实操：一个网络搜索代理

前提条件与环境配置

在我们开始之前，请确保您的环境已准备好。我们将使用 Tavily Search API 作为我们的网络搜索工具，因为它与 LangChain 集成得很好，并且专注于提供清晰、适合 AI 处理的搜索结果。

首先，安装所需的 Python 包。我们包含 langgraph，因为它是 LangChain 生态系统中构建代理工作流的现代标准。

pip install langchain langchain-openai tavily-python langgraph

接下来，您需要为 OpenAI（用于 LLM）和 Tavily（用于搜索工具）配置 API 密钥。您可以从他们的网站获取 Tavily API 密钥。将这些设置为环境变量，以实现安全访问。

export OPENAI_API_KEY="your-openai-api-key"
export TAVILY_API_KEY="your-tavily-api-key"

环境准备就绪后，我们就可以开始组合代理的组件了。

1. 定义工具

代理的能力由它可用的工具来决定。为了我们的目的，一个工具就足够了：一个网络搜索器。LangChain 为 Tavily Search API 提供了便捷的集成。

让我们导入并初始化这个工具。我们将搜索结果数量限制为三个，以保持提供给 LLM 的上下文 (context)简洁。

from langchain_community.tools.tavily_search import TavilySearchResults

# 初始化工具。我们可以配置它返回结果的数量。
# 更少的结果速度更快，并且使用的 token 也更少。
tools = [TavilySearchResults(max_results=3)]

这个 tools 列表将提供给我们的代理，使 TavilySearchResults 函数可供其调用。

2. 初始化 LLM

代理的核心是一个能够判断使用哪个工具的 LLM。对于需要遵循指令和使用函数定义的任务，更先进的模型表现更好。我们将使用 OpenAI 的 gpt-4o 模型。

from langchain_openai import ChatOpenAI

# 初始化 LLM。温度设置为 0 会促使输出更具确定性和事实性。
llm = ChatOpenAI(model="gpt-4o", temperature=0)

在下一步中，我们将把这个 LLM 实例直接传递给代理的构造函数。

3. 创建代理

为了构建代理，我们将使用 langgraph，它使我们能够创建稳定、有状态的代理工作流。create_react_agent 函数构建了一个图，该图作为我们代理的运行时。它管理着调用 LLM、解释决策（思考）、执行所选工具（行动）并将输出反馈给模型（观察）的循环。

下面的图表说明了这个执行循环。

代理图管理着 LLM 推理 (inference)、使用工具采取行动、观察结果并将其反馈到推理过程中的循环。

现在，让我们用代码创建代理。

from langgraph.prebuilt import create_react_agent

# create_react_agent 函数将 LLM 绑定到工具，并设置
# 管理交互循环的执行图。
agent_executor = create_react_agent(llm, tools)

4. 运行代理

所有组件组装完毕后，我们的代理就可以使用了。让我们问一个问题，这个问题需要从两个不同方面：技术和金融，搜索信息。

代理期望接收一个包含消息列表的字典作为输入。我们将问题格式化为用户消息。

question = "What was the stock price of NVIDIA (NVDA) at the time of the announcement of the Blackwell GPU architecture?"

# 用用户输入调用代理
response = agent_executor.invoke({"messages": [("user", question)]})

print("\nFinal Answer:")
# 最终答案包含在返回历史的最后一条消息中
print(response["messages"][-1].content)

当代理运行时，它会在内部执行必要的步骤。其推理 (inference)过程的追踪如下所示：

思考：用户询问 NVIDIA (NVDA) 在 Blackwell GPU 架构发布时的股价。我需要找到两部分信息：
1.  Blackwell GPU 架构的发布日期。
2.  NVDA 在该日期的股价。
我将首先搜索发布日期。

行动：
{
  "tool": "tavily_search_results",
  "tool_input": "NVIDIA Blackwell GPU architecture announcement date"
}
观察：NVIDIA 在 2024 年 3 月 18 日的 GTC 2024 主题演讲中正式发布了 Blackwell 架构。

思考：我已找到发布日期：2024 年 3 月 18 日。现在我需要找到 NVDA 在该日期或前后时间的股价。我可以再次搜索此信息。

行动：
{
  "tool": "tavily_search_results",
  "tool_input": "NVDA stock price on March 18, 2024"
}
观察：2024 年 3 月 18 日，NVIDIA 公司 (NVDA) 股票收盘价为 884.55 美元。

思考：我已找到两部分信息。
1. Blackwell GPU 架构于 2024 年 3 月 18 日发布。
2. 当天 NVDA 的收盘价为 884.55 美元。
现在我可以向用户提供最终答案了。

最终答案：NVIDIA 于 2024 年 3 月 18 日发布了 Blackwell GPU 架构。当天，NVDA 的收盘价为 884.55 美元。

这个序列展示了代理的能力。它正确地将复杂的查询分解为子问题，按顺序执行其搜索工具以收集必要的事实，然后将这些事实综合成一个完整准确的答案。您现在构建了一个简单但有效的自主系统，能够与外部环境交互以实现一个目标。这种基本模式是构建更复杂代理的依据，这些代理可以与数据库、API 和其他软件系统交互。