本文将通过实际代码示例，展示如何从零开始构建一个具备网络搜索、内容理解和工具调用能力的AI助手。
完整代码放在这里了>>👉 福利来袭掘金大礼包：《2025最全AI大模型学习资源包》无偿分享，安全可点 👈
现代智能对话系统的核心是大型语言模型(LLM)，这些模型通过在海量文本数据上训练，习得了语言的统计规律和世界知识。然而，单纯的LLM存在一些固有局限性：
- \1. 知识时效性问题：模型训练数据有截止日期，无法获取最新信息
- \2. 封闭性问题：无法与外部系统和服务交互
- \3. 幻觉问题：可能生成看似合理但实际不准确的内容
- \4. 上下文限制：输入长度受限，无法处理大量背景信息
为解决这些问题，代理框架(Agent Framework)应运而生。代理框架允许LLM通过工具调用扩展其能力边界，实现与外部世界的交互。在这一框架下，LLM不再仅是信息的终端，而是成为了决策的枢纽，能够根据需要调用不同工具完成复杂任务。
LangChain和LangGraph正是基于这一理念设计的开源框架，它们提供了构建LLM应用的标准化组件和流程。这种架构使得AI系统能够：
- • 获取实时信息
- • 执行专业计算
- • 访问私有数据
- • 与其他系统集成
- • 进行多步推理
这种"思考-行动"循环使AI助手的能力大幅提升，能够处理更复杂、更开放的任务场景。
技术栈概览
在构建我们的智能对话系统时，我们采用了以下技术栈：
- \1. 大型语言模型：使用Ollama本地部署的Qwen2（通义千问2.5）0.5B模型作为核心推理引擎
- \2. 框架与库：
-
- • LangChain：提供LLM应用构建的标准化组件
- • LangGraph：用于构建多步推理流程的有向图框架
- • LangServe：用于部署LangChain应用的服务框架
- \3. 工具集成：
-
- • 自定义搜索工具（模拟网络搜索功能）
- • 网页内容提取工具（使用requests和BeautifulSoup实现）
- \4. 辅助技术：
-
- • 类型提示（Python typing模块）
- • 网页内容解析（BeautifulSoup）
- • HTTP请求处理（requests）
环境搭建与基础配置
依赖库安装
pip install langchain langchain-community langchain-ollama langgraph langserve requests beautifulsoup4
Ollama服务配置
我们的系统使用本地部署的Ollama服务运行Qwen2.5模型。需确保Ollama已正确安装并运行：
ollama_base_url = "http://192.168.1.1:11434" # 默认地址，可根据实际情况修改
确保Ollama服务已下载并可以提供Qwen2.5:0.5b模型。如果尚未下载，可以通过以下命令获取：
ollama pull qwen2.5:0.5b
模型选择与初始化
这里需要使用支持tools功能的模型。模型参数实际应用中要尽量大一些。
模型初始化
我们使用LangChain的ChatOllama接口来初始化模型：
from langchain_ollama import ChatOllama
model = ChatOllama(
model='qwen2.5:0.5b',
base_url=ollama_base_url
)
这创建了一个连接到本地Ollama服务的ChatOllama实例，使用Qwen2.5:0.5b模型。
基础对话测试
在进一步构建之前，我们可以测试模型的基本对话能力：
from langchain_core.messages import HumanMessage
result = model.invoke([HumanMessage(content='北京天气怎么样？')])
print(result)
content='抱歉，我无法提供实时的天气信息。我的知识和能力限制在过去的10年里我在学习如何与人交互，而没有访问网络的能力。如果您需要查询实时或未来的天气情况，请查阅相关的气象网站或者使用手机上的天气应用程序。'
这个简单测试验证了模型能够响应基本查询，但也会显示其局限性——模型无法获取实时天气信息，因为它没有访问外部数据的能力。这正是我们需要添加工具和构建代理系统的原因。
工具集成的实现策略
为了增强模型的能力，我们需要为其配备各种工具。工具使LLM能够与外部世界交互，获取信息并执行操作。在本系统中，我们实现了两种核心工具：自定义搜索工具和网页内容提取工具。
自定义搜索工具
搜索工具允许AI助手获取最新或专业信息，这些信息可能不在模型的训练数据中。在生产环境中，我们通常会使用Google、Bing或专业API如Tavily。但在本例中，为了简化实现和控制行为，我们创建了一个模拟搜索工具：
from typing importList
# 配置模拟搜索数据
MOCK_SEARCH_DATA = {
"北京天气": [
{
"title": "北京今日天气预报",
"content": "北京今天晴朗，气温15-25度，空气质量良好，适合户外活动。",
"url": "https://example.com/beijing-weather",
"timestamp": "2024-03-21"
},
{
"title": "北京一周天气预报",
"content": "本周北京以晴为主，周末可能有小雨，气温适宜。",
"url": "https://example.com/beijing-weather-week",
"timestamp": "2024-03-21"
}
],
"中国首都": [
{
"title": "中国首都简介",
"content": "北京是中华人民共和国的首都，是全国的政治、文化中心。",
"url": "https://example.com/beijing-info",
"timestamp": "2024-03-21"
