1.认识LangChain

LangChain是智能体开发平台，包含一套各种帮助开发、测试、评估智能体的框架。核心包括：

• LangChain：用于快速构建智能体，可兼容任何模型提供商。

• LangGraph：从底层一步步控制智能体的构建，包括记忆（Memory）、人机协同（HITL）等

• Deep Agents：用于构建复杂的、处理多步骤的任务的智能体
• LangSmith：用于测试、观察、评估、部署智能体

2.什么是Agent

在人工智能领域，Agent（通常翻译为智能体或代理）是指一种能够感知环境、进行推理、自主决策并采取行动以实现特定目标的智能系统。如果说大模型（LLM）是“大脑”，那么 Agent 就是“拥有手脚和思维逻辑的独立个体”。它不再只是被动地回答问题，而是能主动拆解任务并调用各种工具来完成工作。

特性	传统聊天机器人/LLM	AI Agent
交互模式	被动响应，问一句答一句	主动规划，以目标为导向
执行力	停留在文本生成层面	能操作软件、发送邮件、分析数据
自主性	需要人类给出详细步骤	只需给定最终目标，自主寻找路径

总结如下：

• LLM = 聪明的大脑

• Agent = 聪明的大脑 + 手脚

当然，Agent的模式也是在不断演进的：

• 阶段一：ReAct + Tool Calling

• 阶段二：Reflection + Long Memory

• 阶段三：Multi Agent System，MAS

快速入门

导入对应的依赖，直接通过pycharm进行安装即可

import os
from dotenv import load_dotenv
from langchain.agents import create_agent
from langchain_openai import ChatOpenAI

from langchain.tools import tool

from langchain_core.prompts import PromptTemplate  # 这个也换了！

Langchain提供了create_agent方法用来快速创建Agent，我们只需要提供好Agent所需的模型（Models）、工具（Tools）即可。

定义工具

# 用 @tool 装饰器快速定义工具，Agent 会自动识别使用
@tool
def calculator(expression: str) -> str:
    """
    计算器工具，用于计算数学表达式
    :param expression: 数学表达式字符串，例如 "2+3*5"
    :return: 计算结果
    """
    try:
        # 安全计算简单数学公式
        result = eval(expression, {"__builtins__": None}, {})
        return f"计算结果：{result}"
    except Exception as e:
        return f"计算失败：{str(e)}"


# 把工具打包成列表
tools = [calculator]

创建大模型

llm = ChatOpenAI(
    model="qwen-plus",  # 可替换为国产模型：deepseek-chat/qwen-turbo 等
    api_key=os.getenv("OPENAI_API_KEY"),
    base_url=os.getenv("OPENAI_BASE_URL", "https://dashscope.aliyuncs.com/compatible-mode/v1"),  # 国内模型需改此地址
    temperature=0  # 0 让回答更稳定、更适合做工具调用
)

创建agent并调用

# 创建 ReAct Agent
agent = create_agent(llm, tools)

# Agent 执行器（负责运行 Agent、管理工具调用、处理循环）
# agent_executor = AgentExecutor(
#     agent=agent,
#     tools=tools,
#     verbose=True,  # 打印思考过程（非常重要！能看到 Agent 怎么思考）
#     handle_parsing_errors=True  # 自动处理解析错误
# )

# ---------------------- 4. 测试你的 Agent ----------------------
if __name__ == "__main__":
    # 测试问题：需要计算的问题，Agent 会自动调用计算器
    question = "3的5次方加上100等于多少？"

    # 运行 Agent
    response = agent.invoke({
        "messages": [
            {"role": "user", "content": question}
        ]
    })

    # 输出最终答案
    print("\n===== Agent 最终回答 =====")
    print(response["messages"])

Agent的工作流程

传统的LLM应用都是一问一答的形式，模型只能根据自己的训练数据来回答，流程非常简单：

而智能体则可以调用工具与外界交互，获取实时信息，工作流程则要复杂很多，是这样的：

• 用户提问（Input）：杭州今天天气如何？
• 模型分析（Reasoning）：用户询问杭州天气，我不知道，需要调用查询天气的工具get_weather
• 调用工具（Action）：调用工具，get_weather，传入城市"杭州"
• 分析结果（Observation）：工具返回结果，模型分析结果，判断是否足以回答用户问题
• 是：整理生成响应结果
• 否：重复前面步骤
• 生成结果（Output）：根据工具的结果生成响应给用户

工具

在大模型提供的API接口中，有一个tools参数，描述了工具的详细信息，LangChain会帮助我们把tool的信息封装为此tool参数，与message一起发送给大模型，大模型就了解tool的详细信息，根据用户需求判断是否需要调用tool，需要调用哪个tool。

模型不能直接调用tool，只能返回字符串。但是它可以把要调用的tool信息、参数信息都以Json格式返回，LangChain就会帮我们解析响应结果中的Function信息，也就是tool信息，就知道了要调用哪个函数，以及参数是什么了。LangChain就会执行该函数，再把得到的结果再次发送给大模型。

Agent中最重要的两个部分，就是：

• Model：负责推理分析、思考，相当于Agent的大脑

• Tools：负责执行任务，相当于Agent与外界交互的手脚

模型

完整叫法是大语言模型（LLM）。它能够理解人类语言，使用人类语言生成内容、翻译、提取摘要、回答问题等。不仅如此，现在大多数的模型还有一些特别能力：

•  Tool calling - 调用外部工具（例如查询数据库或调用 API），并在其回复中使用这些工具返回的结果。

•  Structured output - 将模型的响应结果约束为遵循已定义的格式，例如：json

•  Multimodality - 可以处理和返回文本以外的数据，如图像、音频和视频。

•  Reasoning - 模型可以执行多步推理来得出结论。

使用Model类初始化模型

llm = ChatOpenAI(
    model="qwen-plus",  # 可替换为国产模型：deepseek-chat/qwen-turbo 等
    api_key=os.getenv("OPENAI_API_KEY"),
    base_url=os.getenv("OPENAI_BASE_URL", "https://dashscope.aliyuncs.com/compatible-mode/v1"),  # 国内模型需改此地址
    temperature=0  # 0 让回答更稳定、更适合做工具调用
)

消息

在调用模型时，发送给LLM的消息、LLM返回的消息都包含以下几部分内容：

• role：消息所属角色，可以是system、user、assistant

• content：消息的内容

• metadata（可选）：消息的元数据，例如：消息的ID、消耗的token等

消息类型

在LangChain中，我们并不需要自己创建BaseMessage对象，LangChain已经把常见消息根据角色（Role）创建了对应的BaseMessage的子类：

• SystemMessage：role是system，代表系统消息，用于设定模型角色和交互背景

• HumanMessage：role是user，代表用户输入的消息

• AIMessage：role是assistant，代表LLM生成的响应，包含：文本、工具调用、元数据

• ToolMessage：role是tool，代表工具调用时产生的结果

采用对象封装的方式来传递消息，框架自动解析是用户消息还是其他

from langchain.messages import HumanMessage, AIMessage
from langchain.agents import create_agent

# 创建Agent
agent = create_agent(model="deepseek-chat")

# 调用Agent，发送消息
response = agent.invoke({
    "messages": [
        HumanMessage(content="你好，我是虎哥"),
        AIMessage(content="你好，虎哥，很高兴认识你。"),
        HumanMessage(content="我的名字是什么？")
    ]
})

print(response)