AI大模型应用开发入门-LangChain开发Agent

基于 LangChain 和 GPT-4o-mini 的大模型智能体开发实战

近年来，大模型能力的持续突破，使得构建智能代理（Agent）系统成为开发者追逐的热点。
本文将以 LangChain 框架为核心，结合 GPT-4o-mini 模型，通过接入工具与消息修剪策略，实现一个具备记忆、调用搜索、执行函数能力的智能体。
环境准备与模型初始化

使用 LangChain 需要首先初始化语言模型，这里使用的是 GPT-4o-mini，由 OpenAI 提供。

1. # llm_env.py
2. from langchain.chat_models import init_chat_model
4. llm = init_chat_model("gpt-4o-mini", model_provider="openai")

复制代码

我们将其封装在 llm_env.py 中供主程序导入。
主程序结构解析

主逻辑文件为 main_agent_trim.py，功能包括：

• 工具集成
  
• PostgreSQL 持久化配置
  
• 消息修剪策略
  
• Agent 交互循环
  

工具函数与搜索工具接入

我们首先定义了一个简单的数学函数 add，以及接入了 TavilySearchResults 搜索工具，用于增强智能体外部知识获取能力。

1. def add(a: int, b: int) -> int:
2.     return a + b
4. search = TavilySearchResults(max_results=5)
5. tools = [add, search]

复制代码

配置 LangGraph 持久化存储

我们使用 PostgresSaver 来记录 agent 的状态与历史会话，以支持多轮对话记忆。

1. DB_URI = "postgresql://postgres:123456@localhost:5432/langchaindemo?sslmode=disable"
2. with PostgresSaver.from_conn_string(DB_URI) as checkpointer:
3.     checkpointer.setup()

复制代码

用户输入 thread_id，我们组合当天日期生成唯一标识符，确保每个会话线程独立可追溯。
消息修剪策略设计

为了控制模型输入 token 上限，我们引入 trim_messages 方法，在每轮对话前进行修剪：

1. def pre_model_hook(state):
2.     trimmer = trim_messages(
3.         max_tokens=65,
4.         strategy="last",
5.         token_counter=llm_env.llm,
6.         include_system=True,
7.         allow_partial=False,
8.         start_on="human",
9.     )
10.     trimmed_messages = trimmer.invoke(state["messages"])
11.     return {"llm_input_messages": trimmed_messages}

复制代码

该策略仅保留最近的用户消息，避免长对话历史超出 token 限制，影响模型响应。
构建智能体执行器

借助 create_react_agent 方法创建智能体，传入模型、工具、hook 与 checkpoint。

1. agent_excuter = create_react_agent(
2.     llm_env.llm,
3.     tools,
4.     pre_model_hook=pre_model_hook,
5.     checkpointer=checkpointer,
6. )

复制代码

与智能体交互

程序进入循环模式，接收用户输入，执行智能体推理，并输出响应内容及工具调用情况。

1. while True:
2.     query = input("你: ")
3.     if query.strip().lower() == "exit":
4.         break
5.     input_messages = [HumanMessage(query)]
6.     response = agent_excuter.invoke({"messages": input_messages}, config=config)
7.     for message in response["messages"]:
8.         if hasattr(message, "content") and message.content:
9.             print(f"{message.type}:{message.content}")
10.         if hasattr(message, "tool_calls") and message.tool_calls:
11.             print(f"{message.type}:{message.tool_calls}")

复制代码

示例

总结

本文展示了如何基于 LangChain 框架构建一个集搜索、函数执行、消息修剪与状态持久化为一体的智能体系统。通过合理设计 hook 与工具链，我们可以持续扩展其功能边界。
 

来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！

yyds。多谢分享