}
],
# 可添加更多模拟数据...
}
defformat_search_results(results: List[dict]) -> str:
"""格式化搜索结果输出"""
output = "\n搜索结果:\n" + "="*50 + "\n"
for idx, result inenumerate(results, 1):
output += f"{idx}. {result['title']}\n"
output += f" 内容: {result['content']}\n"
output += f" 来源: {result['url']}\n"
output += f" 时间: {result.get('timestamp', '未知')}\n"
output += "-"*50 + "\n"
return output
defcustom_search(query: str) -> List[dict]:
"""
模拟搜索功能，返回预设的数据
参数:
query: 搜索查询字符串
返回:
匹配的搜索结果列表
"""
try:
# 简单的关键词匹配
for key in MOCK_SEARCH_DATA:
if key in query:
results = MOCK_SEARCH_DATA[key]
print(format_search_results(results)) # 格式化输出搜索结果
return results
return [{"title": "未找到结果",
"content": "抱歉，没有找到相关信息。",
"url": "",
"timestamp": "N/A"}]
except Exception as e:
print(f"搜索过程中发生错误: {str(e)}")
return [{"title": "搜索错误",
"content": "搜索过程中发生错误，请稍后重试。",
"url": "",
"timestamp": "N/A"}]
这个自定义搜索工具使用简单的关键词匹配来模拟搜索引擎。它返回结构化的搜索结果，包括标题、内容摘要、URL和时间戳。虽然简单，但它清晰地展示了工具集成的核心概念。
网页内容提取工具
搜索结果通常只提供内容摘要，但用户可能需要更详细的信息。网页内容提取工具允许AI助手获取和处理完整的网页内容：
import requests
from bs4 import BeautifulSoup
import random
import time
deffetch_webpage_content(url: str) -> str:
"""
获取网页内容的工具
参数:
url: 网页地址
返回:
网页内容摘要
"""
try:
# 添加随机延迟，模拟真实网络请求
time.sleep(random.uniform(0.5, 1.5))
# 如果是示例URL，返回模拟数据
if'example.com'in url:
return {
'https://example.com/beijing-weather': '北京天气实时数据：晴朗，温度20度，空气质量指数75，相对湿度45%',
'https://example.com/beijing-weather-week': '北京未来一周天气预报：周一到周五以晴为主，周六周日可能有零星小雨',
'https://example.com/beijing-info': '北京市基本信息：面积16410平方公里，常住人口2170万，下辖16个区，是中国的政治文化中心'
}.get(url, '该页面内容暂时无法访问')
# 真实网页请求
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36'}
response = requests.get(url, headers=headers, timeout=10)
response.raise_for_status()
soup = BeautifulSoup(response.text, 'html.parser')
# 移除脚本和样式元素
for script in soup(["script", "style"]):
script.decompose()
# 提取正文内容
text = soup.get_text()
lines = (line.strip() for line in text.splitlines())
chunks = (phrase.strip() for line in lines for phrase in line.split(" "))
text = ' '.join(chunk for chunk in chunks if chunk)
# 返回前500个字符作为摘要
return text[:500] + ('...'iflen(text) > 500else'')
except Exception as e:
return f"获取网页内容时发生错误: {str(e)}"
这个工具不仅支持模拟URL，还能处理真实网页。它使用requests库获取网页内容，然后使用BeautifulSoup解析HTML，提取纯文本内容。为了避免返回过多信息，它只返回前500个字符作为摘要。
工具注册与绑定
有了这两个核心工具，我们可以将它们注册到LangChain的Tool框架中，并绑定到我们的模型：
from langchain.tools import Tool
# 创建工具列表
tools = [
Tool(
name="CustomSearch",
description="搜索工具：用于搜索天气、城市等基本信息。输入搜索关键词，返回相关信息。",
