企业官网建设流程全解析

平潭建设局网站,win8风格网站开发实例,WordPress安装aplayer,网站后台编辑框变灰了本文详细介绍LangChain Agent API的使用方法#xff0c;通过create_tool_calling_agent和AgentExecutor快速构建AI智能体。文章以天气助手为例#xff0c;展示了Agent的并联和串联工具调用能力#xff0c;并演示如何使用内置搜索工具搭建联网智能体。这些方法充分利用大模型…本文详细介绍LangChain Agent API的使用方法通过create_tool_calling_agent和AgentExecutor快速构建AI智能体。文章以天气助手为例展示了Agent的并联和串联工具调用能力并演示如何使用内置搜索工具搭建联网智能体。这些方法充分利用大模型的规划能力使开发者能灵活组装工具满足复杂需求是小白入门AI智能体开发的实用教程。一、LangChain Agent API 简介LangChain的“链”式结构存在执行方式不灵活的重大问题。比如我们上篇文章搭建的链封装了天气工具但如果用户在使用过程中并没有询问相关天气情况反而提问了“决策树是什么?”类似的机器学习问题那该链该如何执行呢?面对这种情况大家考虑链中是否要跳过一些节点或者构建不同链满足复杂需求但很显然这增加了开发复杂度。目前大模型经过迅猛发展已经具备了自动规划对工具串联、并联等相关操作的能力基于此LangChain在链的基础上抽象出更高级的封装AgentLangChain对于Agent的定义是“由大模型规划并自由组装各种链来满足用户需求”。更重要的LangChain还在Agent的基础上封装了更高级的LangGraphLangGraph类似Multi-Agent多智能体协同的概念LangChain内容分享完毕后会分享LangGraph的教程。从本期内容开始笔者就为大家分享LangChain Agent API抽象层的相关知识。二、LangChain快速接入工具搭建智能体LangChain Agent API的基本使用方法十分简单下面还是通过天气助手小案例带大家快速上手Agent API的基本使用:导入相关依赖包并编写查询天气的函数注意本案例导入create_tool_calling_agent函数和AgentExecutor类是本节智能体构建内容的关键。import requests from langchain.agents import create_tool_calling_agent, tool, AgentExecutor from langchain.chat_models import init_chat_model from langchain_core.prompts import ChatPromptTemplate tool def get_weather(loc): 查询即时天气函数 :param loc: 必要参数字符串类型用于表示查询天气的具体城市名称\ :return心知天气 API查询即时天气的结果具体URL请求地址为https://api.seniverse.com/v3/weather/now.json 返回结果对象类型为解析之后的JSON格式对象并用字符串形式进行表示其中包含了全部重要的天气信息 url https://api.seniverse.com/v3/weather/now.json params { key: 你注册的心知天气api, location: loc, language: zh-Hans, unit: c, } response requests.get(url, paramsparams) temperature response.json() return temperature[results][0][now]构建提示词模板组件和大模型组件注意提示词模板中的agent提示符为保证大模型具备更强的Agent能力本期内容不再使用硅基流动的免费模型Qwen3-8B, 而是使用DeepSeek-V3模型具体配置大家可参考深入浅出LangChain AI Agent智能体开发教程一—认识LangChainLangGraph。# 构建提示模版 提示词模板对于Agent的构建是必须的 prompt ChatPromptTemplate.from_messages( [ (system, 你是天气助手请根据用户的问题给出相应的天气信息,并具备将结果写入文件的能力), (human, {input}), (placeholder, {agent_scratchpad}), # 这部分agnet提示符写法是写死的不可以修改 ] ) # 使用 DeepSeek 模型 model init_chat_model( modeldeepseek-chat, # deepseek-chat表示调用DeepSeek-v3模型 model_providerdeepseek,# 模型提供商写deepseek api_key你注册的deepseek api key, )本项目中不再使用model.bind()绑定模型组件和工具而是使用create_tool_calling_agent快速构建代理代码如下:#定义工具 tools [get_weather] # 直接使用create_tool_calling_agent创建代理 agent create_tool_calling_agent(model, tools, prompt)使用AgentExecutor构建Agent并快速运行代理, 代码和执行结果如下, 可以看到LangChain构建Agent是不是特别简单# 使用AgentExecutor运行当前Agent agent_executor AgentExecutor(agentagent, toolstools, verboseTrue) # Verbose表示是否要打印执行细节 responseagent_executor.invoke({input:请问今天北京天气怎么样}) print(response)从执行结果中可以看到LangChain Agent灵活的、全自动的创建了一个chain并invoke执行得到了北京的天气情况执行结果通过{ input: , output: }格式返回。看到这大家一定会感慨LangChain构建智能体竟然如此简单!三、LangChain Agent 多工具调用得益于LangChain Agent API 底层自建了很多优化去引导大模型的工具调用工作LangChain Agent可以快速准确的调用各种工具准确性和稳定性也要比单纯使用Function Calling能力要强一些。LangChain Agent可以通过串联并联以及串并联组合的方式调用工具下面提供这两种调用方法的示例让大家直观感受LangChain Agnet功能的强大。3.1 并联调用如果用户同时询问北京和杭州的天气LangChain Agent会并联查询两个地方的天气大家可以修改以上代码的提示词进行尝试responseagent_executor.invoke({input:请问今天北京和杭州的天气怎么样哪个城市更热}) print(response)执行结果如下:可以看到LangChain 同时调用get_weather工具获取了北京和杭州的天气情况并回答了用户问题从上面可以看出LangChain Agent执行并联调用的流程如下:这里给大家设立一个思考题假如我们还是想通过Chains底层API的方法实现串并联调用该如何设计呢欢迎大家在评论区和笔者讨论~3.2 串联调用如果用户想“查询北京和杭州现在的温度并将结果写入本地的文件中。”