【Agent.08】LangChain的第一个Demo：从零开始构建Agent

慕雪的小助手正在绞尽脑汁···

慕雪小助手的总结

DeepSeek & LongCat

欢迎阅读慕雪撰写的AI Agent专栏，本专栏目录如下

1. 【MCP】详细了解MCP协议：和function call的区别何在？如何使用MCP？
2. 【AI】AI对26届及今后计算机校招的影响
3. 【Agent.01】AI Agent智能体开发专题引言
4. 【Agent.02】市面上常见的大模型有哪些？
5. 【Agent.03】带你学会写一个基础的Prompt
6. 【Agent.04】AI时代的hello world：调用OpenAI接口，与大模型交互
7. 【Agent.05】OpenAI接口Function Calling工具调用详解
8. 【Agent.06】使用openai sdk实现多轮对话
9. 【Agent.07】什么是Agent？从Chat到ReAct的AI进化之路
10. 【Agent.08】LangChain的第一个Demo：从零开始构建Agent

本专栏的所有代码都可以在https://gitee.com/musnows/agent-blog找到。

在上一篇文章中，我们了解了Agent的概念和ReAct工作原理。现在，让我们正式开始学习如何使用Agent框架来构建自己的AI Agent。本文将以业界最流行的LangChain框架为例，带大家编写第一个Agent程序。

1. 什么是LangChain？

1.1. LangChain简介

• 官方文档：https://docs.langchain.com/oss/python/langchain/quickstart
• 开源仓库：https://github.com/langchain-ai

LangChain是一个专门用于构建AI应用的框架，特别是Agent应用。它就像是AI应用开发的"瑞士军刀"，提供了构建Agent所需的各种工具和组件。

Agent SDK和基础的OpenAI接口调用的区别，在本专栏前几篇文章中已经阐述过了，这里不再赘述。AI Agent编程中，如果没有特殊需要，都推荐使用LangChain来编写，方便后续维护和拓展能力。

1.2. 为什么选择LangChain？

在众多Agent框架中，我们选择LangChain作为入门框架，主要有以下几个原因：

1. 生态成熟：LangChain是目前最流行的Agent框架，文档完善，社区活跃
2. 上手简单：相比其他框架，LangChain的学习曲线相对平缓
3. 功能丰富：提供了从基础的LLM调用到复杂的Agent编排的完整工具链
4. 兼容性好：支持多种大模型提供商，包括OpenAI、Anthropic、Goggle等

1.3. LangChain的核心组件

在开始写代码之前，让我们先了解一下LangChain的分层。

LangChain 分为三层，从下往上依次增强功能：

• 第一层：模型层。统一接口连接不同的 LLM。无论用 OpenAI、Claude 还是其他模型，调用方式都一样。
• 第二层：工具和代理。给模型添加工具能力。模型可以选择调用不同的工具去完成任务（比如搜索、数据库查询等）。
• 第三层：工作流编排。在LangChain的基础上，可用 LangGraph 把多个步骤连接成一个完整流程，串联整个工作流。比如先分类用户问题，再去搜索，最后生成回答。

这三层设计的好处是：你可以从简单场景开始，随着需求变复杂再往上加功能。直到达到预订目标。

2. 环境准备

2.1. 安装LangChain SDK

首先，我们需要安装LangChain。在开始之前，请确保你已经安装了Python 3.10+版本。

pip install langchain langchain-openai python-dotenv

这里我们安装了几个关键包：

• langchain：LangChain的核心框架
• langchain-openai：OpenAI模型的支持包（不安装的话没办法使用OpenAI API）
• python-dotenv：环境变量管理工具（加载.env文件）

如果你使用了uv，可以直接在本专栏Agent仓库下使用uv run运行示例代码，无需关注第三方包安装。

2.2. 配置环境变量

为了安全地管理API密钥，我们使用.env文件来存储敏感信息。在项目根目录创建.env文件：

# OpenAI API配置
OPENAI_API_KEY=你的_api_key
OPENAI_BASE_URL=https://api.siliconflow.cn/v1
OPENAI_MODEL=Qwen/Qwen2.5-7B-Instruct

