1. 引言从 API 到对话式助手调用天气 API 并不难但要让用户能用自然语言询问“今天北京热不热”“上海会下雨吗”并自动查询、返回友好回答——这就是 LangChain 大显身手的场景。本文带你用不到 50 行代码从零搭建一个可对话的天气查询助手无需前端、无需复杂配置只需 Python 和一个本地 LLM。读完你将掌握如何将任意 API 封装成 LangChain 的tool如何使用create_agent快速构建一个智能体如何用system_prompt精细化控制助手行为2. 准备工作2.1 环境依赖确保已安装以下 Python 包pipinstalllangchain langchain-ollama requests pandaslangchain主体框架langchain-ollamaOllama 模型集成requests调用天气 APIpandas读取城市代码映射表2.2 天气 API 与城市映射天气数据来自第三方 API需要准备以下两项城市代码映射文件city.csv包含province、city、district、areacode/城市ID等字段用于根据城市名查找接口所需的城市代码。API 令牌在请求头中携带X-APISpace-Token进行鉴权。文中使用的 API 及 Token 仅供参考示例实际使用时请替换为你自己的接口和密钥。3. 核心实现3.1 城市代码查询首先实现一个辅助函数根据用户输入的城市名称如“北京”“上海浦东”匹配到对应的城市代码。importpandasaspddefget_city_code(city_name:str): 根据城市名称获取城市代码 参数city_name: 城市名称如北京、上海浦东等 city_dfpd.read_csv(city.csv)# 按区县精确匹配matchcity_df[city_df[district]city_name]ifnotmatch.empty:returnmatch.iloc[0][areacode/城市ID]# 按城市名匹配matchcity_df[city_df[city]city_name]ifnotmatch.empty:returnmatch.iloc[0][areacode/城市ID]# 按省份模糊匹配matchcity_df[city_df[province].str.contains(city_name,naFalse)]ifnotmatch.empty:returnmatch.iloc[0][areacode/城市ID]# 兜底返回默认城市代码北京return101010100匹配优先级为区县 城市 省份未匹配时返回默认代码。3.2 封装天气工具使用tool装饰器将天气查询函数封装为 LangChain 工具让智能体能够自动识别并调用它。importrequestsfromlangchain.toolsimporttooltooldefget_weather(city:str): 获取实时天气信息返回温度及天气状况 参数city: 城市名称如北京 urlhttps://api.example.com/weathercity_codeget_city_code(city)payload{areacode:city_code}headers{X-APISpace-Token:your_token_here}responserequests.request(GET,url,paramspayload,headersheaders)dataresponse.json()tempdata.get(result).get(realtime).get(temp)wddata.get(result).get(realtime).get(text)returnf{city}的实时天气{temp}°C{wd}tool装饰器会根据函数签名和 docstring 自动生成工具描述智能体正是通过这个描述来判断何时调用该工具。3.3 创建并运行助手最后用create_agent把语言模型和工具组合成一个天气查询助手。fromlangchain.agentsimportcreate_agentfromlangchain_ollamaimportChatOllama llmChatOllama(modeldeepseek-r1:1.5b)tools[get_weather]prompt你是天气查询助手请根据用户的问题调用天气工具。# 创建智能体agentcreate_agent(modelllm,toolstools,system_promptprompt)# 调用智能体responseagent.invoke({messages:[{role:user,content:北京天气如何}]})print(response[messages][-1].content)至此天气查询助手就搭建完成了。用户输入自然语言问题智能体会自动判断何时调用天气工具并将 API 返回的数据整合成自然语言回复。4. 运行结果示例当你运行上述代码时会得到类似如下的输出北京今天的天气是 26°C晴。很适合出门活动哦你也可以自由提问比如responseagent.invoke({messages:[{role:user,content:上海和深圳哪个更热}]})助手会自动多次调用get_weather工具分别查询两座城市的天气然后对比回答。5. 进阶优化方向本文实现的助手虽然基础但已经具备了智能体的核心能力。你可以从以下方向继续优化错误处理当 API 请求失败或城市不存在时添加友好的提示信息。系统提示词优化精细化system_prompt比如让助手在回复时附带穿衣建议、出行提醒等。工具扩展添加更多工具如空气质量查询、未来天气预报让助手能力更全面。记忆与上下文加入对话记忆组件让助手能记住你上一轮问的城市实现多轮对话。切换模型将ChatOllama替换为ChatOpenAI或其他兼容接口接入更强大的模型。6. 总结本文完整演示了使用 LangChain 构建天气查询助手的全过程封装外部 API 为工具tool编写辅助函数处理城市代码映射用create_agent组合模型与工具设置系统提示词定义助手行为整个流程不超过 50 行代码却实现了从自然语言输入到自然语言输出的完整闭环。这个模式不仅适用于天气查询也可以快速迁移到股票查询、新闻播报、快递跟踪等任何需要连接外部 API 的场景——关键是你几乎不需要写任何业务逻辑的胶水代码。
用LangChain快速实现天气查询智能体
