用Python和LangChain搭建Excel处理Agent：从环境配置到完整代码

2026-10-21 12:52 0 阅读

为什么用Python做Agent

普通Python脚本是按固定步骤执行，一步出错就中断。Agent的不同在于能自主拆解任务、动态调整步骤。比如处理Excel时，它自己决定先读取文件、再分析数据、最后生成报表，遇到异常还能反馈问题。

这种"模型决策、代码执行"的架构，让开发者用少量代码就能做出能对话的助手。本文用LangChain+OpenAI API实现，新手友好，无需本地显卡。

环境准备

需要Python 3.10+，推荐3.11。创建虚拟环境避免依赖冲突：

python -m venv agent-env
# Windows
agent-env\Scripts\activate
# Mac/Linux
source agent-env/bin/activate

安装核心包：

pip install langchain langchain-openai chromadb python-dotenv pandas openpyxl matplotlib

在项目根目录创建.env文件，写入OpenAI API Key：

OPENAI_API_KEY=sk-你的密钥

工具模块：让Agent能操作Excel

Agent本身不会直接读文件，需要我们把Python函数包装成"工具"。以下是四个核心工具，分别负责读取、分析、可视化、保存。

from langchain.tools import tool
import pandas as pd
import matplotlib.pyplot as plt
import os

@tool
def read_excel(file_path: str) -> str:
    """读取Excel文件，返回基本信息"""
    if not os.path.exists(file_path):
        return f"文件不存在：{file_path}"
    df = pd.read_excel(file_path)
    return f"读取成功：{len(df)}行，{len(df.columns)}列，字段：{list(df.columns)}"

@tool
def analyze_excel_data(file_path: str) -> str:
    """分析数值型字段的统计信息"""
    df = pd.read_excel(file_path)
    numeric_cols = df.select_dtypes(include=['int64', 'float64']).columns
    if len(numeric_cols) == 0:
        return "无数值型字段"
    result = []
    for col in numeric_cols:
        result.append(f"{col}：均值{df[col].mean():.2f}，中位数{df[col].median():.2f}")
    return "\n".join(result)

@tool
def generate_excel_report(file_path: str, save_path: str = "./report.png") -> str:
    """生成柱状图报表"""
    df = pd.read_excel(file_path)
    numeric_cols = df.select_dtypes(include=['int64', 'float64']).columns
    if len(numeric_cols) == 0:
        return "无法生成报表"
    plt.rcParams['font.sans-serif'] = ['SimHei']
    plt.figure(figsize=(10, 6))
    plt.bar(df.index, df[numeric_cols[0]])
    plt.title(f"{numeric_cols[0]}分布")
    plt.savefig(save_path, dpi=300, bbox_inches='tight')
    plt.close()
    return f"报表已保存：{save_path}"

@tool
def save_analysis_result(content: str, save_path: str = "./result.txt") -> str:
    """保存分析结果到文本文件"""
    with open(save_path, 'w', encoding='utf-8') as f:
        f.write(content)
    return f"结果已保存：{save_path}"

excel_tools = [read_excel, analyze_excel_data, generate_excel_report, save_analysis_result]

注意@tool装饰器，它让LangChain识别这些函数为Agent可调用的工具。每个工具要有清晰的docstring，Agent靠这个理解工具用途。

Agent核心：调度中心

工具准备好后，需要创建Agent来协调它们。这里用OpenAI的函数调用能力，让模型自己决定何时调用哪个工具。

from langchain.agents import AgentExecutor, create_openai_tools_agent
from langchain_openai import ChatOpenAI
from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain.memory import VectorStoreRetrieverMemory
from langchain_community.vectorstores import Chroma
from langchain_openai import OpenAIEmbeddings
from dotenv import load_dotenv
import os

load_dotenv()

# 初始化模型
llm = ChatOpenAI(
    model="gpt-3.5-turbo",
    temperature=0.4,
    api_key=os.getenv("OPENAI_API_KEY")
)

# 记忆模块：用Chroma存储对话历史
embeddings = OpenAIEmbeddings()
vector_store = Chroma(
    embedding_function=embeddings,
    persist_directory="./memory",
    collection_name="excel_agent"
)
retriever = vector_store.as_retriever(search_kwargs={"k": 2})
memory = VectorStoreRetrieverMemory(
    retriever=retriever,
    memory_key="chat_history"
)

# 提示词模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是Excel处理助手，用提供的工具完成用户任务。步骤：1检查参数 2调用工具 3确认结果 4反馈用户"),
    MessagesPlaceholder(variable_name="chat_history"),
    ("user", "{input}"),
    MessagesPlaceholder(variable_name="agent_scratchpad")
])

# 创建Agent
agent = create_openai_tools_agent(llm=llm, tools=excel_tools, prompt=prompt)
agent_executor = AgentExecutor(
    agent=agent,
    tools=excel_tools,
    memory=memory,
    verbose=True  # 打印执行过程，方便调试
)

def run_agent(user_input: str):
    result = agent_executor.invoke({"input": user_input})
    return result["output"]

verbose=True很重要，新手能看到Agent每一步在想什么、调用了什么工具。

运行入口

最简单的交互循环：

from agent_core import run_agent

if __name__ == "__main__":
    print("Excel处理Agent已启动，输入'退出'结束")
    while True:
        user_input = input("\n你：")
        if user_input == "退出":
            break
        output = run_agent(user_input)
        print(f"Agent：{output}")