LangChain 入门，从构建第一个智能体开始

LangChain是一个用于构建智能体的开源框架，可以集成任何模型或者工具。

它由大语言模型驱动，只需要不到10行代码，就可以连接OpenAI、Anthropic、谷歌等世界最先进的模型为你工作。

准备工作

首先，LangChain支持Python和Typescript，在本系列文章中，主要使用python进行演示

安装LangChain

pip install -U langchain # Python版本要求在3.10以上

集成大模型

LangChain支持了目前主流的各大AI平台，如OpenAI、谷歌、Anthropic、DeepSeek等等

你可以到下面这个地址，看到所有支持的模型

https://docs.langchain.com/oss/python/integrations/providers/overview

# 安装openai相关支持 pip install -U langchain-openai # 安装DeepSeek相关支持 pip install -U langchain-deepseek

当然也支持本地部署的大模型，如Ollama、vLLM、SGLang等本地

在开始使用LangChain写我们的第一行代码之前，我们首先需要准备一个大模型的API，通常来说有两种途径

1. 1. 你可以在OpenAI,DeepSeek等官方网站上去申请一个账号，获取一个api-key
2. 2. 使用本地的服务器、电脑来部署一个本地的大模型（使用Ollama、vLLM、SGLang等）

快速开始

从调用一个DeepSeek开始

from langchain_core.messages import HumanMessage from langchain_deepseek import ChatDeepSeek # api_base可以用于特定的代理地址或本地地址，不填则默认使用DeepSeek官方# api_key来自DeepSeek官方申请得到model = ChatDeepSeek(model="deepseek-chat", # api_base="http://localhost:8000/v1", api_key="sk-xxxxx") result = model.invoke("你好 DeepSeek!") print(result.content)

运行可以看到输出代码如下，我们就成功调用了 DeepSeek 。

可以看到，使用 LangChain ，从创建项目到成功调用大模型，大概只需要几分钟时间，是非常简单的。

LangChain 让我们可以节省出更多的时间来专注业务的构建，不用再去重复造轮子了。

如果你的电脑或服务器还不错，也可以使用本地的 ollama 运行一个 Qwen3 来进行测试

model = ChatOllama(model="qwen3") result = model.invoke("你好 Qwen3! \\no_think") print(result.content)

在基础模型之上构建智能体

我们使用 LangChain ，主要是需要构建一个专属领域的智能体，比如

1. 1. 在一个 IDE 里创建一个 AI 编程助手
2. 2. 在医生看诊时的一个写病历、下诊断助手
3. 3. 公司内部的一个停车场查询助手等等

假设我们实际的业务中有一个接口

# 停车场车位信息 def get_parkinglot_info() -> str: """获取停车场车位信息""" # 我们可以假设系统中有 3 个停车场，分别用 mock 的数据模拟 # 实际业务中可以通过接口查询 return ("停车场车位信息如下：\n1号车位已满" "\n2号停车场剩余 20 个车位" "\n3号停车场剩余 30 个车位")

我们基于上述 DeepSeek 模型创建一个Agent，让其可以帮我们在接口里自动查询出哪个停车场车位充足。

from langchain.agents import create_agent from langchain_core.messages import HumanMessage, AIMessage from langchain_deepseek import ChatDeepSeek # 调用一个DeepSeek model = ChatDeepSeek(model="deepseek-chat", # 可以使用搭建的DeepSeek，不填写则可以使用DeepSeek的公开API api_base="http://localhost:8000/v1", api_key="1") # 停车场车位信息 def get_parkinglot_info() -> str: """获取停车场车位信息""" # 我们可以假设系统中有 3 个停车场，分别用 mock 的数据模拟 # 实际业务中可以通过接口查询 return ("停车场车位信息如下：\n1号车位已满" "\n2号停车场剩余 20 个车位" "\n3号停车场剩余 30 个车位") agent = create_agent(model, system_prompt="你是一个停车场车位查询助手", tools=[get_parkinglot_info] ) result = agent.invoke({"messages": [HumanMessage(content="哪个停车场还有车位？")]}) for message in result.get('messages', []): if isinstance(message, AIMessage): print(message.content)

查询结果如下

为了更有效地对接系统，让 AI 可以帮我们将非结构化的数据整理成结构化的数据方便进行处理

再比如：让 AI 帮我们找到车位最多的停车场，并结构化成我们希望的样式

class ParkinglotInfo(BaseModel): name: str = Field(description="停车场名称") num: int = Field(description="剩余车位数量")structured_agent = create_agent(model, system_prompt="你是一个停车场车位查询助手。请调用工具获取停车场信息，然后按照用户要求的格式组织数据。", tools=[get_parkinglot_info], response_format=ToolStrategy(ParkinglotInfo))structure_result = structured_agent.invoke({"messages": [HumanMessage("请告诉我哪个停车场的车位最多？并按照 {name:停车场名称,num:数量} 的格式进行组织")]}) print(f"===========================") print(f"结构化输出结果：{structure_result['structured_response']}")# 输出结果# ===========================# 结构化输出结果：name='3号停车场' num=30

Tip

值得注意的是，在最后输出结构化时，很可能出现报错，如果排除了网不通/代码写错等等问题后依然出现，那么通常有两种可能性

1. 1. 小规模模型的指令跟随能力、文档总结能力、结构化能力有缺陷
2. 2. 即使是最先进的模型（如 DeepSeek-V3.2），也会因为提供厂商的工程能力（官方和第三方）差异导致输出结果不符合预期1。

在初学时，极容易遇到这个问题卡主，解决方案如下：

1. 1. 财力够，建议尽量使用官方提供的模型，如 DeepSeek 官方、OpenAI 官方等等，避免使用第三方。
2. 2. 资金有限，尽量使用 Qwen3系列 这种指令跟随能力较强的小模型，会减少很多因为模型能力不足导致的问题

结语

本篇文章中，我们了解到了在 AI 应用开发中，如何使用 LangChain 快速连接一个大语言模型，构建一个简单的 Agent，使用大语言模型进行工具调用以及结构化输出。

参考文献

1. https://docs.langchain.com/oss/python/langchain/overview

附注

1. DeepSeek-v3.2 指令跟随缺陷导致的 Agent 输出不符合预期

如果你在使用 DeepSeek-V3.2 这种旗舰模型时，出现了类似下面的问题，那么恭喜你，通常这是一个本地部署/第三方提供的 DeepSeek 缺陷导致的问题

解决方法

1. 1. 使用官方提供的 DeepSeek 接口
2. 2. 将你部署的 SGLang 版本升级到 0.5.7（写稿时暂未发布）以上版本来解决这个问题

2. 有没有比较价廉物美小模型测试方案？

这里我推荐使用qwen3:4b-instruct-2507-fp16这个模型，你可以直接使用ollama run qwen3:4b-instruct-2507-fp16来运行这个模型，即使性能较差的电脑也可以顺利运行。

如果你的电脑还不错，那么qwen3:30b-instruct这个模型也可以尝试一下，性能会好很多。

qwen3 系列模型，包括语音、图像、视频等多模态模型，在应对LangChain学习的任务上应该都可以胜任

那么本篇文章就到这里啦，感谢你的阅读，我们一起加油！

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！