr):
12.     try:
13.         return str(eval(expr))
14.     except:
15.         return "计算失败"
17. tools = [
18.     Tool(name="搜索", func=search_func, description="搜索互联网信息"),
19.     Tool(name="计算器", func=calc_func, description="数学计算")
20. ]
22. # 创建 Agent
23. llm = ChatOpenAI(model="deepseek-chat", api_key="你的key",
24.                  base_url="https://api.deepseek.com/v1")
26. prompt = hub.pull("hwchase17/react")
27. agent = create_react_agent(llm, tools, prompt)
28. executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
30. # 运行
31. result = executor.invoke({"input": "3的5次方是多少？再搜索一下2026年中国GDP"})
32. print(result["output"])

复制代码

三、ReAct 模式
LangChain Agent 默认用 ReAct 模式：Thought → Action → Observation 循环。AI 先思考"我需要做什么"，然后调工具，看到结果后再思考下一步。直到任务完成。

四、实用工具推荐

• DuckDuckGo Search：免费搜索，不需要 API key
  
• Python REPL：让 AI 能执行 Python 代码
  
• Requests：让 AI 能调任意 URL 的 API
  
• Wikipedia：查百科知识
  

五、注意事项

• Agent 会反复调 LLM，token 消耗大，注意费用
  
• verbose=True 打印思考过程，调试时很有用，上线关掉
  
• max_iterations 设个上限（比如 5），防止 Agent 死循环
  

闲云看海

这个结论我保留意见，至少在我们行业不太成立，可能跟样本有关。

清和

同意楼主，但落地的时候一定要考虑老系统的兼容，改造成本容易被低估。

柚子阿澈

这个成本账算得很实在，我这边也是类似情况，量小的时候真没必要自己折腾。

半夏听雨

帖子里那个数字挺关键的，不过不同规模的团队差异会很大，不能直接套。

远山

有个细节想确认，你说的这个数据是实验室环境还是生产环境跑出来的？

长夏林间

这篇讲得比我之前看到的都实在，没那么多虚的，赞一个。

林间寒山

这个判断我认同，短期看价格，长期还是看能不能嵌进业务流程里。

浅夏笔记

我之前也研究过这个方向，最后放弃了，主要是我这边数据量根本不够。

木子27

同感。这东西不是不能用，是很多人把它当万能药了，场景不对就是白花钱。