企业官网建设流程全解析

LangChain 智能体开发框架：3 步跑通你的第一个 AI Agent

【免费下载链接】langchainThe agent engineering platform.项目地址: https://gitcode.com/GitHub_Trending/la/langchain

LangChain 是一个面向开发者的 Python 框架（agent engineering platform），用于构建 AI 智能体（Agent，能自主调用工具完成任务的 AI 应用）和 LLM 驱动应用。如果你写过简单的 LLM 调用，却发现换模型要改代码、加工具要自己接 API，这篇文章会告诉你怎么用一套统一接口解决这些问题。适合有 Python 基础、准备动手做 AI 应用的开发者阅读。

一句话理解 LangChain

LangChain 提供模型、消息、工具三类组件的标准接口，让不同供应商的 LLM 和外部工具像插件一样即插即用。它面向 Python 开发者，核心卖点是"可组合"——你搭好的流程，换掉底层模型不用重写业务逻辑。

• 统一接口：一个init_chat_model()调用可覆盖 OpenAI、Anthropic、Google 等几十个模型供应商
• 组件化架构：消息、工具、向量库等都有标准抽象，来自libs/core/langchain_core核心库
• 智能体优先：内置create_agent工厂函数和中间件机制，直接构建带工具调用的 Agent

核心能力速览

统一模型接入

不管底层用哪家模型，调用方式都是一行invoke()。想从 OpenAI 切到 DeepSeek，只改字符串，不动业务代码。

from langchain.chat_models import init_chat_model model = init_chat_model("openai:gpt-5.5") result = model.invoke("你好，介绍一下 LangChain")

工具调用与智能体

用@tool装饰器把一个普通函数变成 AI 可调用的工具，再交给create_agent就能得到一个会自主决策"何时调哪个工具"的智能体：

from langchain.agents import create_agent from langchain.tools import tool @tool def get_weather(city: str) -> str: """查询城市天气""" return f"{city}：晴，22°C" agent = create_agent(model, tools=[get_weather])

消息与状态管理

对话轮次用统一的AIMessage、HumanMessage等对象表示，工具调用结果自动回灌到消息流中，多轮对话和工具循环的状态无需手动拼接。

最小化上手路径

1. 安装：终端执行uv add langchain（或pip install langchain），需要 Python 3.10+。
2. 配置密钥：把模型供应商的 API Key 设为环境变量，如OPENAI_API_KEY，不要把密钥写进代码。
3. 跑通第一次调用：用上面的init_chat_model示例发一句问候，确认能收到回复。
4. 加一个工具：定义@tool函数，验证模型会主动调用它。
5. 组装智能体：调用create_agent(model, tools=[...])，用一句"帮我查一下北京天气"测试完整链路。

典型落地场景

企业内部知识问答

把制度文档、产品手册接给模型，让它基于内部资料回答而非凭空生成。

• 先装对应的文档加载器（如 PDF、网页类 loader，见libs/core/langchain_core/document_loaders/）
• 用文本分片器（libs/text-splitters/提供 Markdown、代码等专用分片策略）切块
• 检索结果拼进提示词，再交给模型生成带出处的回答

自动化办公任务

处理"查天气、订会议室、发邮件"这类需要多步操作的重复任务。

• 每个动作封装成一个@tool函数，保持单一职责
• 用create_agent让模型自主决定执行顺序
• 对危险操作（删数据、发外部邮件）加人工确认环节

数据分析助手

让模型读取数据库或表格，回答业务问题。

• 把 SQL 查询封装为工具，限制模型只能执行只读语句
• 用结构化输出（structured output）让结果以固定字段返回，方便程序消费
• 对返回的 JSON 做校验，防止格式漂移

生态与扩展

仓库是三层 monorepo：libs/core/langchain_core是核心抽象层，libs/langchain_v1/langchain是智能体入口层，libs/partners/下是 openai、anthropic、ollama 等供应商的官方集成包。需要更复杂的有状态工作流可关注同生态的 LangGraph，仓库内 openwiki/ 目录提供了架构、消息、工具等主题的导航文档。

实用建议与避坑提示

• 按需安装供应商包：langchain本体不含具体模型实现，用了 OpenAI 就装langchain-openai，避免一次拉入所有集成。
• 提示词与工具描述要写实：模型靠@tool函数的 docstring 决定何时调用工具，建议把参数含义和适用边界写清楚，别只留一行。
• 先本地再上云：用 Ollama 等本地模型（init_chat_model("ollama:llama3.2")）调试流程，跑通后再切付费模型，能省下不少 token 费用。
• 别跳过测试：LLM 输出有不确定性，建议对关键路径（工具调用、结构化输出）写断言，仓库libs/standard-tests/提供了跨包的标准测试套件可直接参考。

结语

下一步建议直接克隆仓库git clone https://gitcode.com/GitHub_Trending/la/langchain，从 README.md 的 Quickstart 开始，一个下午就能跑通"模型 + 工具 + 智能体"的最小闭环 🚀

【免费下载链接】langchainThe agent engineering platform.项目地址: https://gitcode.com/GitHub_Trending/la/langchain