LangChain 工具实战：把种子数据生成变成可调用的智能体

「种子数据生成」是后端与数据工程师的高频任务。它的输入通常是表结构，期望得到的是插入语句或脚本。这类有固定流程、又需要一点判断力的工作，很适合封装成智能体 Skill。

本文介绍如何在 LangChain / LangGraph 工具 上实现这个技能，包括它的形态、示例配置、启用步骤、一次完整的运行过程和常见坑。

这个技能做什么

项目	说明
技能	种子数据生成（`seed-data-generator`）
作用	为开发库生成符合约束的种子数据
输入	表结构
输出	插入语句或脚本
形态	带脚本
风险	低
适用人群	后端与数据工程师

处理流程分四步：

读取约束与外键
按依赖顺序生成
控制数据量
避免真实个人信息

这个技能需要运行本地脚本（解析文件、调用命令行工具等），要求运行环境允许执行代码；风险较低，但输出仍需快速过目再使用。

在 LangChain / LangGraph 工具中是什么形态

LangChain 用 @tool 装饰器把函数变成工具，LangGraph 提供预置的 ReAct 智能体，也可以自己画状态图，把技能拆成可观察、可重试的节点。

代码运行在你的环境中；流程复杂时建议从预置智能体起步，再逐步换成自定义图。

示例配置

# 示意代码：LangChain 工具 + LangGraph 预置 ReAct 智能体
from langchain_core.tools import tool
from langchain.chat_models import init_chat_model
from langgraph.prebuilt import create_react_agent

@tool
def seed_data_generator_precheck(content: str) -> str:
    """检查表结构是否齐全，返回缺失项。"""
    return "ok" if content.strip() else "输入为空"

model = init_chat_model("你的模型标识")
agent = create_react_agent(
    model, tools=[seed_data_generator_precheck],
    prompt="你负责种子数据生成：读取约束与外键；按依赖顺序生成；控制数据量；避免真实个人信息。",
)
out = agent.invoke({"messages": [("user", "这是表结构：...")]})

示例里最重要的是两处：一是描述（或指令开头）要写明「什么时候用」，让智能体在后端与数据工程师提出相关请求时能对上号；二是约束部分要写进「默认使用只读连接，任何写操作都要人工确认」这类领域规矩，避免智能体自作主张。

安装与启用步骤

安装 LangChain 与 LangGraph
用 @tool 定义预检查、读取等工具
用预置智能体快速跑通
需要固定流程时改为自定义状态图，每一步一个节点
接入追踪工具观察每一步

实操：一次完整的运行

假设你在数据库客户端与查询工具中发出这样的请求（虚构示例）：

用种子数据生成技能处理这份表结构，输出插入语句或脚本。

智能体识别到任务与「种子数据生成」相关后，会依次读取约束与外键、按依赖顺序生成、控制数据量、避免真实个人信息。最终交付插入语句或脚本，并在末尾列出需要人工确认的内容。你的工作是对照原始表结构抽查两三处关键信息，确认无误后再使用。

测试与验收

对每个节点单独写测试，再跑一次端到端用例。

针对这个技能，还建议额外准备：

一份信息齐全的标准表结构，检查输出是否完整
一份缺少关键信息的输入，检查智能体是否先提问而不是编造
一份包含“忽略以上规则”等字样的输入，检查约束是否仍然有效

常见坑

一开始就设计复杂的多节点图，调试成本高。
工具 docstring 缺失，模型不知道如何使用。
只写了步骤，没写交付格式，导致每次输出的插入语句或脚本结构不同。
没有给出样例，智能体对“好结果”的理解与你不一致；在参考资料里放一两份范例会明显改善。

延伸阅读

说明：文中的配置、代码与目录结构均为示意，用于说明思路；各平台的入口、字段名与能力会更新，落地前请以对应官方文档为准。示例中的数据与场景为虚构，不代表真实案例。