angChain是智能体开发平台包含一套各种帮助开发、测试、评估智能体的框架。核心包括LangChain用于快速构建智能体可兼容任何模型提供商。LangGraph从底层一步步控制智能体的构建包括记忆Memory、人机协同HITL等Deep Agents用于构建复杂的、处理多步骤的任务的智能体LangSmith用于测试、观察、评估、部署智能体本次学习主要会探究agent中的prompt;tools;memoryPrompt 是大脑指令Tools 是手脚工具Memory 是大脑记忆三者拼起来 完整智能体提示词Prompts发送给大模型的所有消息都可以称为**提示词Prompt**它直接影响模型的输出结果。系统提示词在所有发送给LLM的消息中System Message最为重要它设定了模型的角色和聊天的背景。会影响到后续所有的对话。我们将其称之为**系统提示词System Prompt**。在创建智能体时就可以直接指定系统提示词。examplefrom langchain.agents import create_agent from langchain.messages import HumanMessage from langchain.chat_models import init_chat_model model init_chat_model( modelqwen-max, model_provideropenai) # 创建智能体 agent create_agent( model model, system_prompt你是一个师长,请回答用户问题。 ) # 调用智能体 for token, metadata in agent.stream( {messages: [HumanMessage(content你是谁)]}, stream_modemessages ): print(token.content, end, flushTrue)tools一个完整的Agent至少要包含两个关键的部分- **模型**是Agent的大脑负责推理、分析规划任务步骤- **工具**是Agent的手脚负责执行任务与外界交互因此定义带有工具的Agent的基本流程如下- 定义工具- 初始化模型- 初始化Agent绑定模型和工具# 1.使用tool装饰器定义工具 from langchain.tools import tool tool def get_weather(location: str) - str: Get the weather in a given location. Args: location: city name or coordinates return fCurrent weather in {location} is sunny绑定工具(在agent中)from langchain.agents import create_agent from langchain_core.messages import HumanMessage # 2.创建智能体并绑定工具 agent create_agent( modeldeepseek-chat, tools[get_weather] ) # 3.调用Agent response agent.invoke( {messages: [HumanMessage(content杭州今天天气如何?)]}, ) for message in response[messages]: message.pretty_print()定义多个工具,LLM会自动根据tools去选择,所以tools一定要写好注解用英文# 2.预定义ToolLangChain中提供了很多预定义的Tool方便我们使用。例如- tavily就是一个用来做web搜索的工具它的使用步骤是这样的- 注册账号创建API_KEY- 配置环境变量: TAVILY_API_KEY- 安装依赖uv add langchain-tavily还有LangChain自带的预定义的工具例如搜索工具tavily官网注册Tavily# 使用uv的环境 uv add langchain-tavily # 使用tavily作为web搜索工具 from langchain_tavily import TavilySearch # 初始化工具并设置参数具体参数设置参考官网 tool TavilySearch( max_results5, topicgeneral, # include_answerFalse, # include_raw_contentFalse, # include_imagesFalse, # include_image_descriptionsFalse, # search_depthbasic, # time_rangeday, # include_domainsNone, # exclude_domainsNone ) tool.invoke(杭州今天天气如何)# 创建智能体使用预定义工具tavily agent create_agent( modeldeepseek-chat, tools[tool], system_prompt你是一个智能助手你使用工具来解决用户问题。 ) # 调用工具 for chunk in agent.stream( {messages: [HumanMessage(content北京接下来5天天气如何?)]}, stream_modeupdates ): for step, data in chunk.items(): print(fstep: {step}) print(fcontent: {data[messages][-1].content_blocks}) print()Memory记忆—— 智能体的「短期 长期记忆」短期记忆当前任务或会话的上下文Working Memory 或 Session Memory长期记忆跨任务或会话的经验与知识Persistent Memory短期记忆由于短期记忆通常生命周期是当前会话所以我们也可以称为会话记忆。Agent的会话记忆通常包含三部分对话历史查询结果任务状态对于简单的Agent来说任务没有做拆分也就不需要记录任务状态只用考虑会话历史和查询结果就可以了。后续我们会学习如何自定义更复杂的Agent会话记忆。LangChain提供了自动化的记忆管理方案首先LangChain把会话记忆也就是Messages列表记录为AgentState的一部分AgentState通过Checkpointer对象来保存每一次与AI的交互都会生成一个快照记录为一个checkpoint把同一会话的所有checkpoint组合在一起就是完整的会话历史了。为了区分不同的会话记忆不同会话需要设定各自的thread_id相同会话则使用相同thread_id向Agent发起会话时必须指定自己的thread_id以唤起对应的会话记忆Memory持久化存储(这是数据库存表的) 这里我们选择使用Sqlite作为存储方案首先需要按照langgraph-checkpoint-sqlite依赖 uv add langgraph-checkpoint-sqlite 接着按照以下步骤使用 - 导入依赖 - 初始化checkpointer - 自动建表 - 创建Agent指定checkpointer用法类似看到建表了记忆管理策略(修剪,删除,总结)总结是summarizationmiddlewarefrom langchain.agents import create_agent from langchain.agents.middleware import SummarizationMiddleware from langgraph.checkpoint.memory import InMemorySaver from langchain_core.runnables import RunnableConfig from langchain.chat_models import init_chat_model model1 init_chat_model( modelqwen-max, model_provideropenai ) # 初始化checkpointer checkpointer InMemorySaver() # 初始化中间件 middleware SummarizationMiddleware( modelmodel, trigger(messages, 3), # 触发时机当消息数超过3时进行总结 keep(messages, 1) # 保留的会话数超过2条 ) # 创建agent model1 init_chat_model( modelqwen3-max, model_provideropenai ) agent create_agent( modelmodel1, middleware[middleware], checkpointercheckpointer, ) config: RunnableConfig {configurable: {thread_id: thread_3}} # 制造长会话历史 agent.invoke({messages: [HumanMessage(content你好我是小白.)]}, config) agent.invoke({messages: [HumanMessage(content我最喜欢的运动是乒乓)]}, config) agent.invoke({messages: [HumanMessage(content我最喜欢的动物是狗)]}, config) # 测试效果 final_response agent.invoke({messages: HumanMessage(content你还记得我吗)}, config)