在使用 Python 和 LangChain 开发一个能够执行本地程序的 Agent 时，需要结合 LangChain 的工具调用能力以及与本地环境的交互功能。LangChain 提供了多种工具和接口，可以用于构建能够执行本地操作的 Agent，例如运行命令、访问文件系统或执行脚本。 ### 1. 准备工作 首先，确保已经安装了 LangChain 和相关依赖库。可以通过以下命令安装 LangChain： ```bash pip install langchain ``` 如果需要使用本地模型（如 LLaMA、GPT4All 等），还需安装对应的模型运行环境和模型文件。 ### 2. 创建 Agent 并集成本地执行工具 LangChain 提供了 `Tool` 类，可以用于封装本地操作功能。可以通过继承 `Tool` 或使用 `tool` 装饰器来定义自定义工具。例如，下面是一个用于执行本地 shell 命令的工具实现： ```python from langchain.tools import tool import subprocess @tool def run_shell_command(command: str) -> str: """运行本地 shell 命令并返回输出结果""" result = subprocess.run(command.split(), capture_output=True, text=True) return result.stdout if result.returncode == 0 else result.stderr ``` ### 3. 配置 Agent 并注册工具 LangChain 提供了多种类型的 Agent，例如 `initialize_agent` 可以用于创建基于 LLM 的代理。可以将上面定义的 `run_shell_command` 工具注册到 Agent 中，并指定合适的 LLM 模型： ```python from langchain.agents import initialize_agent, AgentType from langchain.chat_models import ChatOpenAI # 或者使用本地模型如 LlamaCpp llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0) # 示例使用 OpenAI 模型 tools = [run_shell_command] agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True) ``` ### 4. 运行 Agent 并执行本地程序 创建好 Agent 后，可以通过调用 `run` 方法来执行用户指令。例如： ```python agent.run("列出当前目录下的所有文件") ``` 该指令将被 Agent 解析，并调用 `run_shell_command` 工具执行 `ls` 命令（在 Windows 上为 `dir`）。 ### 5. 安全性与限制 由于执行本地命令具有潜在风险，建议对输入进行严格校验，并限制可执行的命令范围。可以在 `run_shell_command` 函数中添加白名单机制，仅允许执行特定命令。 ---