基于Langchain框架的Agent智能体实现之工具集成

智能体开发是大模型应用中一个重要的概念，也是大模型应用的未来；而关于智能体的开发有各种各样的概念，但核心无非有两个一个是函数调用，另一个就是工具的实现。

关于函数调用有两种方式，其一是之前的function call，其二是现在比较火的MCP协议；不管是fc还是MCP目的都是让大模型能够调用外部的工具来实现具体的功能。而今天我们主要介绍的就是基于Langchain框架来实现各种工具。

在智能体开发中，工具是一个很重要的概念，操作数据库需要数据库工具，访问搜索引擎需要搜索工具等等；可以说在智能体中所有的外部调用都是以工具的形式来体现的。

而在实际的开发过程中，工具主要是以函数和服务的形式出现；比如说定义一个访问搜索引擎的工具，只需要封装一个函数；让大模型自己去生成函数需要的参数，最后再交给python引擎执行，然后获取结果。

而在Langchain中提供了大量的封装好的工具给我们使用，如下图所示：

Langchain中集成和封装了大量的工具供大家使用，可以满足不同的业务场景，比如说有搜索，代码解释器，数据库访问等多种类型。

下面以基于pandas的智能数据分析为例，演示怎么实现一个简单的excel数据分析。

首先需要安装langchain相关的包

# 安装包pip install --upgrade langchain_openai pip install --upgrade langchain

langchain提供的操作pandas的函数主要是

create_pandas_dataframe_agent实例化pandas Agent

agent = create_pandas_dataframe_agent(self.llm, df_list, allow_dangerous_code=True, verbose=True)        

完整代码如下，当然用户也可以直接查看官方文档自己手动实现

文档地址如下：

https://python.langchain.ac.cn/docs/integrations/tools/pandas/

import osimport loggingimport pandas as pdfrom langchain_experimental.agents.agent_toolkits import create_pandas_dataframe_agentfrom langchain_openai import ChatOpenAI，OpenAI
# 需要换成你自己的参数openai_api_key = "api_key"openai_api_base = "openai_url"model = "model"# Adjust logging levels for specific libraries to reduce noiselogging.getLogger("openai").setLevel(logging.DEBUG)logging.getLogger("langchain").setLevel(logging.DEBUG)logging.getLogger("httpx").setLevel(logging.DEBUG)logging.getLogger("httpcore").setLevel(logging.DEBUG)logger = logging.getLogger(__name__)logging.basicConfig(        level=logging.INFO,  # 设置日志级别为DEBUG        format='%(asctime)s - %(name)s - %(levelname)s - %(message)s',  # 定义日志格式        datefmt='%Y-%m-%d %H:%M:%S'  # 定义时间格式  )    class LangChainPandas:          def __init__(self, model, temperature=0.8):                os.environ['OPENAI_API_KEY'] = openai_api_key                os.environ['OPENAI_API_BASE'] = openai_api_base                # self.llm = ChatOpenAI(model_name=model, verbose=True, temperature=temperature)                self.llm = OpenAI(model_name=model, openai_api_base=openai_api_base, openai_api_key=openai_api_key, temperature=temperature)                  def create_agent(self, path_list):                df_list = [pd.read_excel(path) for path in path_list]                agent = create_pandas_dataframe_agent(self.llm, df_list, allow_dangerous_code=True, verbose=True)                # agent = create_pandas_dataframe_agent(                    #     self.llm,                    #     df,                    #     verbose=True,                    #     allow_dangerous_code=True,                    #     agent_type=AgentType.OPENAI_FUNCTIONS,                    # )                return agent                          def chat(self, query, path_list):                agent = self.create_agent(path_list)                result = agent.invoke(query)                return result.get('output', "")
if __name__ == "__main__":      agent = LangChainPandas(model)      # excel文件路径      path_list = ["path1", "path2"]      while True:            query = input("请输入您的问题: ")            result = agent.chat(query, path_list)            print(f"result: {result}")