文章总结： 本文介绍Langchain代理(agent)机制，结合ReAct框架实现LLM多步推理与工具调用。演示了计算器工具(LLMMathChain)如何将自然语言转为表达式执行，以及维基百科API的知识查询功能。针对网络限制提出替代方案如自定义Bing搜索工具，并分析多轮思考的token消耗与防频率限制策略。关键点包括代理结构、思维链(CoT)应用及工具注册方法。
综合评分： 85
文章分类： AI安全,安全工具,安全开发,技术标准,安全运营

Langchain6_代理agent

原创

羽泪云小栈
羽泪云小栈

羽泪云小栈

2026年4月9日 10:00
陕西

代理agent

不同于网络代理的proxy，这里的代理指代理人，agent。

提供文本或其它来源，llm从互联网上学习新知识进行回答或推理

在这里，agent=llm+工具调用

Langchian_代理+ReAct框架(llm(思维链)+循环执行+工具调用)+tool注册+docker安装部署(python调用docker)

前置

安装维基百科、其它库，但是维基百科访问不了，干脆让llm写一个请求bing的就行

pip install -U wikipedia

LLMMathChain requires the numexpr package. Please install it with pip install numexpr.

tools = load_tools(
    ["llm-math","wikipedia"],
    llm=llm
)

调用计算器llm-math

这个计算器实现方式是，通过llm生成python代码，再执行的，所以这就是为什么它叫llm-math

 return Tool(
        name="Calculator",
        description="Useful for when you need to answer questions about math.",
        func=LLMMathChain.from_llm(llm=llm).run,
        coroutine=LLMMathChain.from_llm(llm=llm).arun,
    )

# coding: utf-8
import os
from dotenv import load_dotenv, find_dotenv
from langchain_openai import ChatOpenAI
from langchain.agents import load_tools, initialize_agent
from langchain.agents import AgentType
from langchain_core.tracers import ConsoleCallbackHandler
load_dotenv(find_dotenv())

llm = ChatOpenAI(
    # This is the default and can be omitted
    api_key=os.environ.get("KEY2"),
    base_url=os.environ.get("base_url2"),
    temperature=0.0,#让预测不让那么随机，偏平稳
    model=os.environ.get("model2"),
    verbose=True
)

tools = load_tools(
    ["llm-math","wikipedia"],
    llm=llm
)
agent= initialize_agent(
    tools, #第二步加载的工具
    llm, #第一步初始化的模型
    agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION,  #代理类型
    handle_parsing_errors=True, #处理解析错误
    verbose = True #输出中间步骤
)
agent("1乘以2，再加5的结果，乘以50，再加上1776，再减去2010的结果?")

这是老版本内容，新版本的话无非就是自己要构造下prompt，先看看老版的prompt

print(agent.agent.llm_chain.prompt.messages[0].prompt.template)

"""
Answer the following questions as best you can. You have access to the following tools:

Calculator: Useful for when you need to answer questions about math.
wikipedia: A wrapper around Wikipedia. Useful for when you need to answer general questions about people, places, companies, facts, historical events, or other subjects. Input
should be a search query.

The way you use the tools is by specifying a json blob.
Specifically, this json should have a `action` key (with the name of the tool to use) and a `action_input` key (with the input to the tool going here).

The only values that should be in the "action" field are: Calculator, wikipedia

The $JSON_BLOB should only contain a SINGLE action, do NOT return a list of multiple actions. Here is an example of a valid $JSON_BLOB:

{{
  “action”: $TOOLNAME,
  “actioninput”: $INPUT
}}

ALWAYS use the following format:

Question: the input question you must answer
Thought: you should always think about what to do
Action:

$JSON_BLOB

Observation: the result of the action
... (this Thought/Action/Observation can repeat N times)
Thought: I now know the final answer
Final Answer: the final answer to the original input question

Begin! Reminder to always use the exact characters `Final Answer` when responding.

这个prompt直接用的话，会提示：

raise ValueError(f"Prompt missing required variables: {missing_vars}")
ValueError: Prompt missing required variables: {'tool_names', 'agent_scratchpad', 'tools'}

干脆自己生成一个吧，为了显示过程，需要引入AgentExecutor

from langchain.agents import create_react_agent,AgentType,AgentExecutor
from langchain_community.agent_toolkits.load_tools import load_tools
...
prompt = """你是一个助手，可以使用以下工具：

{tools}

工具名称：{tool_names}

你必须按以下格式回答：

Question: 用户的问题
Thought: 思考应该做什么
Action: 工具名称，必须是 [{tool_names}]
Action Input: 工具的输入
Observation: 工具返回的结果
... (重复 Thought/Action/Action Input/Observation)
Thought: 我知道答案了
Final Answer: 最终答案

