简介
本文介绍如何使用LangChain和FastAPI构建生产级工具增强型LLM Agent，实现token流式输出、代码执行和搜索能力。通过FastAPI异步能力和SSE实现低延迟流式传输，集成Python REPL、搜索API和PostgreSQL工具。这种Agent不仅能生成文本，还能使用外部工具"采取行动"，代表了LLM从"聊天"到"行动"的转变，为开发者提供了构建会"行动"而非仅会"聊天"的AI系统的实战指南。
构建一个可用于生产的、工具增强型 LLM Agent，具备 token 流式输出、代码执行、搜索能力，以及 FastAPI 带来的极速表现。
当 ChatGPT 刚面世时，感觉就像魔法。但新鲜感很快过去，开发者开始共同发问：我们该如何超越“聊天”？我想打造更聪明的东西——一个能够实时推理、联网搜索、运行代码、访问结构化数据，并且可以一边“打字”一边响应的 AI Agent。
于是我动手做了一个。借助LangChain和FastAPI，这个多工具 AI Agent 可以编排浏览器、数据库、Python REPL 等外部工具，并以 token 为单位实时流式输出生成内容。本文将拆解我的实战方案，以及你如何也能搭建同样的系统。
🛠 ️ 愿景：多工具 Agent 是 LLM 的未来
LLM 很擅长生成文本，但在“采取行动”方面有局限。LangChain 的 AgentExecutor正是为此而生——它通过让模型使用各类“tools”为其“装上手脚”。需要实时数据？调用搜索 API。需要算数？起一个代码解释器。需要结构化信息？接上数据库。
但问题在于：大部分演示只停留在“可以跑”。我想要的是一个能在生产环境中稳定服务的系统，利用FastAPI的异步能力和类似 ChatGPT 界面的token 级流式输出。
🧱 核心技术栈
快速拆解这个实时 Agent 背后的技术选型：
LangChain
：负责 Agent 逻辑、Prompt 模板、Memory、Tool 链接
OpenAI GPT-4 / GPT-3.5
：用于推理与生成
FastAPI
：高效通过 HTTP 提供服务
AsyncLangChain + SSE (Server-Sent Events)
：实现实时 token 流式传输
Python REPL Tool
：在沙箱中安全执行 Python 代码
Google Search Tool
（基于 SerpAPI）：获取最新的网页信息
PostgreSQL Tool
：查询结构化数据
关键词（自然覆盖）：langchain fastapi streaming, LLM agents, real-time AI agent, code execution with langchain, serve AI agent API
🧠 用 LangChain 构建 Agent
LangChain 提供了构建可使用外部工具的推理 Agent 所需的一切。概念流程如下：
- 定义 Tools
Tool 本质是带有名称、描述和可调用体的 Python 包装。例如：
from langchain.agents import Tooldef run_code(code: str) -> str: # Execute in sandbox (be careful in prod!) try: returnstr(eval(code)) except Exceptionas e: returnstr(e)code_tool = Tool( name="Python REPL", func=run_code, description="Executes Python code and returns the result")- 初始化 Agent
我使用了 LangChain 的initialize_agent()，并选择chat-zero-shot-react-description类型，让模型可以自主选择工具并逐步解释其推理过程。 - 添加 Memory（可选）
你可以用ConversationBufferMemory持久化会话历史，或者在规模化时替换为 Redis。 - 开启 Streaming
若要按 token 流式输出，将stream_handler（LangChain 的AsyncIteratorCallbackHandler）传入 OpenAI LLM 类即可。
🚀 使用 FastAPI 和 Server-Sent Events 提供服务
流式传输是许多基于 LLM 的 API 的短板。传统做法是点“发送”，等 10 秒，然后一次性返回一大段内容——这不是用户期望的体验。
FastAPI 对SSE（Server-Sent Events）的支持非常适合低延迟流式传输。我的接入方式如下：
from fastapi import FastAPIfrom fastapi.responses import StreamingResponsefrom sse_starlette.sse import EventSourceResponse@app.get("/agent/stream")async def stream_agent_response(query: str): async def event_generator(): async for chunk in run_agent_stream(query): yield {"event": "message", "data": chunk} return EventSourceResponse(event_generator())run_agent_stream()会实时产出来自 LangChain 的 token 片段。前端可以像 OpenAI playground 一样边到边渲染。
