基于 LangChain 实现通义千问 + Tavily 搜索 Agent 的简单实践

大语言模型（LLM）虽然拥有强大的语言理解和生成能力，但其自身知识具有时间滞后性，无法直接访问实时数据。这就催生了 Agent广泛应用。

本文将围绕 LangChain 框架，结合通义千问（Tongyi Qianwen）大模型与 Tavily 实时搜索引擎，构建一个具备 Agent 推理能力的实践案例。系统能够根据问题内容，自动判断是否需要使用工具（如 Tavily 进行实时搜索），实现更真实、更准确的答案生成。

一、相关背景

1.1 LangChain 简介

LangChain 是一个用于构建语言模型应用的开源框架，主要提供对大模型、多工具、多模态、链式推理等功能的统一封装，支持通过 Chains、Agents、Tools 等模块灵活组合。

1.2 通义千问（Tongyi Qianwen）

通义千问是阿里云推出的大语言模型，具备优秀的中文理解与生成能力，尤其在中文问答、摘要、对话等任务中表现突出。通过 DashScope API 提供在线推理接口。

1.3 Tavily 实时搜索引擎

Tavily 是一个支持自然语言查询的网页摘要搜索引擎，能够根据用户的问题返回结构化网页摘要结果，适合用于外部知识增强场景。

1.4 架构总览

我们本次系统的架构如下：

用户问题 --> Agent 判断 -->|- 无需搜索 --> 通义千问直接生成答案|- 需要搜索 --> 使用 Tavily 搜索结果作为上下文 --> 生成答案

系统整体基于 LangChain 的 Agent 模式构建，利用 ZeroShotAgent 自动推理是否使用工具。

二、环境配置

pip install langchain langchain-community dashscope tavily-python

设置 API 密钥

export DASHSCOPE_API_KEY=your_dashscope_api_key
export TAVILY_API_KEY=your_tavily_api_key

三、 Tavily 搜索

我们首先展示一个基于 Tavily 搜索 的普通示例，演示 Tavily 的搜索结果如何作为上下文传给大模型。

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（旧版 API）
search = TavilySearchResults(k=3)# 增加 Tavily 搜索结果打印
def run_and_print_search(x):query = x["question"]results = search.run(query)print("\n🔍 Tavily 搜索结果:")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)# 初始化通义千问
llm = Tongyi(model_name="qwen-turbo")# 提示模板
prompt = PromptTemplate.from_template("""
你是一个中文智能助手，请根据以下网页搜索内容回答用户的问题。
问题：{question}
搜索内容：{context}
请使用简体中文准确、简洁地作答：
""")# 构建 RAG Chain
rag_chain = ({"context": search_tool, "question": lambda x: x["question"]}| prompt| llm| StrOutputParser()
)# 执行
response = rag_chain.invoke({"question": "今天安徽合肥天气如何"})
print("\n通义千问回答：")
print(response)

四、智能 Agent 示例：自动判断是否调用 Tavily

在更高级的场景中，我们希望让模型“自己决定”是否使用工具进行搜索。这就需要借助 LangChain 的 Agent 模块。

4.1 初始化 Agent

from langchain.agents import initialize_agent, Tool
from langchain.agents.agent_types import AgentType# 通义模型
llm = Tongyi(model_name="qwen-turbo")# 工具定义
search_tool = TavilySearchResults(k=3)
tools = [Tool(name="tavily_search",func=search_tool.run,description="适用于需要通过网页获取实时信息的问题，例如新闻、事件时间、最新数据等")
]agent = initialize_agent(tools=tools,llm=llm,agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,verbose=True
)

4.2 提问两个问题：一个需要搜索，一个不需要

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-"# 初始化通义模型
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="适用于需要通过网页获取实时信息的问题，例如新闻、事件时间、最新数据等")
]# 初始化 Agent
agent = initialize_agent(tools,llm,agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,  # 基于描述自己选择用哪个工具verbose=True
)# 问题1：无需搜索，模型自己可答
question1 = "中国的首都是哪里？"# 问题2：需要搜索的实时问题
question2 = "今天的天气如何？"# 执行
print("\n问题1：无需调用 Tool")
response1 = agent.run(question1)
print("答案1：", response1)print("\n问题2：需要调用 Tavily")
response2 = agent.run(question2)
print("答案2：", response2)

4.3 Agent 自动推理过程

运行过程中，LangChain Agent 会自动识别问题的复杂度：

• 若模型自身具备能力，则直接生成答案
• 若识别到需要外部知识，会调用工具（Tavily）并使用其结果