10分钟入门LangChain

LangChain 是一个开源框架，内置了预构建的智能体（Agent）架构，并支持与任意大语言模型（LLM）或工具集成——让你构建的智能体能够随生态系统的演进而快速适应。

LangChain 是构建基于大语言模型（LLM）的智能体和应用最简单的方式。仅需不到 10 行代码，你就可以连接 OpenAI、Anthropic、Google 等主流模型提供商（更多支持）。LangChain 提供了开箱即用的智能体架构和丰富的模型集成能力，帮助你快速上手，并无缝地将 LLM 融入你的智能体和应用程序中。

如果你希望快速构建智能体或自主应用，我们推荐使用 LangChain。

而当你有更高级的需求——例如需要结合确定性流程与智能体工作流、深度定制逻辑，或对延迟有严格控制时——建议使用我们的底层智能体编排框架和运行时 LangGraph。

LangChain 的 智能体（agents） 正是构建在 LangGraph 之上，从而天然支持 持久化执行（durable execution）、流式响应（streaming）、人在回路（human-in-the-loop）、状态持久化（persistence） 等高级能力。对于基础的 LangChain 智能体使用，你无需事先了解 LangGraph。

安装

要安装 LangChain 核心包，请使用以下命令：

• pip：

pip install -U langchain # Requires Python 3.10+

• uv：

uv add langchain # Requires Python 3.10+

LangChain 提供了对数百种大语言模型（LLM） 和数千种其他工具的集成支持。这些集成以独立的提供商包（provider packages） 形式存在。

例如，若要使用 OpenAI 或 Anthropic 的模型，需单独安装对应的集成包：

• pip：

# Installing the OpenAI integration pip install -U langchain-openai # Installing the Anthropic integration pip install -U langchain-anthropic

• uv：

# Installing the OpenAI integration uv add langchain-openai # Installing the Anthropic integration uv add langchain-anthropic

可以查看完整的集成列表，这个列表中可以查看如何安装对应的包。

核心优势

1. 不同模型提供商的 API 各不相同，包括响应格式也存在差异。LangChain 对模型交互进行了标准化，让你可以无缝切换模型提供商，避免厂商锁定（vendor lock-in）。
2. LangChain 的智能体抽象设计简洁，只需不到 10 行代码即可构建一个基础智能体。同时，它也提供了充分的灵活性，满足你对上下文工程（context engineering）的各种进阶需求。
3. LangChain 的智能体底层基于 LangGraph 实现，因此能直接利用 LangGraph 提供的持久化执行、人在回路支持、状态持久化等强大能力。
4. 借助可视化工具，LangSmith 可深入追踪复杂智能体的行为：展示执行路径、捕获状态变迁，并提供详细的运行时指标，大幅提升可观测性与调试效率。

快速入门

本快速入门指南将带你从一个简单的设置开始，在短短几分钟内构建出一个功能完整的 AI 智能体。

前提条件

要运行以下示例，你需要：

• 安装 LangChain 软件包
• 注册 Claude (Anthropic) 账户并获取 API 密钥
• 在终端中设置 ANTHROPIC_API_KEY 环境变量

虽然这些示例使用的是 Claude，但你可以通过更改代码中的模型名称并设置相应的 API 密钥，来使用任何受支持的模型。

注：上面的官网给的前提条件，我由于本地有离线部署的大模型就不用Claude演示了。

构建一个基础智能体

首先创建一个可以回答问题并调用工具的简单智能体。该智能体将使用 本地部署的qwen 作为其语言模型，使用一个基础天气函数作为工具，并使用一个简单的提示词来指导其行为。

fromlangchain.agentsimportcreate_agentfromlangchain_openaiimportChatOpenAI model=ChatOpenAI(model="qwen3-32b",base_url="https://xxxx,api_key="xxx",temperature=0.7)defget_weather(city:str)->str:"""获取指定城市的天气信息。"""returnf"{city}总是阳光明媚！"agent=create_agent(model="claude-sonnet-4-5-20250929",tools=[get_weather],system_prompt="你是一个乐于助人的助手",)# 运行智能体result=agent.invoke({"messages":[{"role":"user","content":"what is the weather in sf"}]})print(result["messages"][-1].content)

运行结果：

旧金山的天气总是阳光明媚，非常宜人！需要我提供更详细的天气信息吗？

要了解如何使用 LangSmith 追踪你的智能体，请参阅LangSmith 文档。

构建一个真实世界的智能体

接下来，我们将构建一个实用的天气预报智能体，展示关键的生产级概念：

• 详细的系统提示词以改善智能体行为
• 创建工具以集成外部数据
• 模型配置以获得一致的响应
• 结构化输出以确保可预测的结果
• 对话记忆以实现类聊天交互
• 创建并运行智能体以构建一个功能完整的智能体
• 让我们逐步完成每个步骤：

1. 定义系统提示词
   系统提示词定义了你的智能体的角色和行为。保持具体且可操作：

SYSTEM_PROMPT="""你是一位擅长双关语的天气预报专家。 你可以使用两个工具： - get_weather_for_location：用于获取特定位置的天气 - get_user_location：用于获取用户的位置 如果用户询问天气，请确保你知道位置。如果从问题中可以看出他们指的是自己所在的位置，请使用 get_user_location 工具来查找他们的位置。"""

2. 创建工具
   工具 允许模型通过调用你定义的函数与外部系统交互。 工具可以依赖于运行时上下文，也可以与智能体记忆交互。

注意下面的get_user_location工具如何使用运行时上下文：

fromdataclassesimportdataclassfromlangchain.toolsimporttool,ToolRuntime@tooldefget_weather_for_location(city:str)->str:"""获取指定城市的天气。"""returnf"{city}总是阳光明媚！"@dataclassclassContext:"""自定义运行时上下文模式。"""user_id:str@tooldefget_user_location(runtime:ToolRuntime[Context])->str:"""根据用户 ID 检索用户信息。"""user_id=runtime.context.user_idreturn"佛罗里达"ifuser_id=="1"else"旧金山"