func=custom_search
),
Tool(
name="WebpageReader",
description="网页阅读工具：输入网页URL，获取网页的详细内容。适用于需要深入了解某个主题时使用。",
func=fetch_webpage_content
)
]
# 更新模型绑定
model_with_tools = model.bind_tools(tools)
绑定后的model_with_tools现在具备了使用这两个工具的能力，可以在适当时机调用它们来获取信息或执行操作。
代理系统的构建与执行
绑定工具到模型只是第一步，要实现真正的代理行为，我们需要构建一个能够执行"思考-行动"循环的代理系统。LangGraph提供的chat_agent_executor正是为此设计的组件。
代理执行器设计原理
代理执行器的核心功能是协调LLM与工具之间的交互。它实现了以下工作流程：
- \1. 接收用户输入
- \2. 让LLM生成初步响应或工具调用需求
- \3. 如需调用工具，执行工具并获取结果
- \4. 将工具结果提供给LLM进行分析
- \5. 生成最终响应
这种循环允许LLM根据需要多次调用工具，直到收集到足够信息来回答用户的问题。
实现代理执行器
使用LangGraph创建代理执行器非常直接：
from langgraph.prebuilt import chat_agent_executor
# 创建代理执行器
agent_executor = chat_agent_executor.create_tool_calling_executor(model, tools)
这行代码创建了一个支持工具调用的代理执行器，它封装了复杂的状态管理和流程控制逻辑，使我们能够专注于代理的功能而非实现细节。
代理执行流程的可视化
为了更好地理解代理系统的工作方式，我们可以将一次完整的代理交互分解为各个步骤：
- \1. 用户输入阶段：
-
- • 用户提问："北京天气怎么样？"
- • 系统将问题传递给代理执行器
- \2. LLM初步分析阶段：
-
- • LLM识别需要实时天气信息
- • LLM决定需要调用搜索工具
- • LLM生成工具调用请求
- \3. 工具执行阶段：
-
- • 代理执行器接收工具调用请求
- • 执行CustomSearch工具，查询"北京天气"
- • 工具返回结构化的天气信息
- \4. LLM结果处理阶段：
-
- • LLM接收工具返回的天气信息
- • LLM分析和理解这些信息
- • 如需进一步信息，LLM可选择调用其他工具
- • 否则，LLM生成最终回答
- \5. 输出生成阶段：
-
- • 代理执行器收集LLM的最终回答
- • 返回格式化的回复给用户
这个流程可以重复多次，直到LLM收集了足够的信息来生成满意的回答。
多模式交互测试
为验证我们构建的系统功能，我们需要进行全面的测试，涵盖直接模型调用和代理执行两种模式。
直接模型调用测试
首先，我们测试绑定了工具的模型的直接调用行为：
def print_model_response(response, query: str):
"""格式化打印模型响应"""
print("\n" + "="*50)
print(f"用户询问: {query}")
print(f"模型回答: {response.content}")
if response.tool_calls:
print(f"工具调用: {response.tool_calls}")
print("="*50 + "\n")
# 测试查询列表
test_queries = [
"中国的首都是哪个城市？",
"北京天气怎么样？",
"能帮我查看一下 https://example.com/beijing-weather 这个网页的具体内容吗？",
"上海有什么好玩的地方？"# 测试未知查询
]
for query in test_queries:
resp = model_with_tools.invoke([HumanMessage(content=query)])
print_model_response(resp, query)
在这种模式下，模型会直接返回响应或工具调用请求，但不会自动执行工具并处理结果。这对于理解模型的初始判断很有价值。
代理执行器测试
接下来，我们测试完整的代理执行流程：
# 测试代理执行器
for query in test_queries:
resp = agent_executor.invoke({'messages': [HumanMessage(content=query)]})
print("\n代理执行器响应:")
print("="*50)
print(f"查询: {query}")
for msg in resp['messages']:
print(f"类型: {msg.type}")
print(f"内容: {msg.content}")
print("="*50)
在代理执行模式下，系统会自动执行工具调用、处理结果并生成最终响应。这种模式更接近真实的AI助手体验。
可以看到大模型会自动判断是否需要调用Tool，如果需要则会调用。
比如我问：Python 是什么？，他就不会调用工具。
在本文中，我们详细探讨了如何使用LangChain和LangGraph构建一个功能丰富的智能对话系统。从理论基础到实际实现，我们覆盖了构建现代AI助手的各个关键环节。希望本文提供的见解和代码示例能为你的旅程提供帮助和灵感。
完整代码放在这里了>>👉 福利来袭掘金大礼包：《2025最全AI大模型学习资源包》无偿分享，安全可点 👈