慕雪小贴士：如果你是在自己的仓库里面使用.env，这个.env文件一定要记得添加到.gitignore中，避免把API密钥上传到代码仓库！

3. 第一个LangChain Agent

让我们来写一个简单的天气查询Agent。这个Agent能够回答用户关于天气的问题，虽然它只是返回一个模拟的结果。

3.1. 完整代码

from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
import os
from dotenv import load_dotenv

# 加载环境变量
load_dotenv(override=True)

def get_weather(city: str) -> str:
    """获取指定城市的天气信息

    Args:
        city: 城市名称

    Returns:
        天气信息字符串
    """
    return f"{city}的天气总是晴朗的！今天的温度是25°C，非常适合出门。"

# 配置模型：设置 base URL 和 API key
model = init_chat_model(
    model=os.getenv("OPENAI_MODEL"), # 从环境变量获取模型
    model_provider="openai",  # 必须设置成openai才能正常识别格式
    api_key=os.getenv("OPENAI_API_KEY"),  # 从环境变量获取 API Key
    base_url=os.getenv("OPENAI_BASE_URL")  # 从环境变量获取 Base URL
)

# 创建Agent
agent = create_agent(
    model=model,  # 传入配置好的模型实例
    tools=[get_weather],  # 传入工具列表
    system_prompt="你是一个有帮助的助手，可以回答天气相关的问题。",
)

# 运行Agent
ret = agent.invoke(
    {"messages": [{"role": "user", "content": "北京的天气怎么样？"}]}
)

# 打印回答
print(ret.get('messages', [])[-1].content)

3.2. 代码解析

让我们一步步来解析这段代码：

第一步：导入依赖

from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
import os
from dotenv import load_dotenv

这里我们导入了LangChain的核心组件：

• create_agent：用于创建Agent的函数
• init_chat_model：用于初始化聊天模型
• os：用于读取环境变量
• load_dotenv：用于加载.env文件

第二步：配置模型

model = init_chat_model(
    model=os.getenv("OPENAI_MODEL"),
    model_provider="openai",
    api_key=os.getenv("OPENAI_API_KEY"),
    base_url=os.getenv("OPENAI_BASE_URL")
)

这里我们使用了init_chat_model来创建一个聊天模型实例。虽然我们使用的是通义千问模型，但设置model_provider="openai"是因为LangChain的OpenAI接口最通用，兼容所有OpenAI格式的API。

第三步：定义工具函数

def get_weather(city: str) -> str:
    """获取指定城市的天气信息

    Args:
        city: 城市名称

    Returns:
        天气信息字符串
    """
    return f"{city}的天气总是晴朗的！今天的温度是25°C，非常适合出门。"

这是一个简单的工具函数，LangChain会自动识别函数的文档字符串和参数类型，并将其转换为可调用的工具。这里的返回值和之前Function Calling章节一样，都是写死的一个假的返回值。

注意：函数的文档字符串（就是"""包裹的函数注释，python中称作docstring）非常重要！LangChain会使用它作为Agent Function Calling的Desc工具描述，LLM会根据它来理解工具的功能和使用方法。

第四步：创建Agent

agent = create_agent(
    model=model,
    tools=[get_weather],
    system_prompt="你是一个有帮助的助手，可以回答天气相关的问题。",
)

这是最关键的一步，我们将模型、工具和系统提示组合在一起，创建了一个完整的Agent。

第五步：运行Agent

ret = agent.invoke(
    {"messages": [{"role": "user", "content": "北京的天气怎么样？"}]}
)

print(ret.get('messages', [])[-1].content)

