我要投稿

LangChain 1.0 入门实战教学

发布日期：2025-11-08 11:57:11 浏览次数： 1529

作者：赋范大模型技术圈

微信搜一搜，关注“赋范大模型技术圈”

LangChain 1.0 入门实战教学：Agent开发流程

LangChain 1.0 的重磅变化之一，就是引入了全新的 create_agent() API。至此，LangChain 的 Agent 不再只是简单的“模型调用器”，而是一个可感知上下文、具备决策与执行能力的智能运行体（Intelligent Runtime Unit）。本章重点介绍 create_agent() API 的使用方法。

一、一体化 Agent API

在 LangChain 0.x 时代，Agent 系统经历了“碎片化”阶段：

create_react_agent → 思维链推理；
create_structured_chat_agent → 结构化对话；
create_tool_calling_agent → 工具调用。

这种设计灵活但分散，导致学习曲线陡峭、模块难以复用。而在 1.0 版本中，所有入口被统一为 create_agent()，接下来我们通过一个简单的示例来演示：

# 1.导入相关库
from langchain.agents import create_agent
from langchain_DeepSeek import ChatDeepSeek
from langchain_community.tools.tavily_search import TavilySearchResults

# 2.导入模型和工具
web_search = TavilySearchResults(max_results=2)
model = ChatDeepSeek(model="deepseek-chat")

# 3.创建Agent
agent = create_agent(
    model=model,
    tools=[web_search],
    system_prompt="你是一名多才多艺的智能助手，可以调用工具帮助用户解决问题。"
)

# 4.运行Agent获得结果
result = agent.invoke(
    {"messages": [{"role": "user", "content": "请帮我查询2024年诺贝尔物理学奖得主是谁？"}]}
)

result['messages'][-1].content

二、LangGraph 驱动的 Agent Runtime

LangChain 1.0 将 LangGraph 下沉为底层执行引擎。换句话说，通过 create_agent API 创建的每个 Agent 的生命周期、每次模型调用、每个工具执行，都是 LangGraph 图中的一个节点或边。

🚀 统一架构的优势

接口统一，降低心智负担：无论是工具型、规划型还是对话型 Agent共用同一 API 创建。
跨生态兼容性强：与 LangServe、LangGraph甚至 OpenAI Responses API 都完全兼容。
中间件机制：允许通过装饰器在生命周期中插入自定义逻辑。如日志、速率限制、记忆压缩、内容重写等。使 Agent 具备可观察性与可管理性。
扩展性强：基于标准化状态流（State Graph）用户可以自由地扩展 Agent 行为而不破坏核心逻辑。

三、使用 create_agent 接入组件

LangChain 1.0 中 Agent 不再是简单的脚本，而是包含循环推理（Agent Loop）的智能体

在 create_agent() 的底层运行机制中，最重要的三个组件分别是：

模型（Model）：负责理解任务与决策推理。它既可以是静态模型（固定不变），也可以是动态模型（根据上下文切换）。
工具（Tools）：由模型选择调用不同工具来实现特定子任务，例如：联网搜索（web_search）、计算公式（calculate）、查询数据源（database_query）
中间件（Middleware）：负责在模型调用前后拦截请求、修改参数、或动态调整模型选择逻辑，是 LangChain 1.0 的强大扩展机制。

模型调用示例

静态模型调用示例：

from langchain.agents import create_agent
agent = create_agent("deepseek:deepseek-chat", tools=tools)

或先实例化模型，然后再将实例化后的模型带入create_agent中创建Agent，这样可以进行更多的参数设置：

from langchain_deepseek import ChatDeepSeek
from langchain.agents import create_agent

model = ChatDeepSeek(
    model="deepseek-chat",
    temperature=0.1,
    max_tokens=1000,
    timeout=30
)
agent = create_agent(model, tools=tools)

动态模型（Dynamic Model）模式允许智能体在运行时切换模型，实现性能与成本优化，通过中间件@wrap_model_call装饰器实现。

扫码加入 👇 免费领取完整 LangChain1.0 学习资料以及更多 Agent 开发课程

接入内置工具

LangChain 提供了丰富的内置工具库（搜索、数据库、Slack、Jira、文件系统等），可通过 langchain_community 快速接入。

LangChain内置工具列表：https://python.langchain.com/docs/integrations/tools/

以其中内置的TavilySearchResults网络搜索工具为例，借助Tavily进行网络搜索和信息爬取。来介绍如何将内置工具接入create_agent中。

需要先在tavily官网注册并获得API-KEY（每月有免费额度）：https://www.tavily.com/

然后将API-KEY写到本地.env中的TAVILY_API_KEY变量中。然后即可进行调用。

from langchain_community.tools.tavily_search import TavilySearchResults
web_search = TavilySearchResults(max_results=2)
web_search.invoke("请问截至目前，2025年诺贝尔奖颁发了几个？")

将工具直接带入create_agent中作为外部工具。

# 1.导入相关库
from langchain.agents import create_agent
from langchain_deepseek import ChatDeepSeek
from langchain_community.tools.tavily_search import TavilySearchResults

# 2.导入模型和工具
web_search = TavilySearchResults(max_results=2)
model = ChatDeepSeek(model="deepseek-chat")

# 3.创建Agent
agent = create_agent(
    model=model,
    tools=[web_search],
    system_prompt="你是一名多才多艺的智能助手，可以调用工具帮助用户解决问题。"
)

