langchain 快速入门(四)：搭建强大的AI Agent
<h1 id="简介">简介</h1><p>AI Agent 不仅仅是一个能聊天的机器人（如普通的 ChatGPT），而是一个能够感知环境、进行推理、自主决策并调用工具来完成特定任务的智能系统，更够完成更为复杂的AI场景需求。</p>
<h1 id="ai-agent">AI Agent</h1>
<h3 id="功能">功能</h3>
<p>根据查阅的资料，agent的功能点如下：<br>
<mark>Agent = LLM + 规划 + 记忆 + 工具使用</mark><br>
<strong>LLM：</strong> 用于回答，推理的AI模型<br>
<strong>记忆：</strong> 短期记忆（对话历史），长期记忆（RAG知识库）<br>
<strong>规划：</strong> 任务的执行流<br>
<strong>工具：</strong> Agent可以调用的外部函数</p>
<h1 id="一个简单的agent">一个简单的Agent</h1>
<h3 id="案例">案例</h3>
<p>案例描述：agent可以使用两个工具：1. 记录公司数据的RAG知识库 2. python精确计算器</p>
<pre><code class="language-python">import os
from langchain_community.chat_models.tongyi import ChatTongyi
from langchain_community.embeddings import DashScopeEmbeddings
from langchain_community.vectorstores import FAISS
from langchain_core.messages import ToolMessage
from langchain_core.tools import tool
from langchain_core.messages import HumanMessage, ToolMessage
from langchain_core.documents import Document
from langchain_text_splitters import RecursiveCharacterTextSplitter
os.environ["DASHSCOPE_API_KEY"] = "api_key"
@tool
def calculator(expression: str) -> str:
"""
计算数学表达式。需要精确计算时使用。
参数:
expression: 数学算式，如 "2 + 2" 或 "500 * 0.8"。
返回:
str: 计算结果，如 "4.0" 或 "400.0"。
"""
print(f" [🛠️ 工具调用] 计算器正在计算: {expression}")
try:
return str(eval(expression))
except Exception as e:
return f"计算错误: {e}"
@tool
def rag_search(query: str) -> str:
"""
从数据库中搜索与查询公司内部相关的文档，包括公司计划名，代号，截止日期等详细信息。
参数:
query (str): 要搜索的查询字符串。
返回:
str: 与查询相关的文档内容。
"""
# 从RAG数据库中检索文档
raw_text = """
【公司内部机密：代号“深蓝计划”】
1. 项目目标：开发一款能听懂猫语的翻译器。
2. 核心技术：基于Transformer的“喵声波”分析算法。
3. 团队暗号：如果有人问“今天天气怎么样？”，必须回答“我想吃鱼”。
4. 截止日期：2026年12月31日。
5. 经费预算：仅剩50元人民币，主要用于购买猫条。
"""
RAG_PATH = "faiss_index"
docs =
text_splitter = RecursiveCharacterTextSplitter(chunk_size=25, chunk_overlap=5)
split_docs = text_splitter.split_documents(docs)
embeddings = DashScopeEmbeddings(model="text-embedding-v1")
if os.path.exists(RAG_PATH):
print("公司内部数据库已存在")
ragdb = FAISS.load_local(RAG_PATH, embeddings, allow_dangerous_deserialization=True)
else:
print("创建公司内部数据库")
ragdb = FAISS.from_documents(split_docs, embeddings)
ragdb.save_local(RAG_PATH)
return "\n\n".join(doc.page_content for doc in ragdb.similarity_search(query, k=2))
def run_agent(query:str):
#初始化模型
tool_maps={
"rag_search": rag_search,
"calculator": calculator
}
llm = ChatTongyi(model_name="qwen-plus")
tool_llm = llm.bind_tools(tools=list(tool_maps.values()))
message =
for i in range(5):
print("="*20+"\n第"+str(i+1)+"轮\n"+query+"\n"+"="*20)
response = tool_llm.invoke(message)
message.append(response)
print(f"需要调用{len(response.tool_calls)}个方法")
if not response.tool_calls:
print("最终结果：" + response.content)
return
for tool_call in response.tool_calls:
call_id = tool_call["id"]
func_name = tool_call["name"]
func_args = tool_call["args"]
# 安全检查：确保模型调用的工具真的存在
if func_name in tool_maps:
# 运行 Python 函数
tool_func = tool_maps
tool_output = tool_func.invoke(func_args)
print("工具调用：" + func_name + "，参数：" + str(func_args) + "，结果：" + tool_output)
else:
tool_output = f"错误: 工具 {func_name} 不存在。"
message.append(
ToolMessage(
content=tool_output,
tool_call_id=call_id,
name=func_name,
)
)
if __name__ == "__main__":
run_agent("公司计划是什么")
run_agent("公司的经费预算是多少，如果预算预算提高46%后多少")
run_agent("今天天气真好")
</code></pre>
<h3 id="代码解析">代码解析</h3>
<p>要实现复杂的工具调用，必须实现AI的多轮对话，在langchain框架中，提供了大量的prompt模板，让开发者不需要过度想一些基础的prompt实现。</p>
<p>上面代码的执行流程如下：<br>
<strong>初始化2个工具函数->绑定LLM与工具->通过循环进行多轮对话</strong></p>
<h5 id="初始化2个工具函数">初始化2个工具函数</h5>
<p>这里的<code>rag_search</code>上一篇文章讲了具体实现，这里就不废话了。</p>
<pre><code class="language-python">@tool
def calculator(expression: str) -> str:
"""
计算数学表达式。需要精确计算时使用。
参数:
expression: 数学算式，如 "2 + 2" 或 "500 * 0.8"。
返回:
str: 计算结果，如 "4.0" 或 "400.0"。
"""
print(f" [🛠️ 工具调用] 计算器正在计算: {expression}")
try:
return str(eval(expression))
except Exception as e:
return f"计算错误: {e}"
@tool
def rag_search(query: str) -> str:
......
