企业官网建设流程全解析

一、核心原理

大模型本身不会直接执行代码 / 工具，智能体（Agent）的核心工作流是：工具元数据注入 → 模型决策 → 框架解析指令 → 工具执行 → 结果回传，循环直到任务完成。

完整执行链路

1. 工具元数据封装每个预定义工具（BaseTool）自带name、description、入参结构，这是模型识别工具的唯一依据。
2. 元数据灌入提示词Agent 会自动把「工具列表 + 功能说明 + 调用规则」拼接进 Prompt，告知模型：当前有哪些工具、分别能做什么、怎么传参。
3. 模型推理决策模型结合用户问题，判断：是否需要工具、调用哪个工具、构造入参。
4. 结构化输出指令模型输出标准格式的工具调用指令（Function Call / 思维链格式）。
5. 框架解析执行Agent 框架解析指令，调用对应工具，拿到执行结果。
6. 结果回送模型把工具返回内容再次发给模型，继续推理 / 回答，循环直至任务结束。

关键前提：description描述必须精准，描述模糊是调用失败、错选工具的首要原因。

二、主流实现方案（LangChain 官方四类 Agent）

按技术实现分为两大流派：Function Calling 型（主流、稳定）、传统思维链型（兼容老模型），下面分方案讲解、代码、适用场景。

前置环境与公共准备

bash

运行

pip install langchain langchain-community langchain-openai python-dotenv

项目根目录.env配置模型密钥与地址：

env

OPENAI_API_KEY=sk-xxx OPENAI_BASE_URL=https://api.openai.com OPENAI_MODEL_NAME=gpt-4o

公共初始化代码（下文通用）：

python

运行

from dotenv import load_dotenv from langchain_openai import ChatOpenAI from langchain_community.agent_toolkits import load_tools # 加载环境变量 load_dotenv() # 初始化对话模型（优先支持 Function Calling 的模型） llm = ChatOpenAI(temperature=0) # 批量加载预定义工具：计算器、搜索、Python代码、维基百科 tool_names = ["llm-math", "duckduckgo_search", "python_repl", "wikipedia"] tools = load_tools(tool_names, llm=llm)

方案一：Tool Calling Agent（函数调用智能体，首选推荐）

特点

• 基于模型原生Function Calling能力，业界主流，调用准确率最高、稳定性最强
• 模型直接输出结构化 JSON 调用指令，框架解析简单
• 支持 OpenAI、通义、文心、DeepSeek 等绝大多数现代大模型
• 推荐用于生产、复杂工具调用、多轮任务

完整代码实现

python

运行

from langchain.agents import AgentExecutor, create_tool_calling_agent from langchain_core.prompts import ChatPromptTemplate # 1. 构造 Agent 提示词模板 prompt = ChatPromptTemplate.from_messages([ ("system", "你是一个全能助手，可以根据用户问题选择合适的工具完成任务。"), ("user", "{input}"), # 固定占位符：存放 Agent 思考与工具调用中间过程 ("placeholder", "{agent_scratchpad}") ]) # 2. 创建 Tool Calling 智能体 agent = create_tool_calling_agent(llm, tools, prompt) # 3. 实例化执行器（核心运行入口） agent_executor = AgentExecutor( agent=agent, tools=tools, verbose=True, # 开启日志，查看思考+调用全过程 handle_parsing_errors=True # 自动解析错误容错 ) # 4. 测试：自动识别并调用对应工具 if __name__ == "__main__": # 测试1：数学计算 → 自动调用 llm-math print("===== 测试数学计算 =====") agent_executor.invoke({"input": "计算 (36 + 44) * 18 / 2"}) # 测试2：联网搜索 → 自动调用 duckduckgo_search print("\n===== 测试联网搜索 =====") agent_executor.invoke({"input": "介绍一下 LangChain Tool 工具"}) # 测试3：综合任务（搜索+计算）→ 多工具连续调用 print("\n===== 测试多工具联动 =====") agent_executor.invoke({"input": "搜索什么是圆周率，并计算圆周率乘以 100"})

关键参数说明

• verbose=True：打印完整链路（思考、工具选择、入参、返回结果），调试必备
• handle_parsing_errors=True：捕获模型输出格式异常，自动重试，提升稳定性
• 无需手动编写工具调用规则，框架自动封装工具元数据。

方案二：OpenAI Functions Agent（旧版函数调用）

是Tool Calling的前身，仅适配 OpenAI 系列模型，用法接近，新项目优先用方案一。

python

运行

from langchain.agents import AgentExecutor, create_openai_tools_agent prompt = ChatPromptTemplate.from_messages([ ("system", "按需使用工具完成用户请求"), ("user", "{input}"), ("placeholder", "{agent_scratchpad}") ]) agent = create_openai_tools_agent(llm, tools, prompt) agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True) agent_executor.invoke({"input": "计算 123 * 456"})

方案三：ReAct Agent（思维链型，无原生函数调用模型适配）

特点

• 不依赖模型原生 Function Calling，靠自然语言思维链实现工具选择
• 模型输出文本格式：思考 → 行动 → 入参，框架通过正则解析
• 适配所有大模型（包括开源本地模型、老旧模型）
• 缺点：调用准确率略低，复杂多工具场景容易解析出错