发布时间：2026/8/1 3:03:52
1. 引言从 API 到对话式助手调用天气 API 并不难但要让用户能用自然语言询问“今天北京热不热”“上海会下雨吗”并自动查询、返回友好回答——这就是 LangChain 大显身手的场景。本文带你用不到 50 行代码从零搭建一个可对话的天气查询助手无需前端、无需复杂配置只需 Python 和一个本地 LLM。读完你将掌握如何将任意 API 封装成 LangChain 的tool如何使用create_agent快速构建一个智能体如何用system_prompt精细化控制助手行为2. 准备工作2.1 环境依赖确保已安装以下 Python 包pipinstalllangchain langchain-ollama requests pandaslangchain主体框架langchain-ollamaOllama 模型集成requests调用天气 APIpandas读取城市代码映射表2.2 天气 API 与城市映射天气数据来自第三方 API需要准备以下两项城市代码映射文件city.csv包含province、city、district、areacode/城市ID等字段用于根据城市名查找接口所需的城市代码。API 令牌在请求头中携带X-APISpace-Token进行鉴权。文中使用的 API 及 Token 仅供参考示例实际使用时请替换为你自己的接口和密钥。3. 核心实现3.1 城市代码查询首先实现一个辅助函数根据用户输入的城市名称如“北京”“上海浦东”匹配到对应的城市代码。importpandasaspddefget_city_code(city_name:str): 根据城市名称获取城市代码 参数city_name: 城市名称如北京、上海浦东等 city_dfpd.read_csv(city.csv)# 按区县精确匹配matchcity_df[city_df[district]city_name]ifnotmatch.empty:returnmatch.iloc[0][areacode/城市ID]# 按城市名匹配matchcity_df[city_df[city]city_name]ifnotmatch.empty:returnmatch.iloc[0][areacode/城市ID]# 按省份模糊匹配matchcity_df[city_df[province].str.contains(city_name,naFalse)]ifnotmatch.empty:returnmatch.iloc[0][areacode/城市ID]# 兜底返回默认城市代码北京return101010100匹配优先级为区县 城市 省份未匹配时返回默认代码。3.2 封装天气工具使用tool装饰器将天气查询函数封装为 LangChain 工具让智能体能够自动识别并调用它。importrequestsfromlangchain.toolsimporttooltooldefget_weather(city:str): 获取实时天气信息返回温度及天气状况 参数city: 城市名称如北京 urlhttps://api.example.com/weathercity_codeget_city_code(city)payload{areacode:city_code}headers{X-APISpace-Token:your_token_here}responserequests.request(GET,url,paramspayload,headersheaders)dataresponse.json()tempdata.get(result).get(realtime).get(temp)wddata.get(result).get(realtime).get(text)returnf{city}的实时天气{temp}°C{wd}tool装饰器会根据函数签名和 docstring 自动生成工具描述智能体正是通过这个描述来判断何时调用该工具。3.3 创建并运行助手最后用create_agent把语言模型和工具组合成一个天气查询助手。fromlangchain.agentsimportcreate_agentfromlangchain_ollamaimportChatOllama llmChatOllama(modeldeepseek-r1:1.5b)tools[get_weather]prompt你是天气查询助手请根据用户的问题调用天气工具。# 创建智能体agentcreate_agent(modelllm,toolstools,system_promptprompt)# 调用智能体responseagent.invoke({messages:[{role:user,content:北京天气如何}]})print(response[messages][-1].content)至此天气查询助手就搭建完成了。用户输入自然语言问题智能体会自动判断何时调用天气工具并将 API 返回的数据整合成自然语言回复。4. 运行结果示例当你运行上述代码时会得到类似如下的输出北京今天的天气是 26°C晴。很适合出门活动哦你也可以自由提问比如responseagent.invoke({messages:[{role:user,content:上海和深圳哪个更热}]})助手会自动多次调用get_weather工具分别查询两座城市的天气然后对比回答。5. 进阶优化方向本文实现的助手虽然基础但已经具备了智能体的核心能力。你可以从以下方向继续优化错误处理当 API 请求失败或城市不存在时添加友好的提示信息。系统提示词优化精细化system_prompt比如让助手在回复时附带穿衣建议、出行提醒等。工具扩展添加更多工具如空气质量查询、未来天气预报让助手能力更全面。记忆与上下文加入对话记忆组件让助手能记住你上一轮问的城市实现多轮对话。切换模型将ChatOllama替换为ChatOpenAI或其他兼容接口接入更强大的模型。6. 总结本文完整演示了使用 LangChain 构建天气查询助手的全过程封装外部 API 为工具tool编写辅助函数处理城市代码映射用create_agent组合模型与工具设置系统提示词定义助手行为整个流程不超过 50 行代码却实现了从自然语言输入到自然语言输出的完整闭环。这个模式不仅适用于天气查询也可以快速迁移到股票查询、新闻播报、快递跟踪等任何需要连接外部 API 的场景——关键是你几乎不需要写任何业务逻辑的胶水代码。
