LangChain 代理技術賦予大語言模型 (LLM) 使用外部工具的能力，如同專案經理般協調不同工具完成複雜任務。這項技術能有效提升 LLM 應用價值，實作更廣泛的應用場景。本文將深入探討 LangChain 代理的運作機制，包含 LangGraph 的圖形結構、代理目標設定、核心元件 AgentAction、AgentFinish 和中間步驟等概念。同時，文章也將探討如何選擇合適的代理型別、整合內建與自定義工具，並運用記憶機制和 AgentExecutor 提升代理效能。最後，透過智慧餐廳推薦系統的實務案例，展現 LangChain 代理技術在實際應用中的優勢與潛力。
解密 LangChain 代理技術：AI 應用的進階實踐
身為臺灣技術工作者玄貓，我深入研究了 LangChain 代理在建構生成式 AI 應用中的強大潛力。LangChain 代理就像一位經驗豐富的專案經理，能協調各種工具完成複雜任務。本文將分享我在任務自動化、內容生成和智慧搜尋方面的進階應用心得，並提供實務案例和程式碼片段，協助開發者快速開發智慧應用。
LangChain 代理核心概念解析
LangChain 代理賦予大語言模型（LLM）使用工具的能力，使其能像熟練的工匠一樣，精準地運用各種工具創造出令人驚豔的作品。LangChain 代理的核心在於讓 LLM 不僅能理解指令，還能判斷何時及如何使用特定工具達成目標。
LangGraph：結構化思維的根本
LangGraph 是 LangChain 代理的根本，它以圖形結構定義了 AI 互動流程，使代理的思維更清晰、更有條理。每個節點代表一個動作，邊則表示節點間的轉換關係。
flowchart TD
A[起始] --> B{使用者提問}
B -->|問題有效| C[代理思考]
B -->|問題無效| D[回報錯誤]
C --> E{使用工具}
E -->|工具選擇成功| F[執行工具]
E -->|工具選擇失敗| G[輸出錯誤訊息]
F --> H[輸出結果]
G --> H
D --> H
圖表翻譯：
此圖示展示了 LangChain 代理的運作流程。首先，系統接收使用者的提問並進行有效性檢查。若提問有效，代理會進行思考並選擇適當的工具。若工具選擇成功，系統會執行該工具並輸出結果；若失敗，則輸出錯誤訊息。整個流程清晰地呈現了代理如何處理使用者輸入並給出相應的輸出。
from langchain.graphs import LangGraph
# 建立 LangGraph
graph = LangGraph()
# 新增節點和邊
graph.add_node("起始")
graph.add_node("使用者提問")
graph.add_node("代理思考")
graph.add_node("使用工具")
graph.add_node("輸出結果")
graph.add_edge("起始", "使用者提問")
graph.add_edge("使用者提問", "代理思考")
graph.add_edge("代理思考", "使用工具")
graph.add_edge("使用工具", "輸出結果")
精準導航：設定代理目標
建構代理的第一步是設定明確的目標。目標設定的越精準，代理的執行效率就越高。以「智慧餐廳推薦系統」為例，目標設定如下：
目標： 根據使用者提供的菜系、預算和所在城市，推薦最符合需求的餐廳，並提供餐廳評分、評論和聯絡方式。
LangChain 代理核心元件剖析
深入理解 LangChain 代理的運作機制，必須掌握 AgentAction、AgentFinish 和中間步驟這三個核心概念。AgentAction 定義代理要執行的動作，包含 tool（工具名稱）和 tool_input（輸入引數）。AgentFinish 表示代理完成任務，並傳回最終結果。中間步驟記錄代理執行過程中的每個動作和對應的輸出。
from langchain.agents import AgentAction, AgentFinish
# 建立 AgentAction
action = AgentAction(tool="搜尋餐廳", tool_input={"菜系": "川菜", "城市": "臺北", "預算": "800元以下"})
# 建立 AgentFinish
finish = AgentFinish(return_values={"output": "推薦您試試老罈香和川妹子"})
# 中間步驟範例
intermediate_steps = [(action, "找到5家符合條件的餐廳")]
內容解密：
此程式碼示範了 AgentAction、AgentFinish 和中間步驟的用法。AgentAction 定義了代理要執行的動作，例如搜尋餐廳，並提供詳細的搜尋條件。AgentFinish 則表示代理完成任務，並傳回推薦結果。中間步驟記錄了搜尋過程中找到的餐廳數量。
選擇合適的代理型別與工具整合
LangChain 提供多種代理型別，如 Zero-Shot-React 代理、結構化聊天代理和 ReAct 代理等。選擇合適的代理型別能有效提升開發效率。同時，LangChain 允許整合內建工具和自定義工具，使代理能處理更多工。
from langchain.agents import load_tools, initialize_agent, AgentType
from langchain.llms import OpenAI
# 初始化語言模型
llm = OpenAI(temperature=0)
# 載入工具
tools = load_tools(["serpapi", "llm-math"], llm=llm)
# 初始化代理
agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True)
# 執行代理
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True, handle_parsing_errors=True)
response = agent_executor.invoke({"input": "臺北市的著名景點有哪些？"})
print(response)
內容解密：
此程式碼示範瞭如何使用 LangChain 載入工具、初始化代理，並透過 AgentExecutor 執行代理來回答問題。它首先載入了 serpapi 和 llm-math 兩個工具，然後初始化了一個 Zero-Shot-React 代理，最後執行代理來回答關於臺北市著名景點的問題。
代理強化：記憶機制與執行器
為代理增加記憶機制，能使其記住先前的互動，並在多個對話回合中保持上下文一致性。AgentExecutor 是代理的執行引擎，負責協調代理和工具之間的互動。
from langchain_core.messages import AIMessage, HumanMessage
agent_executor.invoke(
{
"input": "我先前詢問的內容是什麼？",
"chat_history": [
HumanMessage(content="如何提升軟體開發團隊的效率？"),
AIMessage(content="提升軟體開發團隊效率的方法包含匯入敏捷開發、最佳化程式碼審查流程、匯入自動化工具等。"),
],
}
)
內容解密：
此程式碼示範瞭如何運用 LangChain 建立並執行一個具備對話歷史記憶功能的代理。透過傳入 chat_history，代理能理解當前問題的上下文，並給出更精確的回應。
透過本文的介紹和實務案例，我們可以看到 LangChain 代理在 AI 應用開發中的強大潛力。未來，我們可以期待更多根據 LangChain 的創新應用出現。
