)
angChain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
本次学习主要会探究agent中的prompt;tools;memory
Prompt 是大脑指令，Tools 是手脚工具，Memory 是大脑记忆，三者拼起来 = 完整智能体
提示词（Prompts）
发送给大模型的所有消息都可以称为**提示词（Prompt）**，它直接影响模型的输出结果。
系统提示词
在所有发送给LLM的消息中，System Message最为重要，它设定了模型的角色和聊天的背景。会影响到后续所有的对话。我们将其称之为**系统提示词（System Prompt）**。
在创建智能体时，就可以直接指定系统提示词。
example
from langchain.agents import create_agent from langchain.messages import HumanMessage from langchain.chat_models import init_chat_model model = init_chat_model( model="qwen-max", model_provider="openai") # 创建智能体 agent = create_agent( model = model, system_prompt="你是一个师长,请回答用户问题。" ) # 调用智能体 for token, metadata in agent.stream( {"messages": [HumanMessage(content="你是谁？")]}, stream_mode="messages" ): print(token.content, end="", flush=True)tools
一个完整的Agent至少要包含两个关键的部分：
- **模型**：是Agent的大脑，负责推理、分析，规划任务步骤
- **工具**：是Agent的手脚，负责执行任务，与外界交互
因此，定义带有工具的Agent的基本流程如下：
- 定义工具
- 初始化模型
- 初始化Agent，绑定模型和工具
# 1.使用tool装饰器定义工具 from langchain.tools import tool @tool def get_weather(location: str) -> str: """ Get the weather in a given location. Args: location: city name or coordinates """ return f"Current weather in {location} is sunny"绑定工具(在agent中)
from langchain.agents import create_agent from langchain_core.messages import HumanMessage # 2.创建智能体，并绑定工具 agent = create_agent( model="deepseek-chat", tools=[get_weather] ) # 3.调用Agent response = agent.invoke( {"messages": [HumanMessage(content="杭州今天天气如何?")]}, ) for message in response['messages']: message.pretty_print()定义多个工具,LLM会自动根据tools去选择,所以tools一定要写好注解用英文
# 2.预定义Tool
LangChain中提供了很多预定义的Tool，方便我们使用。例如：
- tavily：就是一个用来做web搜索的工具
它的使用步骤是这样的：
- 注册账号，创建API_KEY
- 配置环境变量: TAVILY_API_KEY
- 安装依赖：`uv add langchain-tavily`
还有LangChain自带的预定义的工具例如搜索工具tavily
官网注册Tavily
# 使用uv的环境 uv add langchain-tavily # 使用tavily作为web搜索工具 from langchain_tavily import TavilySearch # 初始化工具，并设置参数，具体参数设置参考官网 tool = TavilySearch( max_results=5, topic="general", # include_answer=False, # include_raw_content=False, # include_images=False, # include_image_descriptions=False, # search_depth="basic", # time_range="day", # include_domains=None, # exclude_domains=None ) tool.invoke("杭州今天天气如何？")# 创建智能体，使用预定义工具tavily agent = create_agent( model="deepseek-chat", tools=[tool], system_prompt="你是一个智能助手，你使用工具来解决用户问题。" ) # 调用工具 for chunk in agent.stream( {"messages": [HumanMessage(content="北京接下来5天天气如何?")]}, stream_mode="updates" ): for step, data in chunk.items(): print(f"step: {step}") print(f"content: {data['messages'][-1].content_blocks}") print()Memory（记忆）—— 智能体的「短期 + 长期记忆」
短期记忆：当前任务或会话的上下文（Working Memory 或 Session Memory）
长期记忆：跨任务或会话的经验与知识（Persistent Memory
短期记忆
由于短期记忆通常生命周期是当前会话，所以我们也可以称为会话记忆。Agent的会话记忆通常包含三部分：
对话历史
查询结果
任务状态
对于简单的Agent来说，任务没有做拆分，也就不需要记录任务状态，只用考虑会话历史和查询结果就可以了。后续我们会学习如何自定义更复杂的Agent会话记忆。
LangChain提供了自动化的记忆管理方案：
首先，LangChain把会话记忆（也就是Messages列表）记录为AgentState的一部分
AgentState通过Checkpointer对象来保存，每一次与AI的交互都会生成一个快照，记录为一个checkpoint，把同一会话的所有checkpoint组合在一起，就是完整的会话历史了。
为了区分不同的会话记忆，不同会话需要设定各自的
thread_id，相同会话则使用相同thread_id向Agent发起会话时必须指定自己的
thread_id以唤起对应的会话记忆
Memory持久化存储(这是数据库存表的) 这里我们选择使用Sqlite作为存储方案，首先需要按照langgraph-checkpoint-sqlite依赖： ``` uv add langgraph-checkpoint-sqlite ``` 接着，按照以下步骤使用： - 导入依赖 - 初始化checkpointer - 自动建表 - 创建Agent，指定checkpointer
用法类似
看到建表了
记忆管理策略(修剪,删除,总结)
总结是summarizationmiddleware
from langchain.agents import create_agent from langchain.agents.middleware import SummarizationMiddleware from langgraph.checkpoint.memory import InMemorySaver from langchain_core.runnables import RunnableConfig from langchain.chat_models import init_chat_model model1 = init_chat_model( model="qwen-max", model_provider="openai" ) # 初始化checkpointer checkpointer = InMemorySaver() # 初始化中间件 middleware = SummarizationMiddleware( model=model, trigger=("messages", 3), # 触发时机，当消息数超过3时，进行总结 keep=("messages", 1) # 保留的会话数，超过2条 ) # 创建agent model1 = init_chat_model( model="qwen3-max", model_provider="openai" ) agent = create_agent( model=model1, middleware=[middleware], checkpointer=checkpointer, ) config: RunnableConfig = {"configurable": {"thread_id": "thread_3"}} # 制造长会话历史 agent.invoke({"messages": [HumanMessage(content="你好，我是小白.")]}, config) agent.invoke({"messages": [HumanMessage(content="我最喜欢的运动是乒乓")]}, config) agent.invoke({"messages": [HumanMessage(content="我最喜欢的动物是狗")]}, config) # 测试效果 final_response = agent.invoke({"messages": HumanMessage(content="你还记得我吗？")}, config)