开始！

Question: {input}
Thought: {agent_scratchpad}"""

prompt=PromptTemplate.from_template(prompt)

agent=create_react_agent(
    llm=llm,
    tools=tools,
    prompt=prompt,
)
agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    verbose=True,
    handle_parsing_errors=True
)

# 执行
result = agent_executor.invoke({"input": "1乘以2，再加5的结果，乘以50，再加上1776，再减去2010的结果?"})

重点1.让llm自己生成代码自己跑？ 按理说它只有文本能力

看 LLMMathChain

中间有个正则，还有_evalate_expression(expression)这个方法

所以它实际做了一件事，让llm将用户的问题，转化成表达式，然后交给python去提取这个表达式，并真正地计算。

重点2.这两次Thought很有意思：

第一次让它规划，分析问题，用什么工具

第二次是分析结果，决定下一步

平时使用大模型平台的时候，都会看到诸如think或者深度思考的方式，原来就是这样通过让llm强制输出思考过程。

这就像是思维链的本质（Chain of Thought ）CoT，让LLM把思考过程写出来，可以检索一下它的想法，同时提高答案质量。

这和之前的路由链是不是有些类似，路由链只做一次分类判断和动作

但这个可以多轮思考，多步推理，其实也…更贵吧，因为导致token变多hhh

回归正题，基于重点1的操作来看，那么这两次Thought，绝不是只调用了一次llm，因为重点1只是提取表达式，并计算。

但第二步有一个Thought怎么来的呢

先看老版本的实现方式：

(function) def initialize_agent(
    tools: Sequence[BaseTool],
    llm: BaseLanguageModel,
    agent: AgentType | None = None,
    callback_manager: BaseCallbackManager | None = None,
    agent_path: str | None = None,
    agent_kwargs: dict | None = None,
    *,
    tags: Sequence[str] | None = None,
    **kwargs: Any
) -> AgentExecutor

返回值类型是这个：AgentExecutor

这个py文件呢，看着pan方法：

反正它说了基于过去的历史和现在的输入…

_construct_scratchpad

这是在拼接历史记录…

具体的我也看不懂了，总之按我的理解就是，输出了几次Thought，就是调用了几次llm。

重点3：至于为什么没有触发429这种频率限制：

对于之前我的for循环中的invoke来讲，调用间隔几乎是无延迟的，所以立马被429

而由于这次的两个Thought之间，第一次调用完是要回到python中去执行计算表达式给出结果的，估计这个过程占了那么几秒，导致没有触发429

补充：

可以用全局调试信息打印看看

from langchain.globals import set_debug, set_verbose
set_debug(True)
set_verbose(True)

维基百科api

它其实是相当于一个爬虫api，联网获取知识

...
tools = load_tools(
    ["llm-math","wikipedia"],
    llm=llm
)
...

input2="保尔.柯察金是一个怎样的人？"
result=agent_executor.invoke({"input":input2})

第一次Thought正常，第二次访问超时，需要用proxy

这个就演示到这里，要么proxy、要么…国内站(可能注册给api，可能需要一点额外措施)，

也可以让llm写个简单的requests请求，写到函数里，之后load一下，但需要说明的是，比如通过bing去搜索关键词，是可以得到一些标题和摘要的，但是毕竟每个链接不同，点进去后的网站架构都不同，不好提取正文，这就是为什么有个百科的重要性，内容架构是固定的。

这里就用简单点的方法演示下就行了，由于不是langchain自带的，需要包装一波，”注册”一下

def bing_search(query: str, max_results: int = 10) -> str:
    ...
    return results

...
from bingapi import bing_search
from langchain_core.tools import Tool
...
bing_tool=Tool(
    name="bingsearch",
    func=bing_search,
    description="用于搜索中文知识、百科内容，替代维基百科API"
)
tools1 = load_tools(
    ["llm-math"],
    llm=llm
)
tools1=tools1+[bing_tool]

agent1=create_react_agent(
    llm=llm,
    tools=tools1,
    prompt=prompt,
)
agent_executor1 = AgentExecutor(
    agent=agent1,
    tools=tools1,
    verbose=True,
    handle_parsing_errors=True
)
input2="怎么理解除去巫山不是云?"
result=agent_executor1.invoke({"input":input2})
#wikipedia.summary()

现在的问题是… 似乎没有传到值…导致搜索结果错误？

但是函数的接受参数也是query，没问题啊…

但是惊喜还在后面：

不愧是ReAct：

首先是prompt，明确它的输出思维过程，并且自我纠正的思维格式

其次是AgentExecutor 做循环，能够让llm看到完整的对话历史（包括之前的错误），llm在发现问题，重新决策

最终达到自动纠错、自动重搜的目的

最终结果：

自定义工具1-代码执行

本来是PythonREPLTool的，倒是好像被弃了

REPL 是”Read–Eval–Print Loop”（读取-求值-打印-循环）的缩写，它是一种简单的、交互式的编程环境。在REPL环境中，用户可以输入一条或多条编程语句，系统会立即执行这些语句并输出结果。可以逐行输入Python代码，每输入一行代码并回车，就会立即执行这行代码并打印输出结果