完整代码实现

python

运行

from langchain.agents import AgentExecutor, create_react_agent from langchain_core.prompts import PromptTemplate # ReAct 专用提示词模板（内置工具描述、思考规则） prompt = PromptTemplate.from_template(""" 你可以使用以下工具： {tools} 工具名称列表：{tool_names} 按照这个格式思考和行动： Question: 用户的问题 Thought: 我应该做什么 Action: 工具名称 Action Input: 工具入参 Observation: 工具返回结果 ...（重复多轮） Thought: 我已经得到答案 Final Answer: 最终回答用户的内容 Question: {input} {agent_scratchpad} """) # 创建 ReAct 智能体 agent = create_react_agent(llm, tools, prompt) agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True) # 测试调用 agent_executor.invoke({"input": "用代码生成 1~10 的累加和"})

方案四：Structured Chat Agent（结构化对话智能体）

面向多参数、复杂入参的工具场景，支持结构化入参解析，适合企业级复杂工具。

python

运行

from langchain.agents import AgentExecutor, create_structured_chat_agent from langchain_core.prompts import ChatPromptTemplate prompt = ChatPromptTemplate.from_messages([ ("system", "使用工具协助回答问题，严格按照指定格式输出"), ("user", "{input}"), ("placeholder", "{agent_scratchpad}") ]) agent = create_structured_chat_agent(llm, tools, prompt) agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True) agent_executor.invoke({"input": "查询大语言模型的百科信息"})

三、自定义工具 + 自动调用（拓展场景）

除了官方预定义工具，自定义BaseTool也能被 Agent 自动识别调用，原理完全一致。

示例：自定义工具并接入 Agent

python

运行

from langchain.tools import BaseTool from typing import Optional, Type from langchain.callbacks.manager import CallbackManagerForToolRun # 1. 自定义工具 class WeatherTool(BaseTool): # 工具名称（Agent 识别标识） name = "city_weather" # 工具描述【重中之重】：模型靠这段文字判断是否调用 description = "用于查询指定城市的天气，入参为城市名称" def _run(self, city: str, run_manager: Optional[CallbackManagerForToolRun] = None) -> str: """同步执行逻辑""" return f"{city} 当前天气：晴，25℃" # 2. 组装工具列表 custom_tools = [WeatherTool()] # 3. 创建 Tool Calling Agent from langchain.agents import AgentExecutor, create_tool_calling_agent from langchain_core.prompts import ChatPromptTemplate prompt = ChatPromptTemplate.from_messages([ ("system", "按需调用工具回答问题"), ("user", "{input}"), ("placeholder", "{agent_scratchpad}") ]) agent = create_tool_calling_agent(llm, custom_tools, prompt) agent_executor = AgentExecutor(agent=agent, tools=custom_tools, verbose=True) # 4. 自动调用自定义天气工具 agent_executor.invoke({"input": "查询北京的天气"})

四、核心调优：提升工具识别 & 调用成功率

1. 优化工具description（最关键）

1. 描述简洁、精准、无歧义，写明：用途 + 入参要求 + 适用场景
2. 多个工具功能相近时，明确区分差异，避免模型选错
3. 禁止过长、模糊、口语化描述

✅ 好示例：计算数学表达式，入参为标准四则运算字符串❌ 差示例：可以算东西

2. 工具数量控制

• 单轮 Agent 工具数量建议≤5 个
• 工具过多会增加模型决策难度，出现乱选、漏选；多工具场景拆分多个 Agent 或使用路由分发。

3. 提示词约束增强

在 System Prompt 增加强制规则：

plaintext

优先使用工具获取外部信息，不要凭空猜测； 如果问题需要计算，必须使用计算器工具； 严格按照格式调用工具，不要编造内容。

4. 模型选型

• 优先选用支持原生 Function Calling的模型（GPT 系列、DeepSeek、通义、文心等），调用稳定性远高于纯 ReAct。
• 本地开源模型：优先使用 ReAct 方案，并精简工具数量。

5. 容错配置

python

运行

agent_executor = AgentExecutor( agent=agent, tools=tools, verbose=True, handle_parsing_errors=True, # 解析异常自动处理 max_iterations=5 # 限制最大调用轮次，防止死循环 )

• max_iterations：限制工具最大调用次数，避免无限循环。

6. 入参格式约束

复杂工具使用args_schema（Pydantic 模型）强制校验入参格式，减少参数错误。

五、常见问题与排查

问题 1：模型不调用工具，直接回答

原因：

1. 工具description描述不清，模型不知道该用工具；
2. 问题语义模糊，模型认为不需要工具；
3. System Prompt 未强调工具使用规则。

解决：优化描述 + 补充强制使用规则。

问题 2：选错工具（比如该搜索却调用计算器）

原因：多个工具描述区分度低。解决：强化描述，明确每个工具的专属使用场景。

问题 3：输出格式解析失败（Parsing Error）

原因：模型未按要求输出调用格式（ReAct 方案高发）。

解决：

1. 开启handle_parsing_errors=True；
2. 更换支持 Function Calling 的模型；
3. 简化提示词，减少格式要求。

问题 4：工具调用死循环

原因：工具返回结果无法解决问题，模型反复调用同一工具。

解决：设置max_iterations限制轮次。

六、方案选型总结

表格

七、极简落地流程（快速复盘）

1. 加载 / 定义工具（官方预定义 / 自定义BaseTool）；
2. 编写精准的工具description；
3. 选择对应 Agent 类型（优先create_tool_calling_agent）；
4. 配置AgentExecutor，开启容错、限制轮次；
5. 调用执行，框架自动完成「识别→选工具→传参→执行→返回」全流程。