AI大模型应用开发入门-LangChain开发Agent

基于 LangChain 和 GPT-4o-mini 的大模型智能体开发实战

近年来，大模型能力的持续突破，使得构建智能代理（Agent）系统成为开发者追逐的热点。

本文将以 LangChain 框架为核心，结合 GPT-4o-mini 模型，通过接入工具与消息修剪策略，实现一个具备记忆、调用搜索、执行函数能力的智能体。

环境准备与模型初始化

使用 LangChain 需要首先初始化语言模型，这里使用的是 GPT-4o-mini，由 OpenAI 提供。

# llm_env.py

from langchain.chat_models import init_chat_model

llm = init_chat_model("gpt-4o-mini", model_provider="openai")

我们将其封装在 llm_env.py 中供主程序导入。

主程序结构解析

主逻辑文件为 main_agent_trim.py，功能包括：

工具集成
PostgreSQL 持久化配置
消息修剪策略
Agent 交互循环

工具函数与搜索工具接入

我们首先定义了一个简单的数学函数 add，以及接入了 TavilySearchResults 搜索工具，用于增强智能体外部知识获取能力。

def add(a: int, b: int) -> int:

    return a + b

search = TavilySearchResults(max_results=5)

tools = [add, search]

配置 LangGraph 持久化存储

我们使用 PostgresSaver 来记录 agent 的状态与历史会话，以支持多轮对话记忆。

DB_URI = "postgresql://postgres:123456@localhost:5432/langchaindemo?sslmode=disable"

with PostgresSaver.from_conn_string(DB_URI) as checkpointer:

    checkpointer.setup()

用户输入 thread_id，我们组合当天日期生成唯一标识符，确保每个会话线程独立可追溯。

消息修剪策略设计

为了控制模型输入 token 上限，我们引入 trim_messages 方法，在每轮对话前进行修剪：

def pre_model_hook(state):

    trimmer = trim_messages(

        max_tokens=65,

        strategy="last",

        token_counter=llm_env.llm,

        include_system=True,

        allow_partial=False,

        start_on="human",

    )

    trimmed_messages = trimmer.invoke(state["messages"])

    return {"llm_input_messages": trimmed_messages}

该策略仅保留最近的用户消息，避免长对话历史超出 token 限制，影响模型响应。

构建智能体执行器

借助 create_react_agent 方法创建智能体，传入模型、工具、hook 与 checkpoint。

agent_excuter = create_react_agent(

    llm_env.llm,

    tools,

    pre_model_hook=pre_model_hook,

    checkpointer=checkpointer,

)

与智能体交互

程序进入循环模式，接收用户输入，执行智能体推理，并输出响应内容及工具调用情况。

while True:

    query = input("你: ")

    if query.strip().lower() == "exit":

        break

    input_messages = [HumanMessage(query)]

    response = agent_excuter.invoke({"messages": input_messages}, config=config)

    for message in response["messages"]:

        if hasattr(message, "content") and message.content:

            print(f"{message.type}:{message.content}")

        if hasattr(message, "tool_calls") and message.tool_calls:

            print(f"{message.type}:{message.tool_calls}")

示例

总结

本文展示了如何基于 LangChain 框架构建一个集搜索、函数执行、消息修剪与状态持久化为一体的智能体系统。通过合理设计 hook 与工具链，我们可以持续扩展其功能边界。

后续你可以进一步：

接入更多插件（如 SQL 查询、文件操作等）
增强多轮对话上下文管理
提升响应质量与控制能力（如 prompt 模版化）