工具应该有良好的文档说明：它们的名称、描述和参数名称都会成为模型提示的一部分。
LangChain 的@tool装饰器会添加元数据，并通过ToolRuntime参数启用运行时注入。

3. 配置大模型
   根据你的用例，使用正确的参数设置你的语言模型：

fromlangchain.chat_modelsimportinit_chat_model model=init_chat_model("claude-sonnet-4-5-20250929",temperature=0.5,timeout=10,max_tokens=1000)

根据所选的模型和提供商，初始化参数可能会有所不同；请参考它们的参考页面以获取详细信息。

4. 定义返回格式
   如果需要智能体的响应符合特定模式，可以选择定义结构化响应格式。

fromdataclassesimportdataclass# 我们在这里使用 dataclass，但也支持 Pydantic 模型。@dataclassclassResponseFormat:"""智能体的响应模式。"""# 一个双关语响应（始终必需）punny_response:str# 如果有的话，关于天气的任何有趣信息weather_conditions:str|None=None

5. 增加记忆
   为你的智能体添加记忆以在交互之间保持状态。 这使得智能体能够记住之前的对话和上下文。

fromlanggraph.checkpoint.memoryimportInMemorySaver checkpointer=InMemorySaver()

在生产环境中，应使用持久化的检查点器，将数据保存到数据库中。
有关更多详细信息，请参阅添加和管理记忆。

6. 创建并运行agent
   现在，使用所有组件组装你的智能体并运行它！

fromlangchain.agents.structured_outputimportToolStrategy agent=create_agent(model=model,system_prompt=SYSTEM_PROMPT,tools=[get_user_location,get_weather_for_location],context_schema=Context,response_format=ToolStrategy(ResponseFormat),checkpointer=checkpointer)# `thread_id` 是特定对话的唯一标识符。config={"configurable":{"thread_id":"1"}}response=agent.invoke({"messages":[{"role":"user","content":"外面的天气怎么样？"}]},config=config,context=Context(user_id="1"))print(response['structured_response'])# ResponseFormat(# punny_response="佛罗里达今天依然'阳光灿烂'！阳光整天都在播放'射线电台'的热门歌曲！我得说，这是进行一些'太阳庆祝'的完美天气！如果你希望下雨，恐怕这个想法已经'泡汤'了——天气预报依然'清晰'明亮！",# weather_conditions="佛罗里达总是阳光明媚！"# )# 注意，我们可以使用相同的 `thread_id` 继续对话。response=agent.invoke({"messages":[{"role":"user","content":"谢谢！"}]},config=config,context=Context(user_id="1"))print(response['structured_response'])# ResponseFormat(# punny_response="你'雷'厉风行地受欢迎！帮助你随时了解天气总是'轻而易举'。我只是在'云'端徘徊，随时准备在你需要时'倾盆'而下更多天气预报。祝你在佛罗里达的阳光下度过'阳光灿烂'的一天！",# weather_conditions=None# )

完整代码

fromlangchain.toolsimporttool,ToolRuntimefromlangchain_openaiimportChatOpenAIfromdataclassesimportdataclassfromlanggraph.checkpoint.memoryimportInMemorySaverfromlangchain.agents.structured_outputimportToolStrategyfromlangchain.agentsimportcreate_agent SYSTEM_PROMPT="""你是一位擅长双关语的天气预报专家。 你可以使用两个工具： - get_weather_for_location：用于获取特定位置的天气 - get_user_location：用于获取用户的位置 如果用户询问天气，请确保你知道位置。如果从问题中可以看出他们指的是自己所在的位置，请使用 get_user_location 工具来查找他们的位置。"""@tooldefget_weather_for_location(city:str)->str:"""获取指定城市的天气。"""returnf"{city}总是阳光明媚！"@dataclassclassContext:"""自定义运行时上下文模式。"""user_id:str@tooldefget_user_location(runtime:ToolRuntime[Context])->str:"""根据用户 ID 检索用户信息。"""user_id=runtime.context.user_idreturn"佛罗里达"ifuser_id=="1"else"旧金山"model=ChatOpenAI(model="qwen3-32b",base_url="https://xxxx,api_key="xxx",temperature=0.7)# 我们在这里使用 dataclass，但也支持 Pydantic 模型。@dataclassclassResponseFormat:"""智能体的响应模式。"""# 一个双关语响应（始终必需）punny_response:str# 如果有的话，关于天气的任何有趣信息weather_conditions:str|None=Nonecheckpointer=InMemorySaver()agent=create_agent(model=model,system_prompt=SYSTEM_PROMPT,tools=[get_user_location,get_weather_for_location],context_schema=Context,response_format=ToolStrategy(ResponseFormat),checkpointer=checkpointer)# `thread_id` 是特定对话的唯一标识符。config={"configurable":{"thread_id":"1"}}response=agent.invoke({"messages":[{"role":"user","content":"外面的天气怎么样？"}]},config=config,context=Context(user_id="1"))print(response['structured_response'])

结果：

ResponseFormat(punny_response='佛罗里达的天气今天阳光明媚，温度宜人！不过要小心——这片土地上的‘橘’（Ji）祥如意可能比天气更让人惊喜哦～', weather_conditions='晴朗，28°C，微风')

总结

恭喜！你现在拥有一个能够：

• 理解上下文并记住对话
• 智能地使用多个工具
• 以一致的格式提供结构化响应
• 通过上下文处理用户特定信息
• 在交互之间保持对话状态

的 AI 智能体！