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。
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:
这个模型什么时候开始深度思考?
它的思考预算谁来控制?
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:
在 before_model 里:自动解析城市 + 注入强约束;
在 wrap_model_call 里:控制 Reasoning 的“成本”;
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_textdef pin_cities_and_adcodes(state, runtime):messages = state.get("messages", [])human_msgs = [m for m in messages if isinstance(m, HumanMessage)]query = msg…