</code></pre>
<p>工具函数的格式，主要有3个方面：</p>
<ul>
<li><strong>工具修饰：</strong> 利用<code>@tool</code>修饰器修饰</li>
<li><strong>函数的描述：</strong> 这里放函数的描述，大模型通过这个描述定位工具，因此这部分<mark>必须详细</mark>，可以参考上面:
<ol>
<li>函数的描述</li>
<li>函数的参数+例子</li>
<li>函数的返回+例子</li>
</ol>
</li>
<li><strong>工具的实现：</strong> 返回值要是<mark>字符串</mark><br>
如下：</li>
</ul>
<pre><code class="language-python">@tool
def func_name(arg) -> str:
"""
描述
"""
......
</code></pre>
<h5 id="绑定llm与工具">绑定LLM与工具</h5>
<p>工具的绑定非常的简单，只需要简单的<code>bind_tools</code>类方法就行</p>
<pre><code class="language-python">tool_maps={
"rag_search": rag_search,
"calculator": calculator
}
llm = ChatTongyi(model_name="qwen-plus")
tool_llm = llm.bind_tools(tools=list(tool_maps.values()))
</code></pre>
<h5 id="通过循环进行多轮对话重点">通过循环进行多轮对话（重点）</h5>
<p>工具的调用流程：<br>
<strong>提示词->LLM->要调用的工具->LLM->结果</strong></p>
<pre><code class="language-python"> message =
for i in range(5):
print("="*20+"\n第"+str(i+1)+"轮\n"+query+"\n"+"="*20)
response = tool_llm.invoke(message)
message.append(response)
print(f"需要调用{len(response.tool_calls)}个方法")
if not response.tool_calls:
print("最终结果：" + response.content)
return
for tool_call in response.tool_calls:
call_id = tool_call["id"]
func_name = tool_call["name"]
func_args = tool_call["args"]
# 安全检查：确保模型调用的工具真的存在
if func_name in tool_maps:
# 运行 Python 函数
tool_func = tool_maps
tool_output = tool_func.invoke(func_args)
print("工具调用：" + func_name + "，参数：" + str(func_args) + "，结果：" + tool_output)
else:
tool_output = f"错误: 工具 {func_name} 不存在。"
message.append(
ToolMessage(
content=tool_output,
tool_call_id=call_id,
name=func_name,
)
)
</code></pre>
<p>在调用<code>bind_tools</code>方法后，大模型的返回对象会多出<code>tool_calls</code>字段的数组数据，用于存放需要调用工具的参数，函数名，在调用函数后，将调用函数的结果封装成<code>ToolMessage</code>传入，再继续调用大模型。</p>
<p><mark><strong>注意：在调用LLM时可能LLM会不断要求Tool，由此可能发生死循环，因此要限制循环次数。</strong></mark></p>
<h1 id="安全与审思">安全与审思</h1>
<h3 id="风险评估">风险评估</h3>
<p>近些年，ai提示词注入频频发生，根据上面的案例：</p>
<pre><code class="language-python">@tool
def calculator(expression: str) -> str:
"""
计算数学表达式。需要精确计算时使用。
参数:
expression: 数学算式，如 "2 + 2" 或 "500 * 0.8"。
返回:
str: 计算结果，如 "4.0" 或 "400.0"。
"""
print(f" [🛠️ 工具调用] 计算器正在计算: {expression}")
try:
return str(eval(expression))
except Exception as e:
return f"计算错误: {e}"
</code></pre>
<p>LLM在调用这个工具时使用了<code>eval</code>，这就造成了风险注入点，不法分子可能利用这个漏洞，获取电脑权限。</p>
<h3 id="修复思路">修复思路</h3>
<p>修复上面漏洞，可以参考以下几个思路：</p>
<ol>
<li>通过指令提示词，让LLM忽略，并终止危险代码调用该函数</li>
<li>在函数中用正则匹配危险代码，或设置白名单</li>
<li>替换eval函数，将其换为更加安全的方法，如手动写死运算</li>
</ol>
<p><strong>如果❤喜欢❤本系列教程，就点个关注吧，后续不定期更新~</strong></p>
</div>
<div id="MySignature" role="contentinfo">
<p>本文来自博客园，作者：ClownLMe，转载请注明原文链接：https://www.cnblogs.com/ClownLMe/p/19529417</p><br><br>
来源：https://www.cnblogs.com/ClownLMe/p/19529417
頁:
[1]