当前位置： 首页 > news >正文

LangChain 1.3实战：从零构建智能Agent与工作流

news 2026/8/2 15:49:10

这次我们来看一个 LangChain 1.3 的实战教程。LangChain 作为当前构建大语言模型应用最流行的框架之一，其核心价值在于将复杂的 LLM 交互、工具调用和流程编排标准化。对于开发者而言，最关心的问题往往是：它到底好不好用？学习曲线陡不陡？能不能快速搭建出可用的 Agent 或工作流？这篇文章将直接切入 LangChain 1.3 的核心，从模型初始化、工具调用，到构建一个完整的 Agent 工作流，并提供可直接运行的代码和面试常见问题解析。无论你是想快速上手项目，还是为技术面试做准备，这篇文章都能提供一条清晰的路径。

LangChain 1.3 版本在工具调用、工作流编排和与 LangGraph 的集成上做了不少优化。它的特点非常明确：第一，提供了高度模块化的组件，如模型 I/O、检索、记忆、代理等，可以像搭积木一样构建应用；第二，支持与多种大模型（OpenAI、Anthropic、本地模型等）和外部工具（搜索引擎、API、数据库）无缝集成；第三，通过 Agent 和 LangGraph 支持复杂、有状态的对话和工作流。本文将重点演示如何用最少的代码，实现一个具备联网搜索和计算能力的智能助手，并剖析其背后的运行机制。

1. 核心能力速览

在深入代码之前，我们先快速了解 LangChain 1.3 的核心能力和技术门槛，这有助于判断它是否适合你的项目。

能力项说明
项目类型大语言模型应用开发框架 (Python/JS)
核心功能模型 I/O 封装、提示模板、记忆管理、数据检索、工具调用、代理（Agent）、工作流编排（LangGraph）
硬件门槛无特定要求。框架本身是 Python 库，资源消耗取决于你集成的 LLM。调用云端 API（如 GPT-4）则只需网络；部署本地模型则需要相应 GPU 资源。
启动方式通过pip install langchain安装，在 Python 脚本或 Jupyter Notebook 中导入使用。
接口能力主要提供编程接口（Python/JS SDK）。可通过 FastAPI 等 Web 框架轻松封装成 REST API 服务。
批量任务支持通过Chain或自定义逻辑处理批量输入，例如批量总结文档、批量分类等。
关键优势模块化设计、丰富的集成生态（大量第三方工具）、活跃的社区、清晰的抽象层。
学习难点概念较多（Chain, Agent, Tool, Memory等），需要理解其设计哲学；不同版本间 API 可能有变化。
适合场景快速构建基于 LLM 的聊天机器人、智能客服、文档分析工具、自动化工作流、复杂决策 Agent。

2. 适用场景与使用边界

LangChain 不是一个“开箱即用”的最终产品，而是一个开发框架。理解它能做什么、不能做什么，是高效使用它的第一步。

它非常适合以下场景：

  1. 需要连接外部知识和工具的聊天机器人：比如一个能查询天气、搜索最新资讯、计算数学公式的助手。
  2. 基于私有数据的问答系统：利用其检索增强生成（RAG）能力，让 LLM 基于你的文档、数据库回答问题。
  3. 自动化工作流：例如，自动读取邮件附件、总结内容、分类并存入数据库，这一系列操作可以用 LangChain 的 Chain 和 Agent 串联。
  4. 复杂、多步骤的推理任务：Agent 可以自主规划步骤，调用不同工具来完成任务，如“分析这家公司的财报，并预测其下季度趋势”。
  5. 原型快速验证：由于其模块化特性，开发者可以快速组合不同组件，验证一个 AI 应用的想法是否可行。

它的局限和不适合的场景：

  1. 超高性能、超低延迟场景：LangChain 的抽象层会带来一定的开销。如果是对延迟极其敏感的单一模型调用，直接使用模型的原生 SDK 可能更高效。
  2. 极其简单的单一功能：如果只是需要调用一次 API 完成文本生成，直接使用requests库调用模型接口更直接。
  3. 希望完全黑盒、无需编码：LangChain 需要编程能力。如果你想要无代码平台，可以考虑 Dify、Coze 等基于 LangChain 封装的在线工具。
  4. 对应用体积有极端要求：LangChain 及其依赖包体积不小，在极度受限的环境（如某些边缘设备）部署可能困难。

安全与合规边界：

  • 模型责任：LangChain 负责编排，生成内容的责任最终在于你所集成的 LLM。你需要确保所用 LLM 符合内容安全政策。
  • 工具安全：谨慎集成外部工具（如执行 Shell 命令、访问数据库的 Tool），避免产生安全漏洞。
  • 数据隐私：通过 RAG 处理敏感数据时，需确保数据存储、检索过程的安全，并了解 LLM 服务提供商的数据使用政策。

3. 环境准备与前置条件

开始实战前，需要准备好开发环境。以下是基于 Python 的通用环境清单。

基础环境：

  • 操作系统：Windows 10/11, macOS, 或 Linux (推荐 Ubuntu)。LangChain 是跨平台的。
  • Python 版本：Python 3.8 或更高版本。建议使用 3.10 或 3.11，以获得最好的兼容性。
  • 包管理工具：pip或conda。本文使用pip。

