人工智能應用通識教程 課件 LangChain-2

LangChainAgent與Coze工作流集成課程回顧上節課我們構建了prompt|model|parser的靜態執行鏈，以及基于RunnableWithMessageHistory的多輪對話記憶【課程目標】1、掌握Tools（工具）模塊的定義，讓大模型能“采取行動”。2、理解Agent（智能體）的核心邏輯（思考-行動-觀察）。3、學會在Agent中集成Coze工作流，實現“AI指揮AI”的嵌套調用。【課程重難點】重點：Tool裝飾器的使用、AgentExecutor的構建。難點：理解Agent的“思考循環”、CozeSDK的鑒權與調用。課程目標與重難點從Chain到Agent：為什么需要智能體"靜態鏈（Chain）適用于確定性流程，但面對需要實時信息查詢、多步驟決策的開放任務時，必須引入Agent架構。Agent通過'推理-行動'循環賦予模型動態規劃能力，實現從'文本生成器'到'任務執行者'的質變。"場景對比靜態場景（Chain可解決）：輸入固定，邏輯確定，無需外部信息，直接走prompt|model|parser

流水線即可交付結果動態場景（必須Agent）：涉及外部API調用、條件判斷、多步驟推理，需要動態決策流程本質差異Chain（鏈）：數據單向流動的固定流水線，組件按預設順序執行，適用于標準化、確定性的任務處理Agent（智能體）：基于環境反饋的循環決策系統，模型主動選擇工具并觀察結果，適用于開放性、需要實時信息的復雜任務從Chain到Agent：為什么需要智能體維度ChainAgent執行流程固定線性動態決策組件交互數據單向流動模型主動選擇工具適用場景確定性任務需要推理、工具調用的開放任務與Chain的本質區別：什么是LangChainAgent?

定義：具備"思考-行動-觀察"循環能力的自主執行單元Agent本質是"推理引擎+工具調度器"，通過ReAct（ReasoningandActing）框架實現動態決策：LLM不僅生成內容，更生成對當前局勢的分析（Thought）和行動計劃（Action），形成"思考-行動-觀察"的閉環，突破固定流程的限制。ReAct循環機制1Thought（思考）LLM分析用戶意圖和當前上下文，評估是直接回答還是調用工具，若需工具則確定調用哪個Tool及參數2Action（行動）執行具體的工具調用，向外部系統發起請求（如查詢天氣API），獲取實時數據系統組成架構3Observation（觀察）接收工具返回的執行結果，將外部數據整合到上下文中，作為下一輪思考的依據4FinalAnswer（回答）基于觀察結果生成最終回復，確保回答建立在實時、準確的數據基礎之上ThoughtActionObservationFinalAnswerTools模塊：賦予AI行動能力Tool是LangChain中對"可執行功能"的標準化抽象，通過統一的接口規范使LLM能夠理解工具的能力邊界并在適當時機觸發調用。Tool定義連接大模型與外部世界的標準化接口，封裝具體業務邏輯（如API調用、數據庫查詢、文件操作），使LLM能夠突破訓練數據的時空限制。核心特性通過@tool裝飾器自動生成功能描述，LLM根據描述理解工具用途；嚴格的參數類型提示（TypeHints）確保LLM能正確提取調用參數。架構定位Tool位于Chain執行層，作為可被Agent動態調用的組件，與Prompt、Model、Memory共同構成完整的Agent系統。典型場景實時信息查詢（天氣、股價）、精確計算（數學公式、數據統計）、外部系統操作（發送郵件、創建日程、查詢業務數據庫）。Tool定義與封裝01@tool裝飾器規范函數名需采用動詞短語（如get_weather、query_order），必須聲明參數類型注解，LangChain會自動生成JSONSchema供模型理解參數結構。在LangChain框架中，JSONSchema并非手動編寫，而是由@tool裝飾器根據函數簽名和類型注解自動生成的。其核心作用是為大語言模型提供結構化參數定義，使模型能準確理解工具調用的輸入格式與語義，從而提升調用準確率。02Docstring三段式寫法第一部分說明工具功能；第二部分明確觸發條件；第三部分詳細描述Args和Returns的類型與含義。其中觸發條件描述直接決定了工具調用的準確率。03模型決策邏輯模型通過匹配用戶意圖與Docstring中的觸發條件描述決定是否調用該工具。描述越精準，誤觸發率越低；描述模糊則會導致"該調用時不調用"或"不該調用時亂調用"。Tool定義與封裝示例@tool裝飾器規范:@tool：使用了LangChain的裝飾器。query_order_status：函數名采用了動詞+名詞的結構（Query+OrderStatus），語義清晰。order_id:str和user_phone:Optional[str]：嚴格聲明了Python類型注解。Docstring三段式寫法:第一段（功能）："查詢特定訂單的當前物流狀態及預計送達時間。"——一句話概括工具是做什么的。第二段（觸發條件）："當用戶詢問“我的快遞到哪了”...時觸發此工具。"——列舉了具體的用戶提問方式（Intent）。第三段（Args&Returns）：Args:詳細解釋了order_id是必填項，user_phone是選填項及其格式。Returns:定義了返回字典的具體字段含義。實戰演示--專業電商客服助手（調用工具）環境：python=3.12.0；langchain=0.3.7；langchain-core=0.3.21；langchain-openai=0.2.8；安裝指令：pipinstalllangchain==0.3.7langchain-core==0.3.21langchain-openai==0.2.8-i/simple為客服助手設計工具集（1）Agent組裝：創建ReAct智能體（2）

