基于LangChain与LangGraph构建医疗问诊AI Agent：从原理到实践

1. 为什么从医疗问诊 Agent 开始理解 LangChain 全家桶最有效

如果你正在关注 AI Agent 开发，尤其是想用 LangChain、LangGraph 和 LangSmith 来构建点实际的东西，那么“医疗问诊”这个场景几乎是完美的切入点。它不像“写首诗”那么简单，也不像“全自动股票交易”那么复杂且充满风险。一个问诊 Agent 会逼着你面对 Agent 开发中最核心的几个问题：如何让大模型理解专业领域知识、如何设计多步骤的推理流程、如何持久化对话历史、以及如何监控和调试这个“黑盒”系统的每一步决策。

很多人一上来就去看 LangChain 的官方文档，结果被Runnable、Chain、Memory、Tool这些抽象概念绕晕了。或者直接去跑 LangGraph 的“多智能体”例子，却发现连一个单智能体的状态流转都理不清楚。我的建议是，先别急着看框架能做什么，而是想清楚你要解决什么问题。一个医疗问诊 Agent，天然就需要：

1. 知识检索：从医学知识库或文档中查找信息（对应 LangChain 的Retrieval）。
2. 条件判断：根据用户症状，决定是直接回答、继续追问、还是建议就医（对应 LangGraph 的State和条件边）。
3. 工具调用：可能需要调用计算 BMI、查询药品数据库等外部工具（对应 LangChain 的Tool）。
4. 记忆与历史：记住用户之前提到的症状，进行连贯问诊（对应 LangChain 的Memory或 LangGraph 的持久化状态）。
5. 流程控制：这是一个典型的、有明确节点和分支的工作流（对应 LangGraph 的Graph）。
6. 可观测性：你需要知道 Agent 在哪一步检索了错误信息、为什么做出了某个判断（对应 LangSmith 的Trace）。

通过构建这个具体的 Agent，你会把 LangChain 的组件、LangGraph 的编排、LangSmith 的调试串联起来，理解它们各自扮演的角色和协作方式。这比孤立地学习每个库要高效得多。

2. 环境准备与核心概念对齐：别在第一步就卡住

在动手写代码之前，先把环境和核心职责搞清楚。很多教程默认你已经装好了所有东西，结果你在pip install阶段就遇到各种版本冲突。

2.1 环境与依赖

你需要一个 Python 环境（建议 3.9+）。核心的安装命令很简单：

pip install langchain langgraph langsmith

但这里有几个坑：

• 版本同步：确保你安装的是较新的、相互兼容的版本。直接用pip install langchain langgraph langsmith通常会安装兼容的最新版。但如果后续遇到奇怪错误，先检查版本 (pip show langchain langgraph langsmith)。
• 模型供应商：LangChain 本身不提供模型，你需要一个 LLM 供应商的 API Key。对于学习和原型开发，OpenAI或Anthropic的 API 是最方便的选择。国内环境可以考虑通过合规渠道使用兼容 OpenAI API 的国内大模型服务。这里以 OpenAI 为例：

  pip install openai

  然后在代码中设置环境变量OPENAI_API_KEY。
• LangSmith 是可选的，但强烈建议：LangSmith 是 LangChain 公司提供的商业化平台，用于跟踪、调试和评估 Agent。它有免费额度，对于学习和小型项目完全够用。去 LangSmith 官网注册，获取一个 API Key，并设置环境变量LANGSMITH_API_KEY。它能让你“看见”Agent 的内部思考过程，这是本地调试无法比拟的。

2.2 三驾马车的职责划分

很多人分不清 LangChain、LangGraph 和 LangSmith 的区别，导致用错工具。你可以这样理解：