LangChain作为构建大语言模型应用的常用框架，早期提供的initialize_agent函数可以快速创建智能代理，但随着框架迭代，该函数因封装过度、灵活性不足等问题被禁用，官方推荐使用AgentExecutor作为替代方案，实现更可控的代理运行逻辑。
initialize_agent被禁用的核心原因
initialize_agent函数将工具加载、提示模板生成、代理初始化、运行逻辑全部封装在内部，开发者很难自定义中间环节。比如想要修改代理的停止条件、调整工具调用的返回处理逻辑，或者更换不同的代理类型时，都需要修改框架内部代码，不符合开闭原则。而AgentExecutor将代理的运行逻辑和代理本身的决策逻辑拆分，开发者可以灵活组合不同组件，适配更多复杂场景。
AgentExecutor的核心组成
使用AgentExecutor替代initialize_agent，需要先理解它的几个核心组成部分：
- 工具（Tools）：代理可以调用的外部能力，比如搜索工具、计算器工具、自定义业务接口等
- 代理（Agent）：负责根据用户输入和工具返回结果，决策下一步要调用哪个工具或者直接返回最终答案
- AgentExecutor：负责调度代理和工具，处理运行过程中的异常、迭代次数限制等逻辑
完整迁移步骤
1. 定义工具集合
首先定义代理需要使用的工具，这里以自定义的计算器工具和搜索工具为例：
from langchain.tools import Tool
from langchain.utilities import SerpAPIWrapper
# 自定义计算器工具
def calculator(query: str) -> str:
try:
# 执行简单计算，实际场景可替换为更复杂的计算逻辑
return str(eval(query))
except Exception as e:
return f"计算失败：{str(e)}"
# 初始化搜索工具
search = SerpAPIWrapper()
tools = [
Tool(
name="计算器",
func=calculator,
description="当需要执行数学计算时使用，输入为数学表达式，比如'1+2*3'"
),
Tool(
name="网络搜索",
func=search.run,
description="当需要查询实时信息或未知知识时使用，输入为查询关键词"
)
]2. 选择并初始化代理
LangChain提供了多种代理类型，比如零样本推理代理、对话代理等，这里选择常用的零样本推理代理：
from langchain.agents import create_react_agent
from langchain.prompts import PromptTemplate
from langchain_community.llms import OpenAI
# 初始化大语言模型
llm = OpenAI(temperature=0)
# 定义ReAct代理的提示模板
prompt = PromptTemplate.from_template(
"""你是一个智能助手，需要按照以下步骤解决问题：
1. 思考：分析用户问题，判断是否需要调用工具
2. 行动：如果需要工具，选择对应的工具并输入参数
3. 观察：查看工具返回的结果
4. 重复以上步骤直到得到最终答案，再输出最终答案
可用工具：
{tools}
工具名称列表：{tool_names}
用户输入：{input}
{agent_scratchpad}"""
)
# 创建代理
agent = create_react_agent(llm, tools, prompt)3. 初始化AgentExecutor并运行
将代理和工具传入AgentExecutor，配置运行参数后就可以执行用户查询：
from langchain.agents import AgentExecutor
# 初始化AgentExecutor，设置最大迭代次数为5，返回中间步骤
agent_executor = AgentExecutor(
agent=agent,
tools=tools,
verbose=True, # 打印运行过程，方便调试
max_iterations=5, # 最多迭代5次，避免无限循环
return_intermediate_steps=True # 返回工具调用的中间步骤
)
# 运行用户查询
result = agent_executor.invoke({"input": "2024年世界杯的举办地是哪里，然后计算该地当前人口除以1000的结果"})
print("最终答案：", result["output"])
print("中间步骤：", result["intermediate_steps"])和旧版initialize_agent的对比
旧版initialize_agent的调用方式如下，对比可以看到AgentExecutor的拆分更清晰：
# 旧版initialize_agent调用方式（已禁用）
from langchain.agents import initialize_agent, AgentType
# agent = initialize_agent(
# tools,
# llm,
# agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
# verbose=True
# )
# agent.run("用户查询")| 对比项 | initialize_agent | AgentExecutor |
|---|---|---|
| 灵活性 | 低，内部逻辑封装无法修改 | 高，可自定义代理、提示模板、运行参数 |
| 可调试性 | 弱，难以查看中间运行步骤 | 强，支持返回中间步骤，verbose模式打印完整过程 |
| 迭代控制 | 内置固定逻辑，难以调整 | 可自定义最大迭代次数、停止条件 |
注意事项
- 工具的描述信息要准确清晰，代理会根据描述判断是否需要调用该工具，描述模糊会导致工具调用错误
- 如果代理出现无限循环调用工具的情况，可以适当调小max_iterations参数，或者优化提示模板的引导逻辑
- 生产环境中建议关闭verbose模式，避免打印过多调试信息影响性能
LangChainAgentExecutorinitialize_agent智能代理工具调用修改时间：2026-06-06 15:44:42