和之前的 LLMMathChain 生成表达式一样，这里是让llm生成python代码，交给Python 解释器执行

https://docs.langchain.com/oss/python/integrations/tools/python

好像因为安全性的问题，在新版本已经删除，且移到langchain_experimental了

要么docker，要么云沙箱

好像是这么个道理，llm生成的python代码，你敢不敢本地跑？

emmmm，我还是安装个docker吧…

可以写个函数了

import subprocess
import tempfile
def docker_python_execute(code: str) -> str:
    """在 Docker 容器中安全执行 Python 代码。用于计算、数据处理等场景。"""

    # 写入临时文件（避免命令行转义问题）
    with tempfile.NamedTemporaryFile(mode='w', suffix='.py', delete=False, encoding='utf-8') as f:
        f.write(code)
        temp_path = f.name

    try:
        # 运行 Docker 容器
        # --rm: 自动删除容器
        # --network none: 禁止网络访问
        # --memory 256m: 内存限制
        # --read-only: 只读根文件系统（需要临时目录可写，这里用 /tmp）
        # -v 挂载临时文件
        result = subprocess.run(
            [
                "docker", "run", "--rm",
                "--network", "none",
                "--memory", "256m",
                "--read-only",
                "-v", f"{temp_path}:/script.py:ro",
                "python:3.11-slim",
                "python", "/script.py"
            ],
            capture_output=True,
            text=True,
            timeout=10
        )

        output = result.stdout
        if result.stderr:
            output += f"\n[stderr]: {result.stderr}"

        return output if output.strip() else "代码执行成功（无输出）"

    except subprocess.TimeoutExpired:
        return "执行超时（10秒）"
    except Exception as e:
        return f"执行失败: {e}"
    finally:
        # 清理临时文件
        if os.path.exists(temp_path):
            os.unlink(temp_path)

print(docker_python_execute("print(7+3)"))
#输出了10

代码

# coding: utf-8
import os
import langchain
langchain.verbose = True
from dotenv import load_dotenv, find_dotenv
from langchain_openai import ChatOpenAI
#from langchain.agents import load_tools, initialize_agent
from langchain.agents import create_react_agent,AgentType,AgentExecutor
from langchain_community.agent_toolkits.load_tools import load_tools
from langchain_community.tools import tool
from langchain_core.tracers import ConsoleCallbackHandler
from langchain_core.prompts import ChatPromptTemplate,PromptTemplate
import subprocess
import tempfile
from langchain_core.tracers import ConsoleCallbackHandler

load_dotenv(find_dotenv())

llm = ChatOpenAI(
    # This is the default and can be omitted
    api_key=os.environ.get("KEY2"),
    base_url=os.environ.get("base_url2"),
    temperature=0.0,#让预测不让那么随机，偏平稳
    model=os.environ.get("model2"),
    verbose=True
)

@tool
def docker_python_execute(code: str) -> str:
    """在 Docker 容器中安全执行 Python 代码。用于计算、数据处理等场景。"""

    # 写入临时文件（避免命令行转义问题）
    with tempfile.NamedTemporaryFile(mode='w', suffix='.py', delete=False, encoding='utf-8') as f:
        f.write(code)
        temp_path = f.name

    try:
        # 运行 Docker 容器
        # --rm: 自动删除容器
        # --network none: 禁止网络访问
        # --memory 256m: 内存限制
        # --read-only: 只读根文件系统（需要临时目录可写，这里用 /tmp）
        # -v 挂载临时文件
        result = subprocess.run(
            [
                "docker", "run", "--rm",
                "--network", "none",
                "--memory", "256m",
                "--read-only",
                "-v", f"{temp_path}:/script.py:ro",
                "python:3.11-slim",
                "python", "/script.py"
            ],
            capture_output=True,
            text=True,
            timeout=10
        )

        output = result.stdout
        if result.stderr:
            output += f"\n[stderr]: {result.stderr}"

        return output if output.strip() else "代码执行成功（无输出）"

    except subprocess.TimeoutExpired:
        return "执行超时（10秒）"
    except Exception as e:
        return f"执行失败: {e}"
    finally:
        # 清理临时文件
        if os.path.exists(temp_path):
            os.unlink(temp_path)

tools1 = load_tools(
    ["llm-math"],
    llm=llm
)
tools1=tools1+[docker_python_execute]

prompt=prompt = """你是一个助手，可以使用以下工具：

{tools}

工具名称：{tool_names}

你必须按以下格式回答：

Question: 用户的问题
Thought: 思考应该做什么
Action: 工具名称，必须是 [{tool_names}]
Action Input: 工具的输入
Observation: 工具返回的结果
... (重复 Thought/Action/Action Input/Observation)
Thought: 我知道答案了
Final Answer: 最终答案

