10分钟让AI真正干活LangChain智能体从入门到跑通的完整指南【免费下载链接】langchainThe agent engineering platform.项目地址: https://gitcode.com/GitHub_Trending/la/langchain周五下午五点领导丢来一句话把用户投诉自动分个类再给客服写个回复草稿。你盯着屏幕脑子里全是API怎么调、输出怎么保证是JSON、上下文怎么传——光把这些环节手撸串起来就要大半天。LangChain 就是为这种让AI自己把活干完的Python框架你只说清要做什么它负责把模型、工具、循环控制组装成一条能跑的流水线而且换模型、加工具都不用推倒重来。这套框架帮你省掉哪三件最烦的事省掉模型→工具→再问模型的手写循环。传统做法里你得自己判断模型要不要调工具、调完后把结果塞回上下文、再判断停不停——这套状态机create_agent在底层帮你做好了你只管声明工具循环、路由、终止它自动处理。省掉换模型就改一片代码的折腾。模型用统一接口init_chat_model(openai:gpt-4o)初始化想换成anthropic:claude或本地ollama改一个字符串就行下游工具、提示词、结构化输出全都不用动。省掉参数校验、报错重试这类脏活。工具的参数schema、调用失败怎么回退、模型输出怎么按格式校验都有统一机制不用每个工具各写一套。 小贴士如果你只是想让模型答句话直接调厂商SDK更简单这套框架的价值在多步骤、要调工具、要可控时才真正体现。五分钟跑起来最快安装与首次调用 先装再跑一句调用确认环境通了uv add langchain langchain-openaifrom langchain.chat_models import init_chat_model model init_chat_model(openai:gpt-4o) # 厂商:模型一行搞定 print(model.invoke(用一句话解释什么是RAG))⚠️ 注意langchain-openai这类厂商包是按需安装的用到哪一家就加哪个不用一次装全家桶。跑通这句说明模型链路已经通了下一步才是把它变成会动手的智能体。跟一个真实需求走一遍让AI查数据再给建议假设你要做一个出行助手用户问北京明天适合跑步吗程序要真的去查天气再结合数据给建议。核心就是三件事——定义工具、声明智能体、发起调用from langchain.agents import create_agent def get_weather(city: str) - str: # 普通函数就是工具 查询城市实时天气。 return f{city} 晴 26°C agent create_agent(modelopenai:gpt-4o, tools[get_weather], system_prompt先查天气再给建议) print(agent.invoke({messages: [{role: user, content: 北京适合跑步吗}]}))边跑边看它内部在干嘛get_weather这种带类型注解和 docstring 的普通函数create_agent会自动读出参数、生成一份工具说明书给模型看。模型读完用户问题自己判断得先查天气于是发出一次工具调用框架执行函数、把北京 晴 26°C作为结果喂回给模型模型再基于这份数据组织出最终答复。整个思考—行动—观察的循环你一行都没写框架替你兜着。 小贴士函数名和 docstring 直接决定了模型什么时候用、怎么传参写清楚比堆代码更重要。工具系统的完整规则可以看仓库内的 工具参考文档。如果还想让答复稳定返回JSON比如要写进数据库给它加一个response_format指向一个 Pydantic 模型即可框架会自动选原生或工具调用两种校验策略失败还会重试细节在 结构化输出文档。什么时候该用、什么时候别用该用任务是多步骤的、需要调多个外部工具查库、调接口、读文件且你要在模型调用之间插入重试、审批、脱敏这类控制逻辑。这些正是它中间件体系擅长的见 中间件参考。别硬用单次问答、纯文案生成直接调厂商SDK更快更省对延迟极敏感的简单链路多一层抽象反而多了开销。另外智能体会自己决定调几次工具token消耗不可完全预测预算敏感的场景要提前设好max_retries和工具调用上限。进阶方向把智能体接进你的业务模型能力本身可以动态切换和降级ModelFallbackMiddleware、运行时换模型适合主模型挂了自动切备用的高可用场景对话记忆、跨会话存储则靠checkpointer和store接上。这些不用现在全懂先看 模型初始化文档 和 Agent 工厂参考 两篇够你把第一个能落地的版本搭起来。新手最容易卡住的4个地方我明明传了工具模型却不调用多半是 docstring 太含糊模型读不出什么时候该用。把参数名、取值范围、适用场景写明白通常立刻生效。换模型后输出格式乱了检查提示词或工具是不是写死了某一家的字段名统一走init_chat_model和response_format格式约束交给框架而不是字符串拼接。怎么知道它调了哪几个工具、花了多少token开debugTrue或接上仓库 回调与追踪文档 里讲的回调机制每一步执行都能落日志。本地模型能跑吗能。装langchain-ollama把model换成ollama:模型名就行链路完全一致快速上手指南 里有完整目录结构可对照。接下来三步今天就能跑通装好环境跑通那句init_chat_model调用写一个你自己的小工具函数用create_agent挂上去给它加response_format让输出稳定成你要的结构【免费下载链接】langchainThe agent engineering platform.项目地址: https://gitcode.com/GitHub_Trending/la/langchain创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 10分钟让AI真正干活：LangChain智能体从入门到跑通的完整指南
