企业官网建设流程全解析

一、理解Agents

通用人工智能（AGI）将是 AI的终极形态 ，几乎已成为业界共识。同样，构建智能体（Agent）则是AI工程应用 当下的“终极形态” ，即Agent是大模型应用开发的核心。

什么是Agent？

Agent的核心组件

Agent创建与调用

二、Agent的基本用法1：模型的传入方式

create_agent 完整参数：

agent=create_agent(model:str|BaseChatModel,# 必需：聊天模型tools:List[BaseTool],# 必需：工具列表system_prompt:str="",# 系统提示词middleware:Seguence[AgentMiddleware[StateT_co,ContextT]]=()# 中间件interrupt_before:List[str]=None,# 在某些工具前暂停（人机协作）interrupt_after:List[str]=None,# 在某些工具后暂停debug:bool=False# 调试模式name:str丨None=None,# 设置模型名称)

更多参数参考：https://reference.langchain.com/python/langchain/agents/factory/create_agent

举例：

fromlangchain.chat_modelsimportinit_chat_modelfromdotenvimportload_dotenvimportos load_dotenv(override=True)DASHSCOPE_API_KEY=os.getenv("DASHSCOPE_API_KEY")DASHSCOPE_BASE_URL=os.getenv("DASHSCOPE_BASE_URL")model=init_chat_model(model="openai:qwen-plus",# 底层调用的是ChatOpenAIapi_key=DASHSCOPE_API_KEY,base_url=DASHSCOPE_BASE_URL)fromlangchain.agentsimportcreate_agent agent=create_agent(model)print(type(agent))fromIPython.displayimportImage,display# 显示agent的图结构display(Image(agent.get_graph().draw_mermaid_png()))

由上可知，agent本质上是LangGraph的CompiledStateGraph实例，底层实现是一个图结构。

三、Agent的基本用法2：如何调用Agent

举例

fromrichimportprintasrprint agent=create_agent(model=model)resp=agent.invoke({"messages":[{"role":"system","content":"你是一个小学数学老师，耐心，幽默，讲解深入浅出"},{"role":"user","content":"100加上50等于多少？"}]})rprint(resp)

四、Agent的基本用法3：绑定工具

LangChain内置工具列表：https://docs.langchain.com/oss/python/integrations/tools
其中典型的工具如下：

基本用法

Agents支持绑定一或多个工具。

举例1：绑定一个工具

举例2：接入内置工具

绑定内置的TavilySearch搜索工具，可以借助Tavily进行网络搜索和信息爬取。
这里我们需要先在tavily官网注册并获得API-KEY（每月有免费额度）：https://www.tavily.com/。
然后将API-KEY写到本地.env中的 TAVILY_API_KEY 变量中，即可进行调用了

举例3：绑定多个工具

注意：只给 Agent 需要的工具，工具太多会混淆。一般2-5 个工具最佳

工具调用流程分析

LangChain 的 Agent 会将 模型 与 工具 结合起来，在实现上由一个基于 LangGraph 的图结构来编排执行流程，如下所示。

这与前文得到的 Agent 图结构是一致的，本质上就是经典的 ReAct 结构：一个具备“ 思考-行动-观察 ”不断循环的自主工作者。
用户问题 → AI 思考 → 调用工具 → 观察结果 → 继续思考 → … → 最终答案

当用户提出一个复杂需求时，Agent会像人类一样，先理解任务、规划步骤、使用合适的工具（如搜索网络、查询数据库、执行计算）获取信息，Agent 会在一个循环中 反复调用模型和工具 ，直到某次模型输出中 不再包含工具调用 则结束，最后综合所有信息给出最终答案。
完整流程：

举例：用户问题：“找出当前最流行的无线耳机并检查库存”的任务

重试机制

Agent可以在工具调用结果不满足要求时，自主重试。

常见问题

问题1：Agent 如何选择工具？

依据 ：工具的 docstring

问题2：Agent 为什么没有调用工具？

问题3：Agent 选错工具？

问题4：如何知道 Agent 何时完成？

当 AIMessage 不包含 tool_calls 时：

formsginresponse['messages']:ifisinstance(msg,AIMessage):ifhasattr(msg,'tool_calls')andmsg.tool_calls:print("还在调用工具...")else:print("完成！最终答案：",msg.content)

问题5：Agent 可以调用多少次工具？

问题6：如何限制工具调用次数？

五、Agent的高级用法1：设置Agent名称

用法

经典使用场景

1. 流式输出归因

2. 消息身份标记

3. 调试与trace可读性

4. 组件化封装

5. 前端展示与运行态可观测性

6. 作为稳定的运行时身份标识

六、Agent的高级用法2：系统提示词

使用 create_agent 创建 Agent 时，需传入 模型 和 工具 、可选地传入 系统提示词 。提示词为Agent提供了任务背景、行为准则和操作指南。
系统指令，即SystemMessage，通过 system_prompt 设置，定义 Agent 行为。这This parameter can be either astror aSystemMessagetype.

