别再堆 Prompt 了:用 LangChain 1.0 搭建“深度思考 Agent”

“ 从“会聊天”到“会思考”:我用 LangChain 1.0 + Qwen 做了一个旅游 Agent,一个真正能“思考”的旅游规划 Agent。


在这个过程中,我顺手把“深度思考(reasoning)”这一套,从 模型 → API → LangChain 1.0 → 中间件,走了一遍闭环,也踩了不少坑。

这篇文章就借这个项目,聊聊 Reasoning 到底怎么开、怎么控、怎么落地。
”





关注微信公众号及时获取更多技术资讯


往期内容链接: 

LoRA 微调实战:手把手教你打造专属领域 AI(附代码)


MCP应用开发实战:把大模型接到现实世界" data-itemshowtype="0" linktype="text" data-linktype="2">MCP应用开发实战:把大模型接到现实世界


......


本期代码运行实例详见github:https://github.com/SWUSTcyt/langchain-travel-agent.git


01 为什么要关心 LangChain 1.0?


在 0.x 时代,我们做 Agent 差不多是这么个流程:

  • 选一个大模型;

  • 绑几个工具(搜索、数据库、地图 API……);

  • 用 Agent 框架帮你决定“什么时候该用工具”。

能跑,但有几个老问题:

  • Prompt、裁剪、Guardrails 分散:逻辑散落在各种链和回调里,难维护;

  • 想要“先自评再重写”“先检索再回答”,得自己手搓一堆链;

  • 工程化之后,逻辑越来越多,全是 if-else 拼命长。

LangChain 1.0 做了一件很关键的小事:

把这些“前后处理、反思、限流、审计”的能力,系统化收拢到了 Middleware(中间件) 里。

简单一句话:

Agent = 一条生产线,Middleware = 插在生产线各个路口的“小工位”。

有了它,我们可以更优雅地回答这三个问题:

  1. 这个模型什么时候开始深度思考?

  2. 它的思考预算谁来控制?

  3. 出来的结果谁来质检和纠偏?


02 模型层:先把“深度思考”开起来


在这个 Demo 里我用的是 Qwen-Turbo,它本身支持“深度思考 + 流式输出”。模型初始化放在 agent.py 中,核心配置大概长这样:

from langchain_community.chat_models.tongyi import ChatTongyifrom tools import tools  # MCP(高德)工具在 tools.py 中加载
qwen = ChatTongyi(    dashscope_api_key=DASHSCOPE_API_KEY,    model="qwen-turbo-latest",    streaming=True,         # 流式输出    model_kwargs={        "enable_thinking": True,    # 开启深度思考        "incremental_output": True, # 思考 + 流式 必须一起开        "temperature": 0.7,        "top_p": 0.8,        "max_output_tokens": 1500,  # 模型级成本护栏    },)
# 交给 LangChain 处理工具调用qwen = qwen.bind_tools(tools)

这一层你可以理解为:
“告诉模型:你可以多想一会儿,但最长只能说这么多。”

剩下的就交给 LangChain 1.0 的 Middleware 去“管住它”。

03 把 Agent 想成一条生产线:Middleware 就是闸口


官方文档会画一张循环图:

模型调用 →(可能)工具调用 → 再次模型调用 → …… → 结束

LangChain 1.0 提供了几个关键钩子(hook):

  • before_model:模型调用之前,适合改 Prompt、抽取结构化信息、打系统提示;

  • wrap_model_call:像给 model.invoke() 加一层代理,适合控参数、做“自评→重写”等多段推理;

  • wrap_tool_call:在工具真正被调用前拦一下,适合修参数、加权限、做预算限制;

  • after_model:模型调用之后,适合做结果质检、串城检查、命中关键词再触发纠偏;

  • after_agent:整轮 Agent 结束后的收尾工作。

在我的旅游 Agent 里,我只重点做了三件事:

  1. 在 before_model 里:自动解析城市 + 注入强约束;

  2. 在 wrap_model_call 里:控制 Reasoning 的“成本”;

  3. 在 wrap_tool_call + after_model 里:强制工具对齐城市,并在最后做一次“串城质检”。


下面就用几个关键中间件快速过一遍。

04 三段关键中间件:一张“深思链路骨架”


4.1 城市解析 & 系统提示:before_model


用户说的每一句话里,其实都隐藏着一些重要变量,比如“城市”。
在旅游场景下,城市就是一切的“坐标系”。

所以我在 middleware.py 里写了一个 pin_cities_and_adcodes:

  • 从最后一条用户消息里自动抽取城市;

  • 把城市写进 runtime.state["target_cities"],供后续统一使用;

  • 重写 System Prompt:

    • 指定这个 Agent 是“旅游助手”;

    • 明确要求优先用 MCP(高德)工具;

    • 加上“禁止跨城串场”的强约束。

核心逻辑大致是这样的(只保留关键部分):

from langchain.agents.middleware import before_modelfrom langchain_core.messages import SystemMessage, HumanMessagefrom .utils import extract_cities, msg_text
@before_modeldef pin_cities_and_adcodes(state, runtime):    messages = state.get("messages", [])    human_msgs = [m for m in messages if isinstance(m, HumanMessage)]    query = msg…
— 以上为试看内容(约 40%),开通会员后阅读全文 —