10分钟让AI真正干活LangChain智能体从入门到跑通的完整指南【免费下载链接】langchainThe agent engineering platform.项目地址: https://gitcode.com/GitHub_Trending/la/langchain周五下午五点领导丢来一句话把用户投诉自动分个类再给客服写个回复草稿。你盯着屏幕脑子里全是API怎么调、输出怎么保证是JSON、上下文怎么传——光把这些环节手撸串起来就要大半天。LangChain 就是为这种让AI自己把活干完的Python框架你只说清要做什么它负责把模型、工具、循环控制组装成一条能跑的流水线而且换模型、加工具都不用推倒重来。这套框架帮你省掉哪三件最烦的事省掉模型→工具→再问模型的手写循环。传统做法里你得自己判断模型要不要调工具、调完后把结果塞回上下文、再判断停不停——这套状态机create_agent在底层帮你做好了你只管声明工具循环、路由、终止它自动处理。省掉换模型就改一片代码的折腾。模型用统一接口init_chat_model(openai:gpt-4o)初始化想换成anthropic:claude或本地ollama改一个字符串就行下游工具、提示词、结构化输出全都不用动。省掉参数校验、报错重试这类脏活。工具的参数schema、调用失败怎么回退、模型输出怎么按格式校验都有统一机制不用每个工具各写一套。 小贴士如果你只是想让模型答句话直接调厂商SDK更简单这套框架的价值在多步骤、要调工具、要可控时才真正体现。五分钟跑起来最快安装与首次调用 先装再跑一句调用确认环境通了uv add langchain langchain-openaifrom langchain.chat_models import init_chat_model model init_chat_model(openai:gpt-4o) # 厂商:模型一行搞定 print(model.invoke(用一句话解释什么是RAG))⚠️ 注意langchain-openai这类厂商包是按需安装的用到哪一家就加哪个不用一次装全家桶。跑通这句说明模型链路已经通了下一步才是把它变成会动手的智能体。跟一个真实需求走一遍让AI查数据再给建议假设你要做一个出行助手用户问北京明天适合跑步吗程序要真的去查天气再结合数据给建议。核心就是三件事——定义工具、声明智能体、发起调用from langchain.agents import create_agent def get_weather(city: str) - str: # 普通函数就是工具 查询城市实时天气。 return f{city} 晴 26°C agent create_agent(modelopenai:gpt-4o, tools[get_weather], system_prompt先查天气再给建议) print(agent.invoke({messages: [{role: user, content: 北京适合跑步吗}]}))边跑边看它内部在干嘛get_weather这种带类型注解和 docstring 的普通函数create_agent会自动读出参数、生成一份工具说明书给模型看。模型读完用户问题自己判断得先查天气于是发出一次工具调用框架执行函数、把北京 晴 26°C作为结果喂回给模型模型再基于这份数据组织出最终答复。整个思考—行动—观察的循环你一行都没写框架替你兜着。 小贴士函数名和 docstring 直接决定了模型什么时候用、怎么传参写清楚比堆代码更重要。工具系统的完整规则可以看仓库内的 工具参考文档。如果还想让答复稳定返回JSON比如要写进数据库给它加一个response_format指向一个 Pydantic 模型即可框架会自动选原生或工具调用两种校验策略失败还会重试细节在 结构化输出文档。什么时候该用、什么时候别用该用任务是多步骤的、需要调多个外部工具查库、调接口、读文件且你要在模型调用之间插入重试、审批、脱敏这类控制逻辑。这些正是它中间件体系擅长的见 中间件参考。别硬用单次问答、纯文案生成直接调厂商SDK更快更省对延迟极敏感的简单链路多一层抽象反而多了开销。另外智能体会自己决定调几次工具token消耗不可完全预测预算敏感的场景要提前设好max_retries和工具调用上限。进阶方向把智能体接进你的业务模型能力本身可以动态切换和降级ModelFallbackMiddleware、运行时换模型适合主模型挂了自动切备用的高可用场景对话记忆、跨会话存储则靠checkpointer和store接上。这些不用现在全懂先看 模型初始化文档 和 Agent 工厂参考 两篇够你把第一个能落地的版本搭起来。新手最容易卡住的4个地方我明明传了工具模型却不调用多半是 docstring 太含糊模型读不出什么时候该用。把参数名、取值范围、适用场景写明白通常立刻生效。换模型后输出格式乱了检查提示词或工具是不是写死了某一家的字段名统一走init_chat_model和response_format格式约束交给框架而不是字符串拼接。怎么知道它调了哪几个工具、花了多少token开debugTrue或接上仓库 回调与追踪文档 里讲的回调机制每一步执行都能落日志。本地模型能跑吗能。装langchain-ollama把model换成ollama:模型名就行链路完全一致快速上手指南 里有完整目录结构可对照。接下来三步今天就能跑通装好环境跑通那句init_chat_model调用写一个你自己的小工具函数用create_agent挂上去给它加response_format让输出稳定成你要的结构【免费下载链接】langchainThe agent engineering platform.项目地址: https://gitcode.com/GitHub_Trending/la/langchain创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考