开始！

Question: {input}
Thought: {agent_scratchpad}"""

prompt=PromptTemplate.from_template(prompt)
agent1=create_react_agent(
    llm=llm,
    tools=tools1,
    prompt=prompt,
)
agent_executor1 = AgentExecutor(
    agent=agent1,
    tools=tools1,
    verbose=True,
    handle_parsing_errors=True,
    callbacks=[ConsoleCallbackHandler()]
)

customer_list = [["小李",100],
                 ["小吴",45],
                 ["小刘",74],
                 ["小七",58],
                 ["小九",60]]

input1=f"""假设这里是5人的名字和对应的成绩，请按成绩从小到大进行排序:{customer_list}"""
agent_executor1.invoke({"input":input1})

如果，把代码中那个 “–rm” 取消了的话，不让它自动删容器，那边是可以看到docker确实是在执行的

result = subprocess.run(
            [
                "docker", "run",
             ...
input1=f"""假设这里是5人的名字和对应的成绩，请按成绩从大到小进行排序:{customer_list}"""
agent_executor1.invoke({"input":input1})

自定义工具2-情绪助手?

这里展示两个用法：

1.一是@tool将函数注册进langchain识别中的工具中，且函数的”””部分，会作为描述被llm读取

2.二是全局调试信息的用法

或者langchain_core.globals

from langchain.globals import set_debug, set_verbose
set_debug(True)
set_verbose(True)

代码

...
from langchain.globals import set_debug, set_verbose
set_debug(True)
set_verbose(True)
...
@tool
def wishuhappy(text:str)->str:
    """当用户表达了不开心的原话时，用这个工具安慰用户"""
    return "yly允许你哭一会儿，希望你能重拾心情照顾好自己。"

agent1=create_react_agent(
    llm=llm,
    tools=[wishuhappy],
    prompt=prompt,
)
agent_executor1 = AgentExecutor(
    agent=agent1,
    tools=[wishuhappy],
    verbose=True,
    handle_parsing_errors=True,
    callbacks=[ConsoleCallbackHandler()]
)

input1="""今天我心情不好。"""
agent_executor1.invoke({"input":input1})

可以看到这个过程里，函数是成功执行了的。

总结一下

agent充分利用了llm的文本能力+工具的能力(计算、搜索等…)

ReAct利用了llm进行自我纠错的这种思维链+循环方式：

实现:prompt+create_react_agent+AgentExecutor

自定义langchain工具 @tool的使用

思维链:Thought → Action → Observation → (重复) → Final Answer

注意

1. 1. ChatPromptTemplate,PromptTemplate 前者是角色分区与多轮对话(字典形式)，后者是纯文本(字符串)
2. 2. 维基访问超时，可以试试魔法

&nbsp;HTTPConnectionPool(host='en.wikipedia.org', port=80): Max retries exceeded&nbsp;with&nbsp;url: /w/api.php?list=search&srprop=&srlimit=3&limit=3&srsearch=%E4%BF%9D%E5%B0%94%C2%B7%E6%9F%AF%E5%AF%9F%E9%87%91&format=json&action=query (Caused by NewConnectionError('<urllib3.connection.HTTPConnection object at 0x000002834F315A00>: Failed to establish a new connection: [WinError 10060] 由于连接方在一段时
间后没有正确答复或连接的主机没有反应，连接尝试失败。'))

3.docker-desktop-windows安装

https://www.docker.com/products/docker-desktop/ 下载windows版

https://www.jianshu.com/p/7b47c0b79f20

(如果想指定位置安装比如D盘)：

win+x-> powershell管理员模式

Start-Process -Wait -FilePath ".\Docker Desktop Installer.exe" -ArgumentList "install -accept-license --installation-dir=D:\Docker --wsl-default-data-root=D:\Docker\WSL --windows-containers-default-data-root=D:\\Docker\\WindowsContainers"

使用：

docker --version 安装成功了就有显示的
wsl --update #提示我更新

管理员身份运行docker desktop，否则有些权限问题

# 停止所有 Docker 相关进程
#ps 管理员下
Get-Process | Where-Object {$_.ProcessName -like "*docker*"} | Stop-Process -Force
Stop-Service com.docker.service -Force

命令行安装docker-python

docker pull python:3.11-slim #挂代理先

docker run --rm python:3.11-slim python -c "print(2+3)" #回复5就是成功

4.把一个普通函数注册成 LangChain 能识别的工具：

之间在函数前用@tool装饰器，这属于新版推荐的方法

另一种就算维基百科api那一节用的，Tool()实例化也可以

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：羽泪云小栈 羽泪云小栈
羽泪云小栈《Langchain6_代理agent》