AI 的出现极大的提升了生产力，对我们程序员来说，积极的拥抱新技术是非常有必要的。今天我们基于 LangChain 框架，创建一个我们自己的 Agent, 并集成我们自己的 MCP 工具。

体验一把 LangChain。

我的系统是 Windows。 在开始之前，我们需要:

• • 使用 Ollama 运行 deepseek-r1:7b

• • 使用 Node.js 开发的 MCP Weather Service 工具

• • 使用 Flask 提供 Web API 服务

整体的调用如下：

最终实现的效果如下：

我们这里有两个场景：

• • 用户询问天气，调用 Weather-MCP

• • 用户输入其他问题，调用 Chat Tool 与大模型对话

让我们带着疑问去了解

项目是如何实现智能路由的？从复杂的 LangChain Agent 到简单的 SimpleAgent 的演进过程？

智能路由演进历程

项目架构演变

本项目经历了从复杂到简单的重要演进过程：

初始方案：传统 LangChain Agent

• • 使用 ZERO_SHOT_REACT_DESCRIPTION 类型的 Agent

• • 依赖 LLM 自动解析 ReAct 格式

• • 遇到了 LLM 格式不一致、无限循环等问题

最终方案：SimpleAgent

• • 基于关键词匹配的智能路由

• • 避免复杂的 ReAct 格式解析

• • 更加稳定和可预测

1. 用户请求

用户通过 /api/query 接口发送问题，例如："深圳的天气怎么样？"

2. Flask 接收请求

app.py 中的 Flask 路由接收到请求后，将用户的 query 传递给 SimpleAgent：

# app.py
@app.route('/api/query', methods=['POST'])
def query_agent():
    data = request.get_json()
    query = data.get('query', '')
    result = agent.query(query)
    return jsonify(result)

3. SimpleAgent 智能路由

在 agent.py 中实现了 SimpleAgent 类：

class SimpleAgent:
    def__init__(self):
        self.weather_tool = WeatherTool()
        self.chat_tool = ChatTool()
        
        # 天气相关关键词
        self.weather_keywords = ["天气", "气温", "温度", "下雨", "晴天", "阴天", "刮风", 
                               "weather", "temperature", "rain", "sunny", "cloudy", "wind"]
        
    def_is_weather_query(self, query: str) -> bool:
        """判断是否为天气查询"""
        query_lower = query.lower()
        returnany(keyword in query_lower for keyword inself.weather_keywords)
    
    defquery(self, user_input: str) -> dict:
        """处理用户查询"""
        ifself._is_weather_query(user_input):
            result = self.weather_tool.run(user_input)
            return {
                "success": True,
                "result": result,
                "intermediate_steps": [("weather", "Weather data retrieved successfully")],
                "query": user_input
            }
        else:
            result = self.chat_tool.run(user_input)
            return {
                "success": True,
                "result": result,
                "intermediate_steps": [],
                "query": user_input
            }

4. 为什么选择 SimpleAgent？

遇到的问题：

1. 1. LLM 格式不一致：deepseek-r1-7b 经常不能完美遵循 ReAct 格式

2. 2. 无限循环：LLM 有时会持续调用工具而不给出最终答案

3. 3. 解析错误：Action Input 格式错误（如 "city: Beijing" 而不是 "Beijing"）

4. 4. 序列化问题：复杂的 Action 对象无法 JSON 序列化

SimpleAgent 的优势：

• • 可靠性：避免复杂的 ReAct 格式解析问题

• • 性能：直接关键词匹配比 LLM 路由更快

• • 可维护性：更容易调试和扩展

• • 可预测性：不同查询类型的行为一致

5. 工具实现详解

5.1 Weather Tool 实现

tools/weather_tool.py 中的天气工具：

class WeatherTool:
    def__init__(self):
        self.mcp_url = "http://localhost:8081/weather"
        
    defrun(self, city: str) -> str:
        """查询天气信息"""
        # 清理参数格式
        if":"in city:
            city = city.split(":")[-1].strip()
            
        try:
            response = requests.get(f"{self.mcp_url}?city={city}", timeout=10)
            if response.status_code == 200:
                data = response.json()
                # 直接处理 JSON 数据，格式化为自然语言
                weather_info = data.get('weather', {})
                returnf"{city} current weather: {weather_info.get('description', 'unknown')}, temperature {weather_info.get('temperature', 'N/A')}°C"
            else:
                returnf"Unable to get weather information for {city}"
        except Exception as e:
            return f"Weather service error: {str(e)}"

5.2 Chat Tool 实现

tools/chat_tool.py 中的聊天工具：

class ChatTool:
    def__init__(self):
        self.llm = Ollama(
            base_url="http://localhost:11434",
            model="deepseek-r1:7b"
        )
        
    defrun(self, query: str) -> str:
        """处理一般对话"""
        try:
            response = self.llm.invoke(query)
            # 清理 <think> 标签
            cleaned_response = re.sub(r'<think>.*?</think>', '', response, flags=re.DOTALL)
            return cleaned_response.strip()
        except Exception as e:
            return f"Chat service error: {str(e)}"

6. 学习收获

通过这个项目，我们学到了：

1. 1. 简单往往更好：复杂的 ReAct Agent 在实际应用中可能不如简单的关键词匹配稳定

2. 2. 错误处理很重要：需要处理各种边界情况和异常

3. 3. 工具设计原则：每个工具应该职责单一，易于测试

4. 4. 渐进式开发：从复杂方案开始，逐步简化到可用方案

7. 技术栈总结

项目核心用到的技术：

• • Flask —— Web API 框架

• • LangChain —— Agent 框架和工具封装

• • Ollama —— 本地 LLM 服务

• • MCP Protocol —— 模型上下文协议

• • JavaScript —— 前端交互

核心 LangChain 模块：

• • langchain.tools —— 工具（Tool）封装

• • langchain_community.llms —— LLM（如 Ollama）集成

这些模块共同实现了"用户输入 → 智能路由 → 工具调用 → 结果返回"的全流程。

项目地址：https://github.com/LouisYi-n/mcp-demo/tree/main/langchain/zdlang-agent

  如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

五、AI产品经理大模型教程

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。

• 内容：

  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

• 内容：

  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.3 流水线工程
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​