大語言模型（LLM）雖然擁有強大的語言理解和生成能力，但其自身知識具有時間滯后性，無法直接訪問實時數據。這就催生了 Agent廣泛應用。

本文將圍繞 LangChain 框架，結合通義千問（Tongyi Qianwen）大模型與 Tavily 實時搜索引擎，構建一個具備 Agent 推理能力的實踐案例。系統能夠根據問題內容，自動判斷是否需要使用工具（如 Tavily 進行實時搜索），實現更真實、更準確的答案生成。

一、相關背景

1.1 LangChain 簡介

LangChain 是一個用于構建語言模型應用的開源框架，主要提供對大模型、多工具、多模態、鏈式推理等功能的統一封裝，支持通過 Chains、Agents、Tools 等模塊靈活組合。

1.2 通義千問（Tongyi Qianwen）

通義千問是阿里云推出的大語言模型，具備優秀的中文理解與生成能力，尤其在中文問答、摘要、對話等任務中表現突出。通過 DashScope API 提供在線推理接口。

1.3 Tavily 實時搜索引擎

Tavily 是一個支持自然語言查詢的網頁摘要搜索引擎，能夠根據用戶的問題返回結構化網頁摘要結果，適合用于外部知識增強場景。

1.4 架構總覽

我們本次系統的架構如下：

用戶問題 --> Agent 判斷 -->|- 無需搜索 --> 通義千問直接生成答案|- 需要搜索 --> 使用 Tavily 搜索結果作為上下文 --> 生成答案

系統整體基于 LangChain 的 Agent 模式構建，利用 ZeroShotAgent 自動推理是否使用工具。

二、環境配置

pip install langchain langchain-community dashscope tavily-python

設置 API 密鑰

export DASHSCOPE_API_KEY=your_dashscope_api_key
export TAVILY_API_KEY=your_tavily_api_key

三、 Tavily 搜索

我們首先展示一個基于 Tavily 搜索 的普通示例，演示 Tavily 的搜索結果如何作為上下文傳給大模型。

from langchain_community.llms import Tongyi
from langchain_community.tools import TavilySearchResults
from langchain_core.prompts import PromptTemplate
import os
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnableLambdaos.environ["OPENAI_API_KEY"] = "sk-"
os.environ["TAVILY_API_KEY"] = "tvly-"# 初始化 Tavily（舊版 API）
search = TavilySearchResults(k=3)# 增加 Tavily 搜索結果打印
def run_and_print_search(x):query = x["question"]results = search.run(query)print("\n🔍 Tavily 搜索結果:")for idx, item in enumerate(results):print(f"[{idx + 1}] {item['title']}")print(item['content'][:300])  # 打印前300字print(f"URL: {item['url']}")print("-" * 60)return resultssearch_tool = RunnableLambda(run_and_print_search)# 初始化通義千問
llm = Tongyi(model_name="qwen-turbo")# 提示模板
prompt = PromptTemplate.from_template("""
你是一個中文智能助手，請根據以下網頁搜索內容回答用戶的問題。
問題：{question}
搜索內容：{context}
請使用簡體中文準確、簡潔地作答：
""")# 構建 RAG Chain
rag_chain = ({"context": search_tool, "question": lambda x: x["question"]}| prompt| llm| StrOutputParser()
)# 執行
response = rag_chain.invoke({"question": "今天安徽合肥天氣如何"})
print("\n通義千問回答：")
print(response)

四、智能 Agent 示例：自動判斷是否調用 Tavily

在更高級的場景中，我們希望讓模型“自己決定”是否使用工具進行搜索。這就需要借助 LangChain 的 Agent 模塊。

4.1 初始化 Agent

from langchain.agents import initialize_agent, Tool
from langchain.agents.agent_types import AgentType# 通義模型
llm = Tongyi(model_name="qwen-turbo")# 工具定義
search_tool = TavilySearchResults(k=3)
tools = [Tool(name="tavily_search",func=search_tool.run,description="適用于需要通過網頁獲取實時信息的問題，例如新聞、事件時間、最新數據等")
]agent = initialize_agent(tools=tools,llm=llm,agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,verbose=True
)

4.2 提問兩個問題：一個需要搜索，一個不需要

import osfrom langchain.agents import initialize_agent, Tool
from langchain.agents.agent_types import AgentType
from langchain_community.llms import Tongyi
from langchain_community.tools.tavily_search import TavilySearchResultsos.environ["OPENAI_API_KEY"] = "sk-"
os.environ["TAVILY_API_KEY"] = "tvly-"# 初始化通義模型
llm = Tongyi(model_name="qwen-turbo")# 初始化 Tavily 工具
search_tool = TavilySearchResults(k=3)
tools = [Tool(name="tavily_search",func=search_tool.run,description="適用于需要通過網頁獲取實時信息的問題，例如新聞、事件時間、最新數據等")
]# 初始化 Agent
agent = initialize_agent(tools,llm,agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,  # 基于描述自己選擇用哪個工具verbose=True
)# 問題1：無需搜索，模型自己可答
question1 = "中國的首都是哪里？"# 問題2：需要搜索的實時問題
question2 = "今天的天氣如何？"# 執行
print("\n問題1：無需調用 Tool")
response1 = agent.run(question1)
print("答案1：", response1)print("\n問題2：需要調用 Tavily")
response2 = agent.run(question2)
print("答案2：", response2)

4.3 Agent 自動推理過程

運行過程中，LangChain Agent 會自動識別問題的復雜度：

• 若模型自身具備能力，則直接生成答案
• 若識別到需要外部知識，會調用工具（Tavily）并使用其結果