🧩 模块说明：LangChain Agents 进阶核心组件
📌 核心知识点：
Function Calling｜@tool 工具封装｜ReAct 循环｜Agent 构建｜SQL Agent｜记忆+流式｜开发优化
1. 01_define_toolbox.py（工具函数定义）
使用 @tool 装饰器将 Python 函数封装为 LangChain 可调用的工具。
✅ 掌握点：
- 如何用
@tool定义工具 - 必须添加三引号描述（作为提示词）
- 支持任意自定义逻辑函数
2. 02_general_agent.py（通用 Agent 构建）
基于 create_tool_calling_agent 创建支持工具调用的智能体。
✅ 掌握点：
- ReAct 思维循环：思考 → 行动 → 观察 → 再思考
- 使用
MessagesPlaceholder("agent_scratchpad")记录推理过程 AgentExecutor执行完整流程，支持verbose=True查看思考链
3. 03_sql_agent.py（SQL 专用 Agent）
一键构建自然语言查询数据库的智能体。
✅ 掌握点：
- 使用
create_sql_agent快速接入 SQLite 数据库 - 自动分析表结构、生成 SQL 并执行
- 无需手动定义工具，开箱即用
4. 04_memory_general_agent.py（带记忆的 Agent）
将 Agent 与对话历史结合，实现多轮上下文感知。
✅ 掌握点：
- 在 Prompt 中加入
MessagesPlaceholder("history") - 使用
RunnableWithMessageHistory包装 AgentExecutor - 实现“记住用户身份”、“持续追问”的真实对话体验
5. 05_caching.py（缓存优化技巧）
在开发调试阶段避免重复调用 LLM，节省成本与时间。
✅ 掌握点：
- 使用
set_llm_cache(InMemoryCache())启用缓存 - 第一次调用远程请求，后续命中缓存秒出结果
- 开发时开启，上线前关闭（仅用于测试）
6. 06_streaming.py（流式输出实战）
实现 AI 回复像打字机一样逐字输出，提升用户体验。
✅ 掌握点：
- 设置
streaming=True启用流式模式 - 添加
callbacks=[StreamingStdOutCallbackHandler()]实时打印 token - 使用
print("AI: ", end="", flush=True)确保提示立即显示
💡 建议：
跑通所有示例后，尝试将 get_weather 和 query_user_info 组合进一个带记忆的 Agent，让 AI 能连续问：“你是谁？”、“北京天气怎么样？”、“你喜欢什么颜色？”，并记住你的回答。