ChatPromptTemplate（帶工具描述）agent_scratchpad：ReAct的核心機制，存儲模型每一步的Thought/Action/ObservationAgent組裝：創建ReAct智能體（3）

ChatModel模塊Agent組裝：創建ReAct智能體（3）

AgentChain模塊參數名參數值/類型詳細解釋Agentcreate_tool_calling_agent函數LangChain提供的工廠函數，用于創建支持“工具調用”模式的智能體，利用LLM原生JSON輸出能力，比ReAct模式更穩定。AgentllmLanguageModel(實例)大語言模型實例（如ChatOpenAI），作為Agent的“大腦”，負責理解意圖并決定調用哪個工具。AgenttoolsList[BaseTool]可用工具列表（如[query_order_status,...]），Agent根據工具的定義（名稱、描述、參數）決定調用時機。AgentpromptChatPromptTemplate提示詞模板，定義Agent角色及上下文處理方式。ToolCalling模式下通常無需手動包含{agent_scratchpad}。ExecutoragentAgent對象上一步創建的Agent實例，負責核心的邏輯推理和決策。ExecutortoolsList[BaseTool]再次傳入工具列表，供Executor在執行層查找并運行具體的Python函數代碼。ExecutorverboseTrue(Boolean)調試開關。開啟后在控制臺打印Agent的思考過程、工具調用及返回結果，便于排查問題。Executormax_iterations5(Integer)最大循環次數。防止Agent陷入死循環，超過指定次數未完成任務將強制停止，保護資源。Executorhandle_parsing_errorsTrue(Boolean)容錯機制。當LLM輸出格式錯誤導致調用失敗時，自動捕獲錯誤并反饋給LLM重試，避免程序崩潰。AgentExecutor構建與執行流程AgentExecutor是Agent的運行時容器，負責管理ReAct循環的執行，通過verbose參數可視化呈現整個決策過程。構建流程初始化LLM（大腦）→定義Tools列表（工具箱）→使用create_react_agent創建Agent→用AgentExecutor包裝執行器動態決策與固定流程的Chain不同，Agent根據用戶輸入動態選擇執行路徑，可處理"先查天氣再推薦穿搭"的多步驟復雜需求調試技巧開啟verbose=True觀察中間步驟（Thought/Action/Observation），可清晰看到AI的"心路歷程"，便于理解Agent決策邏輯和排查錯誤執行控制max_iterations參數限制最大循環次數，防止Agent陷入無限循環；handle_parsing_errors處理LLM輸出格式異常ReAct循環執行流程Agent組裝：創建ReAct智能體（3）

Memory模塊（4）

測試對話Agent組裝：創建ReAct智能體（5）

結果展示課堂練習（10分鐘）運行上述代碼，觀察verbose=True時的Thought/Action/Observation循環嘗試提問："幫我查一下訂單12345，另外算一下2kg的東西寄到北京多少錢？"思考問題：模型是同時調用兩個工具，還是分兩次調用？為什么？進階：LangChain+Coze融合架構Coze的低代碼可視化編排與LangChain的代碼級靈活控制形成互補。通過將Coze工作流封裝為LangChainTool，實現了"配置層"與"控制層"的解耦——業務人員可在Coze調整文案風格，而開發人員通過LangChain控制調用邏輯與上下文管理。能力對比與分工?Coze優勢：可視化工作流編排（拖拽式節點）、豐富的官方插件生態（網頁搜索、圖像生成、知識庫RAG）、零代碼快速上線，適合標準化、高頻變更的業務流程?LangChain優勢：代碼級精細控制、復雜條件判斷與異常處理、私有化部署能力、與現有軟件系統的深度集成，適合作為企業級應用的"控制中樞"融合價值?分層架構：LangChainAgent作為"指揮官"，負責對話管理、上下文保持、復雜決策；Coze作為"執行單元"，負責特定的生成任務（如朋友圈文案、圖片生成），通過API調用實現遠程協作?運維效率：業務人員可在Coze端獨立調整Prompt模板或更換插件，無需改動LangChain代碼，實現"熱更新"，大幅降低迭代成本專業客服電商助手(添加Coze工作流)1.在coze中添加工作流：點擊資源庫，點擊右上角資源，再點擊工作流，輸入工作流名稱和描述點擊確定Coze工作流設置整體工作流及節點信息，試運行之后需要發布Coze工作流API配置Coze工作流參數配置（1）點擊授權（2）點擊添加Coze工作流參數配置（3）頁面配置，點擊確定（3）復制令牌，注意：再關閉頁面之前必須復制。代碼修改在原來代碼基礎上新增加一個tools，將CozeAPIKey和WORKFLOW_ID替換為自己的，確保文件開頭導入了requests庫：

importrequestsCOZE_API_KEYWORKFLOW_ID代碼修改工具列表需要添加coze_smart_assistant運行測試與回復結果課堂練習（10分鐘）在coze中添加工作流根據PPT內容完善相關代碼測試Coze流是否成功調用課程總結本節課實現了AI應用開發范式的三重躍遷：從靜態Chain到動態Agent的執行模式轉變，從文本生成到工具調用的能力邊界擴展，從純代碼開發到低代碼配置的工程效率提升。01范式演進：從Chain到AgentChain是數據單向流動的固定流水線，適用于確定性任務；Agent是基于環境反饋的循環決策系統，通過"推理-行動"循環實現動態規劃ReAct框架讓LLM不僅生成內容，更生成對當前局勢的分析（Thought）和行動計劃（Action），形成完整的認知閉環02核心機制：Tools與ReAct循環Tools是連接大模型與外部世界的標準化接口，通過@tool裝飾器自動生成功能描述和JSONSchema，使LLM能夠理解工具的能力