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. LLM 格式不一致：deepseek-r1-7b 经常不能完美遵循 ReAct 格式
2. 无限循环：LLM 有时会持续调用工具而不给出最终答案
3. 解析错误：Action Input 格式错误（如 “city: Beijing” 而不是 “Beijing”）
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. 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. 错误处理很重要：需要处理各种边界情况和异常
3. 工具设计原则：每个工具应该职责单一，易于测试
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。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】