LangChain该如何执行呢我们设想LangChain Agent的执行结果如下图:编写代码验证一下是否正确:在上述代码中添加写入文件函数write_file()tool def write_file(content): 将指定内容写入本地文件。 :param content: 必要参数字符串类型用于表示需要写入文档的具体内容。 :return是否成功写入 with open(res.txt, w, encodingutf-8) as f: f.write(content) return 已成功写入本地文件。将write_file函数加入工具列表,并在提示词模板中说明大模型具备写入文件的能力#定义工具 tools [get_weather, write_file] # 构建提示模版 提示词模板对于Agent的构建是必须的 prompt ChatPromptTemplate.from_messages( [ (system, 你是天气助手请根据用户的问题给出相应的天气信息,并具备将结果写入文件的能力), (human, {input}), (placeholder, {agent_scratchpad}), # 这部分agnet提示符不需要人工输入同时也是写死的不可以修改 ] )调用create_tool_calling_agent创建代理并使用AgentExecutor执行当前Agent可以看到LangChain Agent并联搜索得到了北京杭州的天气后又串联使用文件写入工具把结果写入到res文件中:# 使用 DeepSeek 模型 model init_chat_model( modeldeepseek-chat, # deepseek-chat表示调用DeepSeek-v3模型 model_providerdeepseek,# 模型提供商写deepseek api_key, ) # 直接使用create_tool_calling_agent创建代理 agent create_tool_calling_agent(model, tools, prompt) # 使用AgentExecutor运行当前Agent agent_executor AgentExecutor(agentagent, toolstools, verboseTrue) # Verbose表示是否要打印细节信息 responseagent_executor.invoke({input:查一下北京和杭州现在的温度并将结果写入本地的文件中。}) print(response)四、LangChain使用内置搜索工具搭建联网搜索智能体既然LangChain Agent能够快速灵活的调用外部工具, 那调用内置工具的能力更是不在话下接下来我们通过一个联网搜索功能的内置工具Agent来学习LangChain接入内置工具的方法。注意需要科学上网LangChain内置工具可参考官方网站https://python.langchain.com/docs/integrations/tools/ 。本次网络搜索功能我们使用的是Tavily Search这个工具文档在https://python.langchain.com/docs/integrations/tools/tavily_search/ 。TavilySearch是目前对大语言模型非常友好的搜索工具之一可以方便地处理文本、图像等不同类型的内容并代入大语言模型进行解析。我们以前分享过的Suna和Google Agent都推荐使用Tavily Search作为联网搜索工具。执行命令pip install langchain-tavily安装Tavily依赖包登录 Tavily官网 可以用github账号登录然后到Overview注册一个API Key 每个月有1000次免费搜索案例。我们还需要将API KEY写入环境变量中环境变量名为TAVILY_API_KEY。先来测试一下Tavily Search的基本功能, 编写如下代码from langchain_community.tools.tavily_search import TavilySearchResults search TavilySearchResults(max_results2) search.invoke(苹果2025WWDC发布会)执行结果如下可以看到Tavily Search输出了两个结果:4. Tavily Search 接入Agent的流程和上面讲述的相同这里不加赘述了,完整代码如下from langchain.agents import AgentExecutor, create_tool_calling_agent, tool from langchain_core.prompts import ChatPromptTemplate from langchain.chat_models import init_chat_model from langchain_community.tools.tavily_search import TavilySearchResults search TavilySearchResults(max_results2) tools [search] prompt ChatPromptTemplate.from_messages( [ (system, 你是一名助人为乐的助手并且可以调用工具进行网络搜索获取实时信息。), (human, {input}), (placeholder, {agent_scratchpad}), ] ) # 初始化模型 # 使用 DeepSeek 模型 model init_chat_model( modeldeepseek-chat, # deepseek-chat表示调用DeepSeek-v3模型 model_providerdeepseek,# 模型提供商写deepseek api_key你注册的api key, ) agent create_tool_calling_agent(model, tools, prompt) agent_executor AgentExecutor(agentagent, toolstools, verboseTrue) agent_executor.invoke({input: 请问苹果2025WWDC发布会召开的时间是})执行结果如下, 可以看到LangChain成功执行并通过搜索给出了精确的召开时间:五、 总结本篇文章分享了LangChain Agent API快速搭建智能体的方法关键步骤通过create_tool_calling_agent创建模型和工具的Agent并使用AgentExecutor执行当前Agent。总而言之在当今大模型强大能力的加持下LangChain Agent API搭建智能体的方法还是非常简单的。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。大模型入门到实战全套学习大礼包1、大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通2、大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。3、AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。4、大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。5、大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。适用人群第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】