LangChain 入门学习第八篇-带工具的博客问答 Agent
内容提要
本文介绍如何将Agent与RAG结合，构建博客问答Agent。它提供三个工具：检索文章、列出分类、读取来源，让Agent自主决定调用工具获取信息。通过工具抽象，Agent无需关心内部实现，并强调工具边界安全。最终，Agent负责决策，RAG工具查资料，LLM总结回答，实现更灵活的问答系统。
延伸解读
工具抽象与安全边界
文章强调将RAG检索封装为工具后，Agent无需关心内部实现，只需调用接口。同时，读取来源工具限制了路径，只能访问指定目录，防止任意文件读取。这提醒开发者，在赋予Agent工具能力时，必须考虑安全边界，避免潜在风险。
Agent与RAG的分工
Agent负责决策，RAG工具负责检索，LLM负责总结。这种组合适用于问题类型多样的场景，如查询分类、阅读文章等。相比固定RAG链路，Agent能更灵活地调度不同工具，但简单问答场景下，直接使用RAG链可能更高效。
调试与可观测性
运行demo时，输出会打印消息过程，包括模型调用工具和工具返回结果。这有助于确认模型是否真正使用了工具，而非凭记忆回答。对于开发调试，这种可观测性很重要，能帮助定位问题，确保Agent行为符合预期。
Q&A
LangChain 第八篇博客问答 Agent 提供了哪些工具？
提供了三个工具：search_blog_posts（根据问题检索博客文章）、list_blog_categories（列出博客分类）、read_blog_source（读取某篇博客正文开头）。
如何确保博客问答 Agent 不会读取任意文件？
在 read_blog_source 工具中进行了路径限制，只允许读取 blog/content/post 目录下的文章，如果路径不在该目录下则返回错误信息。
博客问答 Agent 中 system prompt 的作用是什么？
system prompt 明确要求回答博客内容相关问题时必须先调用 search_blog_posts，否则模型可能直接根据已有知识回答，失去 RAG 的意义。
Agent 和 RAG 是如何结合的？
Agent 负责决策，RAG 工具负责查资料，LLM 负责总结回答。Agent 根据用户问题自主选择调用工具，RAG 工具提供检索结果，LLM 基于结果生成最终答案。
运行博客问答 Agent 的 demo 命令是什么？
在 code/langchain-demo 目录下运行：uv run python -m chapter08.blog_qa_agent "Python 函数式编程讲了什么？请给出参考文章。"
为什么说工具抽象对 Agent 有好处？
工具抽象让 Agent 无需关心工具内部实现（如关键词检索、向量检索或数据库调用），只需知道工具的功能即可，简化了 Agent 的决策过程。
