当前位置：首页 > news >正文

0基础小白如何轻松入门LangChain？一次性搞懂Model与Agent实战指南！

news 2026/7/10 7:31:52

0基础小白如何轻松入门LangChain？一次性搞懂Model与Agent实战指南！一、什么是LangChain？为什么它这么火？

LangChain 是一个用于构建大语言模型（LLM）应用的开源框架。你可以把它理解成一个「超级工具箱」，它能帮你把 ChatGPT、Claude、DeepSeek 这些大模型的能力，和你自己的数据、API、数据库串联起来，做出真正有用的 AI 应用。

对于0基础小白来说，LangChain 最大的价值在于：你不需要从零手写复杂的 Prompt 拼接逻辑，也不用手动处理大模型的各种调用细节，LangChain 已经把常见的开发模式封装好了，拿来就能用。

举个简单例子：如果你想做一个能自动阅读 PDF 文档并回答问题的 AI 助手，用 LangChain 可能只需要几十行代码就能搞定。

二、环境准备：5分钟快速搭建

在开始写代码之前，先把开发环境搭好。只需要三步：

2.1 安装 Python

确保你的电脑上安装了 Python 3.9 或以上版本。可以在终端里输入python --version检查。

2.2 安装 LangChain 和相关依赖

pip install langchain langchain-openai

如果你用的是国内的镜像源，可以加上-i https://pypi.tuna.tsinghua.edu.cn/simple加速下载。

2.3 获取 API Key

你需要一个大模型的 API Key。推荐去 OpenAI 官网或者国内的 DeepSeek、通义千问等平台申请一个。拿到 Key 之后，用环境变量的方式设置它：

import os os.environ["OPENAI_API_KEY"] = "你的API-KEY"

三、核心概念一：Model（模型）——应用的「大脑」

在 LangChain 中，Model是整套系统的核心引擎，所有智能任务都由它来驱动。对于新手，你只需要掌握两种模型就够了：

3.1 LLM（大语言模型）

LLM 是最基础的模型类型，它接收一段文字作为输入，返回一段文字作为输出。用法非常简单：

from langchain_openai import OpenAI llm = OpenAI(model="gpt-3.5-turbo-instruct", temperature=0.7) result = llm.invoke("请用一句话介绍什么是人工智能") print(result)

上面这段代码的作用就是：把问题丢给 GPT 模型，它回答一句话，然后打印出来。

3.2 ChatModel（聊天模型）

ChatModel 是专门为对话场景设计的模型。和普通 LLM 不同，它能理解「角色」的概念——谁是用户、谁是助手、谁是系统。这让我们可以给 AI 设定人设：

from langchain_openai import ChatOpenAI from langchain.schema import SystemMessage, HumanMessage chat = ChatOpenAI(model="gpt-4o", temperature=0.7) messages = [ SystemMessage(content="你是一位风趣幽默的 Python 编程老师，喜欢用生活中的例子讲解知识。"), HumanMessage(content="请用一句话解释什么是变量") ] response = chat.invoke(messages) print(response.content)

运行这段代码，AI 会扮演一位幽默的编程老师来回答你的问题，而不是冷冰冰地抛出教科书定义。

四、核心概念二：Agent（智能体）——让AI自己「思考」和「行动」

如果说 Model 是 AI 的「大脑」，那Agent就是 AI 的「大脑+双手」。Agent 不仅能思考，还能自己决定要做什么、用什么工具、按什么顺序做，直到完成任务。

4.1 Agent 是怎么工作的？

Agent 的思考循环（也叫 ReAct 模式）是这样的：

观察（Observation）：看到用户的提问和当前已知信息；
思考（Thought）：判断「我还缺什么信息？我应该用哪个工具？」；
行动（Action）：调用工具（比如搜索网页、查询数据库、执行计算）；
重复：拿到工具返回的结果后，再思考下一步动作，直到能给出最终答案。

对于小白来说，你不需要手写这套逻辑，LangChain 已经帮你封装好了。

4.2 你的第一个 Agent：能搜索网页的AI助手

下面我们做一个能在网上搜信息的 Agent。你可以把它理解成一个会自动百度/Google 的 AI：

from langchain_openai import ChatOpenAI from langchain.agents import load_tools, initialize_agent, AgentType 1. 初始化大模型（Agent的「大脑」） llm = ChatOpenAI(model="gpt-4o", temperature=0) 2. 加载工具（Agent的「双手」） tools = load_tools(["serpapi"], llm=llm) # serpapi是一个搜索引擎工具 3. 创建 Agent agent = initialize_agent( tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True # 设为True可以看到Agent的思考过程 ) 4. 让Agent干活！ agent.invoke("今天北京的天气怎么样？")

运行后你会看到很有意思的输出——Agent 会先自言自语：「我需要查天气……好，我调用搜索工具……搜索结果是……好的，我可以回答了。」整个过程完全透明，非常适合学习和调试。

4.3 自定义工具：让Agent查数据库

除了用现成的工具，你还可以自己写工具给 Agent 用。比如做一个能查询商品价格的工具：

from langchain.tools import tool @tool def query_product_price(product_name: str) -> str: """查询指定商品的价格。输入商品名称，返回价格信息。""" # 模拟数据库查询 price_db = { "iPhone 16": "7999元起", "MacBook Pro": "12999元起", "AirPods Pro": "1899元" } return price_db.get(product_name, "未找到该商品价格") 把这个自定义工具加载给Agent tools = [query_product_price] agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True) agent.invoke("iPhone 16和AirPods Pro分别多少钱？哪个更贵？")

Agent 会自动判断需要查哪几个商品的价格，依次调用工具，然后再对比分析，最后给出答案。是不是很神奇？

五、实战案例：构建一个智能旅游助手

学到这里，我们把 Model 和 Agent 结合起来，做一个更完整的例子：智能旅游助手。它能根据用户的目的地，自动搜索当地天气和景点信息，最后给出旅行建议。

from langchain_openai import ChatOpenAI from langchain.agents import load_tools, initialize_agent, AgentType from langchain.tools import tool 自定义工具：获取旅行贴士 @tool def get_travel_tips(city: str) -> str: """获取指定城市的实用旅行贴士""" tips_db = { "北京": "推荐游玩3-5天。春秋最佳，提前预约故宫门票，地铁出行很方便。", "上海": "推荐游玩2-3天。外滩夜景必看，可以坐地铁2号线贯穿主要景点。", "成都": "推荐游玩3-4天。一定要吃火锅，大熊猫基地要早上去才看得到活跃的熊猫。" } return tips_db.get(city, "建议提前查好当地天气和热门景点，带好身份证件。") 初始化 llm = ChatOpenAI(model="gpt-4o", temperature=0.3) tools = load_tools(["serpapi"], llm=llm) + [get_travel_tips] agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True) 开始对话 response = agent.invoke("我计划下个月去成都旅游3天，帮我查一下天气，并给我一份旅行建议。") print(response["output"])