自然覆盖的相关搜索：fastapi streaming response, langchain async stream, token streaming openai, how to build real-time LLM agent
🔍 工具集成：搜索、数据库与代码执行
🔎 Web 搜索工具
为回答最新问题，我通过 LangChain 的封装集成了SerpAPI。这让模型可以在不知道答案时“Google 一下”。
from langchain.tools import Toolfrom langchain.utilities import SerpAPIWrappersearch = SerpAPIWrapper()search_tool = Tool( name="Google Search", func=search.run, description="Use this to look up current events or recent data")📦 PostgreSQL 工具
我通过 LangChain 的 SQL Agent 连接到本地 Postgres 数据库。这样模型就能查询结构化数据，例如产品信息、日志或分析数据。
这对企业内部 Agent 非常有价值。
⚙️ 代码执行工具
为执行逻辑，我用受限的全局变量构建了一个最小化的 Python REPL 沙箱。不要在生产环境中直接使用eval()，除非有强有力的安全措施。建议使用 Docker 沙箱或诸如 Code Interpreter API 的服务。
🎯 实时效果：最终的 UX
连接完成后，用户发出一个请求：
“请总结这篇文章，并计算每个段落的平均词数。另外，附上排名前 3 的来源链接。”
Agent 可能会：
- 搜索该文章
- 运行代码处理文本
- 调用数据库核验来源
- 在生成时将答案以 token 流的形式持续推送到前端
这一切都在“直播”进行——用户能看到 Agent 边想边答。
这种交互体验更接近 ChatGPT，但用的是你自己的工具和后端。
⚡ 构建过程中的关键经验
- 流式传输很关键：按 token 输出的 UX 能显著提升速度感与信任感
- LLM ≠ 全栈应用：要超越“生成”，外部工具必不可少
- LangChain 灵活但偏“啰嗦”：要准备好管理复杂的 Prompt
- FastAPI 非常适合异步：速度飞快，SSE 支持一流
- 生产安全：在公开前为工具加上限流、日志与监控
📦 Bonus：部署 Agent
我用Docker容器化服务，使用NGINX作为反向代理，并部署到Render（也可选Fly.io）。请将 LLM Key、数据库凭证和搜索 API Key 安全存放在环境变量或密钥管理服务中。
更丰富的前端可采用 React + SWR 搭配 SSE 客户端。这样几乎无延迟地实现实时交互。
🗣 ️结语
这个项目让我意识到，我们正从“Prompt Engineering”迈向工具编排。LLM 不再只是生成器，而是更大系统中的决策者。借助LangChain、FastAPI和少量精心挑选的工具，你可以构建会“行动”的 Agent，而不仅仅是会“聊天”的 Agent。
如何学习AI大模型？
如果你对AI大模型入门感兴趣，那么你需要的话可以点击这里大模型重磅福利：入门进阶全套104G学习资源包免费分享！
这份完整版的大模型 AI 学习和面试资料已经上传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】
这是一份大模型从零基础到进阶的学习路线大纲全览，小伙伴们记得点个收藏！
第一阶段：从大模型系统设计入手，讲解大模型的主要方法；
第二阶段：在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；
第三阶段：大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；
第四阶段：大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；
第五阶段：大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；
第六阶段：以SD多模态大模型为主，搭建了文生图小程序案例；
第七阶段：以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。
100套AI大模型商业化落地方案
大模型全套视频教程
200本大模型PDF书籍
👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；
• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；
• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；
• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。
LLM面试题合集
大模型产品经理资源合集
大模型项目实战合集
👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓
