LangChain + Ollama + Spring AI：打造能自动决策的智能 Agent
AI 的出现极大的提升了生产力，对我们程序员来说，积极的拥抱新技术是非常有必要的。今天我们基于 LangChain 框架，创建一个我们自己的 Agent, 并集成我们自己的 MCP 工具。
体验一把 LangChain。
我的系统是 Windows。 在开始之前，我们需要:
-
• 使用
Ollama运行deepseek-r1:7b -
• 使用
Node.js开发的MCP Weather Service工具 -
• 使用
Flask提供 Web API 服务
整体的调用如下：
最终实现的效果如下：
我们这里有两个场景：
-
• 用户询问天气，调用
Weather-MCP -
• 用户输入其他问题，调用
Chat Tool与大模型对话
让我们带着疑问去了解
项目是如何实现智能路由的？从复杂的
LangChain Agent到简单的SimpleAgent的演进过程？
智能路由演进历程
项目架构演变
本项目经历了从复杂到简单的重要演进过程：
初始方案：传统 LangChain Agent
-
• 使用
ZERO_SHOT_REACT_DESCRIPTION类型的 Agent -
• 依赖
LLM自动解析ReAct格式 -
• 遇到了
LLM格式不一致、无限循环等问题
最终方案：SimpleAgent
-
• 基于关键词匹配的智能路由
-
• 避免复杂的
ReAct格式解析 -
• 更加稳定和可预测
1. 用户请求
用户通过 /api/query 接口发送问题，例如："深圳的天气怎么样？"
2. Flask 接收请求
app.py 中的 Flask 路由接收到请求后，将用户的 query 传递给 SimpleAgent：
# app.py
@app.route('/api/query', methods=['POST'])
def query_agent():
data = request.get_json()
query = data.get('query', '')
result = agent.query(query)
return jsonify(result)3. SimpleAgent 智能路由
在 agent.py 中实现了 SimpleAgent 类：
class SimpleAgent:
def__init__(self):
self.weather_tool = WeatherTool()
self.chat_tool = ChatTool()
# 天气相关关键词
self.weather_keywords = ["天气", "气温", "温度", "下雨", "晴天", "阴天", "刮风",
"weather", "temperature", "rain", "sunny", "cloudy", "wind"]
def_is_weather_query(self, query: str) -> bool:
"""判断是否为天气查询"""
query_lower = query.lower()
returnany(keyword in query_lower for keyword inself.weather_keywords)
defquery(self, user_input: str) -> dict:
"""处理用户查询"""
ifself._is_weather_query(user_input):
result = self.weather_tool.run(user_input)
return {
"success": True,
"result": result,
"intermediate_steps": [("weather", "Weather data retrieved successfully")],
"query": user_input
}
else:
result = self.chat_tool.run(user_input)
return {
"success": True,
"result": result,
"intermediate_steps": [],
"query": user_input
}4. 为什么选择 SimpleAgent？
遇到的问题：
-
1. LLM 格式不一致：
deepseek-r1-7b经常不能完美遵循ReAct格式 -
2. 无限循环：
LLM有时会持续调用工具而不给出最终答案 -
3. 解析错误：
Action Input格式错误（如 "city: Beijing" 而不是 "Beijing"） -
4. 序列化问题：复杂的
Action对象无法JSON序列化
SimpleAgent 的优势：
-
• 可靠性：避免复杂的
ReAct格式解析问题 -
• 性能：直接关键词匹配比
LLM路由更快 -
• 可维护性：更容易调试和扩展
-
• 可预测性：不同查询类型的行为一致
5. 工具实现详解
5.1 Weather Tool 实现
tools/weather_tool.py 中的天气工具：
class WeatherTool:
def__init__(self):
self.mcp_url = "http://localhost:8081/weather"
defrun(self, city: str) -> str:
"""查询天气信息"""
# 清理参数格式
if":"in city:
city = city.split(":")[-1].strip()
try:
response = requests.get(f"{self.mcp_url}?city={city}", timeout=10)
if response.status_code == 200:
data = response.json()
# 直接处理 JSON 数据，格式化为自然语言
weather_info = data.get('weather', {})
returnf"{city} current weather: {weather_info.get('description', 'unknown')}, temperature {weather_info.get('temperature', 'N/A')}°C"
else:
returnf"Unable to get weather information for {city}"
except Exception as e:
return f"Weather service error: {str(e)}"5.2 Chat Tool 实现
tools/chat_tool.py 中的聊天工具：
class ChatTool:
def__init__(self):
self.llm = Ollama(
base_url="http://localhost:11434",
model="deepseek-r1:7b"
)
defrun(self, query: str) -> str:
"""处理一般对话"""
try:
response = self.llm.invoke(query)
# 清理 标签
cleaned_response = re.sub(r'.*? ', '', response, flags=re.DOTALL)
return cleaned_response.strip()
except Exception as e:
return f"Chat service error: {str(e)}" 6. 学习收获
通过这个项目，我们学到了：
-
1. 简单往往更好：复杂的 ReAct Agent 在实际应用中可能不如简单的关键词匹配稳定
-
2. 错误处理很重要：需要处理各种边界情况和异常
-
3. 工具设计原则：每个工具应该职责单一，易于测试
-
4. 渐进式开发：从复杂方案开始，逐步简化到可用方案
7. 技术栈总结
项目核心用到的技术：
-
• Flask ——
Web API框架 -
• LangChain ——
Agent框架和工具封装 -
• Ollama —— 本地
LLM服务 -
• MCP Protocol —— 模型上下文协议
-
• JavaScript —— 前端交互
核心 LangChain 模块：
-
•
langchain.tools—— 工具（Tool）封装 -
•
langchain_community.llms——LLM（如Ollama）集成
这些模块共同实现了"用户输入 → 智能路由 → 工具调用 → 结果返回"的全流程。
项目地址：https://github.com/LouisYi-n/mcp-demo/tree/main/langchain/zdlang-agent
如何系统的去学习大模型LLM ？
大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。
事实上，抢你饭碗的不是AI，而是会利用AI的人。
继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？
与其焦虑……
不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！
但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。
基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！
在这个版本当中：
第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言
您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 有需要的小伙伴，可以 扫描下方二维码领取↓↓↓
一、LLM大模型经典书籍
AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。
二、640套LLM大模型报告合集
这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
三、LLM大模型系列视频教程
四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）
五、AI产品经理大模型教程
LLM大模型学习路线 ↓
阶段1：AI大模型时代的基础理解
-
目标：了解AI大模型的基本概念、发展历程和核心原理。
-
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例
阶段2：AI大模型API应用开发工程
-
目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
-
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望
阶段3：AI大模型应用架构实践
-
目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
-
内容：
- L3.1 Agent模型框架
- L3.2 MetaGPT
- L3.3 ChatGLM
- L3.4 LLAMA
- L3.5 其他大模型介绍
阶段4：AI大模型私有化部署
-
目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
-
内容：
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 有需要的小伙伴，可以 扫描下方二维码领取↓↓↓