LangChain项目agent源码梳理(一)

LangChain项目agent源码梳理(一)

agent概念

1. 什么是agent？agent是输入处理模块、llm作为大脑、tools作为手脚，memory用于状态保持，并提供复盘优化的智能体。

源码梳理(基于langchain0.3.23版本)

1. 入口函数

# langchain.agents.react.agent.py
def create_react_agent(
    llm: BaseLanguageModel,
    tools: Sequence[BaseTool],
    prompt: BasePromptTemplate,
    output_parser: Optional[AgentOutputParser] = None,
    tools_renderer: ToolsRenderer = render_text_description,
    *,
    stop_sequence: Union[bool, List[str]] = True,
) -> Runnable:
    ...

2. 重要参数：tools

# langchain_core.tools.base.py定义了BaseTool，以内置的搜索引擎tool为例
# langchain_community.tools.ddg_search.tool.py
class DuckDuckGoSearchRun(BaseTool):
    # BaseTool的子类，覆写了一些属性，封装了api调用
    api_wrapper: DuckDuckGoSearchAPIWrapper = Field(
        default_factory=DuckDuckGoSearchAPIWrapper
    )

    # 核心函数
    def _run(
        self,
        query: str,
        run_manager: Optional[CallbackManagerForToolRun] = None,
    ) -> str:
        """Use the tool."""
        return self.api_wrapper.run(query)

3. 重要参数：prompt
   prompt需要包含一些必要信息：

# Prompt:
# 
#         The prompt must have input keys:
#             * `tools`: contains descriptions and arguments for each tool.
#             * `tool_names`: contains all tool names.
#             * `agent_scratchpad`: contains previous agent actions and tool outputs as a string.

也可以使用langchain hub中的prompt模板，用于更好的简化输入，以hub中比较热门的prompt-maker为例：

# prompt-maker在hub中的url：https://smith.langchain.com/hub/hardkothari/prompt-maker
# 其主要用于简化用户的输入，如“生成一篇关于宠物的论文”，那么maker会将输入扩展，以更好的符合大模型的结构化输入
from langchain import hub 
prompt_maker = hub.pull("prompt-maker", include_model=True,
                        api_key="hub账号的key",
                        api_url="https://smith.langchain.com/hub/hardkothari/prompt-maker")

4. 重要参数：output_parser

# langchain.agents.agent.py  
# AgentOutputParser类有多个子类，均位于langchain.agents下，如
# langchain.agents.output_parsers.xml.py中的
class XMLAgentOutputParser(AgentOutputParser)

# langchain.agents.structured_chat.output_parser.py
class StructuredChatOutputParser(AgentOutputParser)

5. 简单demo，创建agent

from pydantic import SecretStr
from langchain import hub 
from langchain.agents.react import agent 
from langchain.prompts import PromptTemplate
from langchain.agents.structured_chat.output_parser import StructuredChatOutputParser
from langchain_community.chat_models.tongyi import ChatTongyi
from langchain_community.tools.ddg_search import DuckDuckGoSearchRun

llm = ChatTongyi(model="deepseek-r1", api_key=SecretStr('YOUR_API_KEY'))
tools = [DuckDuckGoSearchRun()]
hub_maker_prompt = hub.pull(
    "prompt-maker",
    include_model=True,
    api_key="",
    api_url=""
)
custom_prompt = f"""
{hub_maker_prompt.template}

你拥有以下工具：
{{{{tools}}}}

工具名称列表：{{{{tool_names}}}}

按照以下格式执行：
Question: 需要回答的问题
Thought: 思考过程（必须分析是否需要使用工具）
Action: 选择工具（必须是 [{{{{tool_names}}}}] 之一）
Action Input: 工具输入参数
Observation: 工具返回结果
...（可重复多次）
Thought: 现在可以生成最终答案
Final Answer: 最终回答

开始！

Question: {{{{input}}}}
{{{{agent_scratchpad}}}}"""

text_prompt = PromptTemplate(
    input_variables=["input", "tools", "tool_names", "agent_scratchpad"],
    template=custom_prompt
)
out = StructuredChatOutputParser()

text_agent = agent.create_react_agent(
    llm=llm,
    tools=tools,
    prompt=text_prompt,
    output_parser=out
)

进一步展开说明

1. langchain包含很多组件，上述的tools, prompt, output_parser等都有丰富的组件可以选用，如：

2. 需要结合业务的特点选择合适的组件工具，或者自定义实现，后续慢慢补充。