我们使用invoke方法来运行Agent，传入用户的问题，然后从返回结果中提取AI的回答。

3.3. 运行结果

运行这个程序，你会看到类似这样的输出：

北京的天气总是晴朗的！今天的温度是25°C，非常适合出门。

可以看到，Agent成功地识别了用户的天气查询需求，自动调用了我们的get_weather工具，并给出了一个友好的回答。

4. LangChain的返回值结构

如下是上面代码中ret打印出来的结构，是一个dict。

这里的结构和我们使用OpenAI API时维护的messages数组基本一致，只不过LangChain帮我们在原始数据的基础上加了一层封装。

每个Dict结构的详细含义，在注释里面写清楚了，参考理解即可。

{
    'messages': [
        # 因为我们没有设置system prompt，所以第一条就是user message
        # langchain会给每一个消息都上一个id，方便标识和管理
        HumanMessage(content='北京的天气怎么样？',
                     additional_kwargs={},
                     response_metadata={},
                     id='88e2d0c7-fe27-486a-9acd-8b2b02e07b11'),
        # 这是ai对我们问题的回答，其中response_metadata包裹了一些当前会话的元数据
        # response_metadata是当前请求的数据，usage_metadata是当前会话累积数据
        # finish_reason标明当前AI消息的类型，tool_calls代表是一个工具调用消息
        AIMessage(content='',
                  additional_kwargs={'refusal': None},
                  response_metadata={
                      'token_usage': {
                          'completion_tokens': 22,
                          'prompt_tokens': 216,
                          'total_tokens': 238,
                          'completion_tokens_details': None,
                          'prompt_tokens_details': None,
                          'cache_write_tokens': 0,
                          'cache_read_tokens': 0,
                          'input_tokens': 0,
                          'output_tokens': 0
                      },
                      'model_provider': 'openai',
                      'model_name': 'longcat-flash-chatai-api',
                      'system_fingerprint': None,
                      'id': 'ad72c555243646738b62d2f48a552d23',
                      'finish_reason': 'tool_calls',
                      'logprobs': None
                  },
                  id='lc_run--cd5fb602-3103-4d67-8daa-640e90f255d2-0',
                  # 注意这里的tool_calls的id，会使用这个标识工具调用返回值
                  # 这里返回的tool_calls是一个list，因为AI可以一次性返回多个工具调用参数
                  tool_calls=[{
                      'name': 'get_weather',
                      'args': {
                          'city': '北京'
                      },
                      'id': '608a87b7-042d-4b82-b9a6-e285db91b54d',
                      'type': 'tool_call'
                  }],
                  usage_metadata={
                      'input_tokens': 216,
                      'output_tokens': 22,
                      'total_tokens': 238,
                      'input_token_details': {},
                      'output_token_details': {}
                  }),
        # 可以看到，这里的tool_call_id和上面的id是对应上的
        ToolMessage(content='北京的天气总是晴朗的！今天的温度是25°C，非常适合出门。',
                    name='get_weather',
                    id='b5dfa3b9-1c35-451f-a74c-611153a17f4f',
                    tool_call_id='608a87b7-042d-4b82-b9a6-e285db91b54d'),
        # AI获取到了工具调用结果，生成了最终的回答
        # finish_reason: stop代表这条消息就是终止消息了
        AIMessage(content='北京的天气总是晴朗的！今天的温度是25°C，非常适合出门。',
                  additional_kwargs={'refusal': None},
                  response_metadata={
                      'token_usage': {
                          'completion_tokens': 17,
                          'prompt_tokens': 269,
                          'total_tokens': 286,
                          'completion_tokens_details': None,
                          'prompt_tokens_details': None,
                          'cache_write_tokens': 0,
                          'cache_read_tokens': 0,
                          'input_tokens': 0,
                          'output_tokens': 0
                      },
                      'model_provider': 'openai',
                      'model_name': 'longcat-flash-chatai-api',
                      'system_fingerprint': None,
                      'id': '3b6d83b7b37c4cbbb057b95bc4329b23',
                      'finish_reason': 'stop',
                      'logprobs': None
                  },
                  id='lc_run--c9fa02c7-4b3c-461f-a1a0-04e80cb9a62f-0',
                  usage_metadata={
                      'input_tokens': 269,
                      'output_tokens': 17,
                      'total_tokens': 286,
                      'input_token_details': {},
                      'output_token_details': {}
                  })
    ]
}

对于用户而言，我们在这个期间没有关注过每一个阶段的任何返回值，全部数据都由LangChain请求并处理相应了，我们只需要关注Agent返回的最终的结果是否符合预期，以及这个过程中是否会抛出异常等等……

5. The end

本文只对LangChain的Demo做了个基本的测试和说明，下一篇文章就会开始以实际场景，构建我们的测试Agent了。

对于LangChain这些Agent框架而言，刚开始学习时，我们没有必要全知全会，多借助AI的能力去快速学习上手这些Agent的SDK，尽快从初学者变成能够使用SDK基本进行Agent开发的程序员，然后再去慢慢精进相关的知识！