LangChain Agent 构建 Skill
使用场景
当用户需要：
- •创建基于 LangChain 的 AI Agent 机器人
- •选择适合的 agent 框架和工具
- •实现工具调用和函数调用
- •管理对话记忆和上下文
- •构建复杂的工作流和状态管理
- •集成外部工具和 API
- •优化 agent 性能和响应质量
热门 Agent 框架推荐
1. LangGraph（推荐⭐⭐⭐⭐⭐）
- •GitHub: https://github.com/langchain-ai/langgraph
- •特点：
- •LangChain 官方状态管理框架
- •声明式图形化工作流
- •支持循环、分支、条件逻辑
- •强大的状态持久化
- •适用场景：复杂任务流程、多步骤决策、状态管理
- •优势：与 LangChain 生态完美集成，文档完善
2. CrewAI（推荐⭐⭐⭐⭐⭐）
- •GitHub: https://github.com/crewAIInc/crewAI
- •特点：
- •多 agent 协作框架
- •角色分工明确（Role-based）
- •任务流（Crews + Flows）模型
- •丰富的工具集成
- •适用场景：团队协作、任务分解、多 agent 协同
- •优势：配置化强，易于扩展
3. AutoGen（推荐⭐⭐⭐⭐）
- •GitHub: https://github.com/microsoft/autogen
- •特点：
- •微软开源多 agent 框架
- •支持异步通信
- •对话式协作
- •代码执行和工具调用
- •适用场景：对话型机器人、多 agent 交互、代码生成
- •优势：企业级支持，功能强大
4. LangChain Agent Builder Templates
- •官方模板: https://docs.langchain.com/langsmith/agent-builder-templates
- •特点：
- •官方预配置模板
- •开箱即用
- •包含系统提示词和工具集
- •适用场景：快速原型、常见业务场景（邮件助手、日程提醒等）
5. LightAgent（推荐⭐⭐⭐⭐）
- •特点：
- •轻量级开源框架
- •集成 Memory、Tools、Tree of Thought
- •现代 agent 特性
- •适用场景：快速开发、中型项目、资源受限环境
核心组件
Agent 类型
1. ReAct Agent
- •特点：推理 + 行动循环
- •适用：需要工具调用的任务
- •示例：搜索、计算、API 调用
2. Plan-and-Execute Agent
- •特点：先规划后执行
- •适用：复杂多步骤任务
- •示例：数据分析、报告生成
3. Conversational Agent
- •特点：对话式交互
- •适用：聊天机器人、客服助手
- •示例：问答系统、对话助手
工具集成
常用工具类型
- •搜索工具：Google Search、DuckDuckGo
- •计算工具：Python REPL、计算器
- •文件工具：文件读写、文档处理
- •API 工具：REST API、GraphQL
- •数据库工具：SQL 查询、向量数据库
记忆管理
记忆类型
- •对话记忆：ConversationBufferMemory
- •摘要记忆：ConversationSummaryMemory
- •实体记忆：ConversationEntityMemory
- •知识图谱记忆：ConversationKGMemory
开发流程
1. 项目初始化
python
# 安装依赖 pip install langchain langchain-openai langgraph # 或 pip install crewai
2. 基础 Agent 创建（LangChain）
python
from langchain.agents import create_react_agent, AgentExecutor
from langchain_openai import ChatOpenAI
from langchain.tools import Tool
# 初始化 LLM
llm = ChatOpenAI(model="gpt-4", temperature=0)
# 定义工具
tools = [
Tool(
name="search",
func=search_function,
description="搜索网络信息"
)
]
# 创建 agent
agent = create_react_agent(llm, tools, prompt_template)
executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
# 运行
result = executor.invoke({"input": "查询今天的天气"})
3. LangGraph 工作流
python
from langgraph.graph import StateGraph, END
from typing import TypedDict
class AgentState(TypedDict):
messages: list
next: str
def agent_node(state: AgentState):
# Agent 逻辑
return {"messages": [...], "next": "continue"}
def tool_node(state: AgentState):
# 工具调用
return {"messages": [...], "next": "agent"}
# 构建图
graph = StateGraph(AgentState)
graph.add_node("agent", agent_node)
graph.add_node("tools", tool_node)
graph.add_edge("agent", "tools")
graph.add_edge("tools", "agent")
graph.set_entry_point("agent")
app = graph.compile()
4. CrewAI 多 Agent 协作
python
from crewai import Agent, Task, Crew
# 定义 Agent
researcher = Agent(
role='研究员',
goal='收集和分析信息',
backstory='你是一个专业的研究员'
)
writer = Agent(
role='作家',
goal='撰写高质量内容',
backstory='你是一个经验丰富的作家'
)
# 定义任务
research_task = Task(
description='研究某个主题',
agent=researcher
)
write_task = Task(
description='基于研究结果撰写文章',
agent=writer
)
# 创建 Crew
crew = Crew(
agents=[researcher, writer],
tasks=[research_task, write_task]
)
result = crew.kickoff()
最佳实践
提示词设计
- •明确角色：为 agent 定义清晰的角色和职责
- •工具描述：详细描述工具的功能和使用场景
- •错误处理：包含错误处理和重试机制
- •输出格式：明确指定输出格式和结构
性能优化
- •工具选择：只加载必要的工具，减少 token 消耗
- •记忆管理：根据场景选择合适的记忆类型
- •流式输出：使用流式响应提升用户体验
- •缓存策略：缓存常见查询结果
错误处理
- •工具调用失败：提供重试和降级方案
- •超时处理：设置合理的超时时间
- •异常捕获：优雅处理各种异常情况
- •日志记录：记录关键操作和错误信息
推荐项目参考
GitHub 仓库
- •
awesome-langchain-agents
- •https://github.com/EniasCailliau/awesome-langchain-agents
- •大量 LangChain agent 案例集合
- •
LangChain Templates
- •
LangGraph Examples
- •https://github.com/langchain-ai/langgraph/tree/main/examples
- •LangGraph 使用示例
学习资源
- •LangChain 官方文档: https://docs.langchain.com
- •LangGraph 文档: https://langchain-ai.github.io/langgraph
- •CrewAI 文档: https://docs.crewai.com
注意事项
- •根据任务复杂度选择合适的框架
- •注意 token 消耗和成本控制
- •实现适当的错误处理和重试机制
- •考虑 agent 的安全性和可控性
- •定期更新依赖和框架版本