七、Agent的高级用法3：结构化输出

模型 vs Agent的结构化输出对比

结构化输出的4种策略

LangChain的create_agent()函数自动处理结构化输出的全过程。用户只需通过 “response_format”参数 设置期望的输出模式（Schema）。
当模型生成结构化数据时，系统会自动捕获、验证并将结果存储在Agent状态的 structured_response键中。

ProviderStrategy

使用模型提供商的 原生结构化输出功能 实现结构化输出。

ToolStrategy

type / AutoStrategy

None

默认配置，表示不以结构化输出，以 自然语言 响应用户问题。

总结：

在实际大模型Agent开发场景中，如果使用到了结构化输出，推荐使用 “ToolStrategy”策略 ，所以后续重点介绍这种策略方式结构化输出。

ToolStrategy使用详解

结构化输出：schema参数

输出模式1：Pydantic类型

Pydantic类型的Schema支持数据验证，是优先推荐使用的方式。

fromlangchain.chat_modelsimportinit_chat_modelfromdotenvimportload_dotenvimportos load_dotenv(override=True)DASHSCOPE_API_KEY=os.getenv("DASHSCOPE_API_KEY")DASHSCOPE_BASE_URL=os.getenv("DASHSCOPE_BASE_URL")model=init_chat_model(model="openai:qwen-plus",# 底层调用的是ChatOpenAIapi_key=DASHSCOPE_API_KEY,base_url=DASHSCOPE_BASE_URL)frompydanticimportBaseModel,Fieldfromlangchain.agents.structured_outputimportToolStrategyfromlangchain.agentsimportcreate_agentfromlangchain.messagesimportHumanMessageclassContactInfo(BaseModel):"""用户的联系方式"""name:str=Field(description="用户姓名")email:str=Field(description="用户邮箱地址")phone:str=Field(description="用户的手机号")agent=create_agent(model=model,response_format=ToolStrategy(ContactInfo))response=agent.invoke({"messages":[HumanMessage("从这段话中抽取结构化信息：小明的邮箱地址为：songhk@atguigu.com，手机号：12345678912")]})formsginresponse["messages"]:msg.pretty_print()

观察日志可知，这种方式将结构化信息作为 伪工具传递 ，显然使用了Function Calling方法。
注意：

1. 如果是结构化输出，在系统提示词中最后提示结构化输出结果，如果提示词中先结构化输出结果（Agent已经执行完成），可能会导致一些工具不会再被调用。
2. 系统提示词中最后加入“未找到用户”时的处理提示，避免程序一直调用工具尝试查找对应用户信息。

输出模式2：TypedDict类型

输出模式3：JsonSchema类型

输出模式4：@dataclass类型

@dataclass是Python 3.7引入的一个装饰器，用于简化数据存储类的定义。

多schema联合模式

自定义工具消息：tool_message_content参数

错误处理：handle_errors参数

情况1：设置为True/False/固定字符串

handle_errors设置为True

handle_errors设置为False

handle_errors设置为“请检查输入数据”

情况2：设置为指定异常类型

情况3：设置为自定义错误处理函数

frompydanticimportBaseModel,FieldfromtypingimportUnionfromlangchain.agentsimportcreate_agentfromlangchain.agents.structured_outputimportToolStrategy,StructuredOutputValidationError,MultipleStructuredOutputsErrorfromrichimportprintasrprint# 自定义错误处理函数defcustom_error_handler(error:Exception)->str:"""自定义错误处理器"""error_str=str(error)print(f"捕获到错误类型：{type(error).__name__}")print(f"错误详情：{error_str}")ifisinstance(error,StructuredOutputValidationError):return"数据格式有误，请检查字段是否符合要求。"elifisinstance(error,MultipleStructuredOutputsError):return"检测到多个响应，请选择最相关的一个进行返回。"else:returnf"Error:{error_str}"classContactInfo(BaseModel):"""个人联系信息"""name:str=Field(description="姓名")email:str=Field(description="电子邮箱")classEventDetails(BaseModel):"""活动详情"""event_name:str=Field(description="活动名称")date:str=Field(description="活动日期")agent=create_agent(model=model,response_format=ToolStrategy(Union[ContactInfo,EventDetails],tool_message_content="提取完成！",handle_errors=custom_error_handler))result=agent.invoke({"messages":[{"role":"user","content":f"请提取以下文本中内容：姓名：张三，电子邮箱：zhang3@atguigu.com，活动名称：公司年会，活动日期：2026-07-15"}]})rprint(result)

八、Agent的高级用法4：流式输出及模式

流式输出的说明

具体的输出模式

values输出模式

updates输出模式

messages输出模式

该模式中会输出流式返回的Token以及相关的元数据（如：来自哪个节点），可以用在实现类似ChatGPT 的打字机效果场景，为聊天机器人等交互式应用提供最佳的实时体验。

tasks输出模式

该模式会输出当前task任务开始和结束的时间，包含任务的结果和错误信息，该模式用于监控任务的生命周期

debug输出模式

该模式与tasks模式类似，比task模式多输出任务步骤、时间戳、task类型（task/task_result），该模式用于调试、监控task任务的生命周期。

checkpoints输出模式

该模式中，每当检查点（checkpoint）被创建时会触发输出，输出包含检查点中的状态，用于需要状态持久化、工作流恢复或分布式执行跟踪的高级场景。

custom输出模式

开发者通过 get_stream_writer 在工具或节点内部 自定义发送的数据 ，用于 输出 业务逻辑相关的进度信息（如“已处理10/100条记录”）、自定义日志或指标。

流式输出模式总结

我们可以根据不同的目标来选择不同的输出模式。例如：

• 实现 实时对话交互 ，优先选择messages模式；
• 观察Agent的 思考与执行步骤 ，优先选择updates模式；
• 需要查看 每一步状态 优先选择values/tasks/debug模式；
• 在工具执行时 输出自定义业务 日志优先选择custom模式。

参考视频

https://www.bilibili.com/video/BV1rv7A6oEeP?spm_id_from=333.788.videopod.episodes&vd_source=0467ab39cc5ec5940fee22a0e7797575&p=51