在掌握 LangChain 基础使用后，单纯的内置 Chain 往往无法满足复杂业务场景（如多步骤文本处理、工具自主调用）。本文将基于阿里通义千问模型（国内开发者友好、无需科学上网），聚焦自定义 Chain 和智能 Agent 开发，从原理到代码手把手教你搭建可适配复杂任务的 LLM 应用，解决实际开发中“链路不灵活”“无法自主决策”的核心痛点。
LangChain 内置的基础 Chain（如 LLMChain）仅能完成“输入→单次调用 LLM→输出”的简单流程，而实际业务中：
- 复杂任务需要多步骤链路（如“用户提问→关键词提取→内容生成→格式校验”）；
- 部分任务需要 LLM 自主判断是否调用工具（如计算、搜索、数据库查询）；
自定义 Chain 可串联多步骤逻辑，Agent 则赋予 LLM “决策能力”，两者结合能覆盖 80% 以上的复杂业务场景。
本文全程使用阿里通义千问（Qwen）模型，适配国内开发环境，无需依赖 OpenAI。
2.1 安装核心依赖（如已安装则忽略跳过这一步）
2.2 获取通义千问API Key
- 进入“API-KEY管理”页面，创建并复制你的API Key；
- 访问阿里云百炼控制台，完成实名认证；
- 将复制的API Key直接替换代码中“你的通义千问API Key”即可。
3.1 核心思路
SequentialChain 允许将多个基础 Chain 串联，前一个 Chain 的输出作为后一个 Chain 的输入，实现“流水线式”文本处理。本次实战基于千问模型实现：用户输入问题 → 提取核心关键词 → 生成专业回答 → 格式化输出。
3.2 完整代码实现
3.3 代码关键说明
- 千问模型初始化：是LangChain对接阿里千问的核心类，参数可根据需求选择（qwen-7b-chat轻量、qwen-plus效果最优）；
- 输出键名（output_key）：必须唯一且与后续Chain的输入变量对应，是串联多步骤的核心；
- verbose=True：开启后可在控制台看到链路执行的详细日志，便于调试每一步的输入输出。
4.1 核心思路
Agent 是 LangChain 中赋予 LLM “决策能力”的核心组件，可让千问模型自主判断：是否需要调用工具？调用哪个工具？本次实战实现：千问模型结合计算器工具，自主处理“带数学运算的问题”。
4.2 完整代码实现
4.3 代码关键说明
- 工具描述（description）：是 Agent 决策的核心依据，描述越精准，千问模型调用工具的准确率越高。
- Agent类型选择：针对千问这类Chat模型，优先选择，适配性更好；
- 错误处理：可避免因模型输出格式异常导致Agent崩溃，提升生产环境稳定性。
5.1 核心思路
实际业务中，内置工具无法满足需求（如查询数据库、读取本地文件），可基于 LangChain 自定义工具，接入 Agent 体系。
5.2 自定义工具代码示例（以“本地文件读取”为例）
- 千问模型输出格式异常：
- 问题：Agent 解析千问输出时出现格式错误；
- 解决：降低模型（如0.3），或在Prompt中明确要求输出格式（如“按JSON格式输出决策步骤”）。
- Chain链路参数不匹配：
- 问题：前一个Chain的output_key与后一个Chain的输入变量不一致；
- 解决：严格保证和输入变量名称一致，开启调试。
- Agent不调用工具/错误调用工具：
- 问题：千问模型未识别出需要调用工具；
- 解决：优化工具，明确适用场景（如“当问题包含数学运算时，必须调用Calculator工具”）。
- API调用限额/超时：
- 问题：阿里千问API调用超出限额或超时；
- 解决：在代码中添加重千问 Qwen 教程试机制（如库），或降低模型调用频率。
- 基于阿里千问模型的自定义SequentialChain可实现多步骤文本处理，核心是保证与输入变量的匹配，适合复杂的文本流水线任务；
- 智能Agent的核心是工具定义与Prompt优化，精准的工具能大幅提升千问模型的决策准确率；
- 自定义工具是Agent落地业务的关键，通过封装业务逻辑，可快速扩展Agent的能力边界。
本文所有代码均基于阿里千问模型实现，适配国内开发环境，可直接复制运行。掌握自定义Chain和Agent后，你可轻松应对企业级LLM应用的复杂业务场景，如智能客服、自动化办公、知识库问答等。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/275580.html原文链接：https://javaforall.net