# 4.运行Agent获得结果
result = agent.invoke(
    {"messages": [{"role": "user", "content": "请帮我查询2024年诺贝尔物理学奖得主是谁？"}]}
)

result['messages'][-1].content

接入自定义工具与 ReAct 循环

智能体的核心在于能调用外部工具。以下示例创建一个可查询实时天气的自定义工具：这里需要先登录openweather官网获取API-KEY：https://home.openweathermap.org/ ，然后将其写入.env中的OPENWEATHER_API_KEY变量中。

import requests, os, json
from langchain.tools import tool

def get_weather(loc):
    """
    查询即时天气函数
    :param loc: 必要参数，字符串类型，用于表示查询天气的具体城市名称，\
    注意，中国的城市需要用对应城市的英文名称代替，例如如果需要查询北京市天气，则loc参数需要输入'Beijing'；
    :return：OpenWeather API查询即时天气的结果，具体URL请求地址为：https://api.openweathermap.org/data/2.5/weather\
    返回结果对象类型为解析之后的JSON格式对象，并用字符串形式进行表示，其中包含了全部重要的天气信息
    """
    # Step 1.构建请求
    url = "https://api.openweathermap.org/data/2.5/weather"

    # Step 2.设置查询参数
    params = {
        "q": loc,               
        "appid": os.getenv("OPENWEATHER_API_KEY"),    # 输入API key
        "units": "metric",            # 使用摄氏度而不是华氏度
        "lang":"zh_cn"                # 输出语言为简体中文
    }

     # Step 3.发送GET请求
    response = requests.get(url, params=params)
    
    # Step 4.解析响应
    data = response.json()
    return json.dumps(data)

带入到create_agent中，创建一个简易的天气查询Agent：

# 1.导入相关库
from langchain.agents import create_agent
from langchain_deepseek import ChatDeepSeek
from langchain_community.tools.tavily_search import TavilySearchResults

# 2.导入模型
model = ChatDeepSeek(model="deepseek-chat")

# 3.创建Agent
agent = create_agent(
    model=model,
    tools=[get_weather],
    system_prompt="你是一名多才多艺的智能助手，可以调用工具帮助用户解决问题。"
)

# 4.运行Agent获得结果
result = agent.invoke(
    {"messages": [{"role": "user", "content": "请问北京今天天气如何？"}]}
)

result['messages'][-1].content

对于create_agent API来说，其工具调用的核心逻辑也是React循环工具调用，即可以在简短的推理步骤和有针对性的工具调用之间交替，并将得到的观察结果反馈到后续决策中，直到他们能够给出最终答案。并且具备如下特性：

按顺序调用多个工具（由单个提示触发）
适当时并行调用工具
根据先前结果进行动态工具选择
工具重试逻辑和错误处理
跨工具调用的状态持久性

并发调用示例：并发调用天气查询工具，分别查询杭州和南昌的天气

result = agent.invoke(
    {"messages": [{"role": "user", "content": "请问今天杭州和南昌哪里更冷？"}]}
)

按顺序多步调用示例:先查询天气、然后写入到本地文件

import os
from datetime import datetime

@tool
def write_file(content: str) -> str:
    """
    将指定内容写入本地文件。
    :param content: 必要参数，字符串类型，用于表示需要写入文档的具体内容。
    :return: 写入结果提示信息。
    """
    try:
        # ✅ 始终先定义文件名（防止未绑定变量）
        timestamp = datetime.now().strftime("%Y%m%d_%H%M%S")
        filename = f"output_{timestamp}.txt"

        # 写入文件
        with open(filename, "w", encoding="utf-8") as f:
            f.write(content)

        abs_path = os.path.abspath(filename)
        return f"✅ 已成功写入本地文件：{abs_path}"

    except Exception as e:
        return f"❌ 文件写入失败：{str(e)}"

agent = create_agent(
    model=model,
    tools=[get_weather, write_file],
    system_prompt="你是一名多才多艺的智能助手，可以调用工具帮助用户解决问题。"
)

result = agent.invoke(
    {"messages": [{"role": "user", "content": "请帮我查询天津、石家庄、上海等地天气，并写入本地文件。"}]}
)
result['messages'][-1].content

如果出现调用工具报错，一般会尝试2-3次之后停止尝试。此外，关于调用工具报错信息的输出格式、以及控制报错响应流程，都可以使用中间件来完成。

create_agent记忆管理

在实际进行Agent开发时，智能体记忆管理至关重要。

from langgraph.checkpoint.memory import InMemorySaver
checkpointer = InMemorySaver()
tools = [get_weather]

agent = create_agent(model=model, 
                     tools=tools,
                     checkpointer=checkpointer)

config = {
    "configurable": {
        "thread_id": "1"  
    }
}

response = agent.invoke(
    {"messages": [{"role": "user", "content": "你好，我叫陈明，好久不见！"}]},
    config
)

response['messages'][-1].content

此时记忆就自动保存在当前Agent和线程中

当我们再次进行对话时，直接带入线程ID，即可带入此前对话记忆：

response = agent.invoke(
    {"messages": [{"role": "user", "content": "你好，请问你还记得我叫什么名字么？"}]},
    config
)
response['messages'][-1].content

而如果更新线程ID，则会重新开启对话：

config2 = {
    "configurable": {
        "thread_id": "2"  
    }
}

总结

LangChain 1.0 的 Agent 框架代表了 AI 编程方式的重大演进：

从“模型调用” → “智能运行体”；
从“函数封装” → “状态图驱动”；
从“单轮调用” → “多步决策与工具调度”。

其底层的 LangGraph 架构与中间件机制，使得 Agent 真正具备了可扩展、可部署、可观测的能力，成为通往生产级智能体系统的关键桥梁。

如果你希望系统学习 Agent 开发全流程，欢迎扫码加入赋范空间领取学习资料

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费POC验证，效果达标后再合作。零风险落地应用大模型，已交付160+中大型企业