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

安装依赖

pip install langchain langchain-openai langgraph

或

pip install crewai

2. 基础 Agent 创建（LangChain）

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

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

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

• https://github.com/langchain-ai/langchain/tree/master/templates

• 官方模板和示例

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