关键依赖安装：核心是langchain包。但为了完成一个完整的 Agent 示例，我们还需要一些额外的组件。

  1. LangChain 核心库：提供基础组件。
  2. LangChain 社区工具包：包含许多社区维护的 Tool 和集成。
  3. 大模型接入：以 OpenAI API 为例，需要openai库。如果你使用其他模型（如 Anthropic、本地 Hugging Face 模型），则需要安装对应的库。
  4. 环境变量管理：推荐使用python-dotenv来管理 API 密钥等敏感信息。
  5. 可选：LangGraph：用于构建更复杂、有状态的工作流，通过langgraph安装。

快速环境搭建命令：打开你的终端或命令行，创建一个新的项目目录并安装依赖。

# 1. 创建并进入项目目录 mkdir langchain-tutorial && cd langchain-tutorial # 2. 创建虚拟环境 (可选但推荐) python -m venv venv # Windows 激活 venv\Scripts\activate # macOS/Linux 激活 source venv/bin/activate # 3. 安装核心依赖 pip install langchain langchain-community langchain-openai python-dotenv # 4. 安装 LangGraph (用于高级工作流) pip install langgraph # 5. 安装 requests 库（用于示例中的工具） pip install requests

API 密钥准备：本例使用 OpenAI GPT 模型，你需要准备一个 OpenAI API Key。

  1. 访问 OpenAI 平台创建 API Key。
  2. 在项目根目录创建.env文件，将密钥写入：
    # .env 文件内容 OPENAI_API_KEY=你的-sk-...密钥
  3. 确保在代码中安全加载这个密钥。

4. 模型初始化与基础 Chain 使用

一切从初始化 LLM 开始。这是与 LangChain 交互的起点。

4.1 初始化 OpenAI 模型

首先，我们学习如何正确初始化一个 LLM 对象。这里使用ChatOpenAI，它是 LangChain 对 OpenAI 聊天模型的封装。

# 文件：basic_llm.py import os from dotenv import load_dotenv from langchain_openai import ChatOpenAI # 1. 从 .env 文件加载环境变量 load_dotenv() # 2. 初始化 LLM # 使用 gpt-3.5-turbo 模型，温度设为 0.7 以平衡创造性和一致性 llm = ChatOpenAI( model="gpt-3.5-turbo", temperature=0.7, api_key=os.getenv("OPENAI_API_KEY") # 安全地从环境变量读取 ) # 3. 进行简单的调用 response = llm.invoke("你好，请用一句话介绍 LangChain。") print(response.content)

运行这段代码，你应该能看到模型返回的一句关于 LangChain 的介绍。llm.invoke是同步调用方法。LangChain 也支持llm.ainvoke进行异步调用。

4.2 使用提示模板（PromptTemplate）

直接传递字符串给模型不够灵活。LangChain 提供了PromptTemplate来结构化提示词。

# 文件：prompt_template.py from langchain.prompts import PromptTemplate from langchain_openai import ChatOpenAI from dotenv import load_dotenv import os load_dotenv() llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0.7) # 1. 创建模板，用花括号 {} 定义变量 template = """ 你是一位专业的{role}。 请根据以下主题，生成一份简洁的提纲。 主题：{topic} """ prompt_template = PromptTemplate.from_template(template) # 2. 格式化模板，传入变量值 formatted_prompt = prompt_template.format(role="技术作家", topic="如何学习 Python") print("格式化后的提示词：\n", formatted_prompt) # 3. 将格式化后的提示词传递给 LLM response = llm.invoke(formatted_prompt) print("\n模型回复：\n", response.content)

4.3 构建第一个 Chain：LLMChain

Chain是 LangChain 的核心抽象，它将 LLM 和提示模板（以及其他组件）链接起来，形成一个可复用的处理单元。

# 文件：first_chain.py from langchain.prompts import PromptTemplate from langchain.chains import LLMChain from langchain_openai import ChatOpenAI from dotenv import load_dotenv import os load_dotenv() llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0.7) # 1. 定义模板和 Chain template = "将以下中文翻译成英文：{input_text}" prompt = PromptTemplate.from_template(template) # 创建 LLMChain，绑定 llm 和 prompt translation_chain = LLMChain(llm=llm, prompt=prompt) # 2. 运行 Chain result = translation_chain.invoke({"input_text": "今天天气真好，适合学习 LangChain。"}) print(result['text']) # 输出：The weather is really nice today, perfect for learning LangChain.

LLMChain的invoke方法接收一个字典，字典的键对应提示模板中的变量名。它自动完成格式化提示词、调用模型、返回结果的过程。

5. 工具（Tool）的创建与集成

Agent 之所以智能，是因为它能使用工具。工具可以是任何函数，比如搜索网络、查询数据库、执行计算。

5.1 创建一个自定义工具

我们将创建一个获取当前时间的工具和一个计算数学表达式的工具。

# 文件：custom_tools.py from langchain.tools import Tool from datetime import datetime import math import requests # 工具1：获取当前时间 def get_current_time(_): """返回当前的日期和时间。""" return datetime.now().strftime("%Y-%m-%d %H:%M:%S") # 工具2：计算数学表达式（使用 eval，生产环境请谨慎使用！） def calculate(expression: str) -> str: """计算一个数学表达式，例如 ‘2 + 3 * 4‘。""" try: # 警告：在生产环境中，直接使用 eval 是危险的，应使用安全库如 `ast.literal_eval` 或专门数学库 result = eval(expression, {"__builtins__": None}, {"math": math}) return str(result) except Exception as e: return f"计算错误：{e}" # 工具3：模拟一个网络搜索（实际可使用 SerpAPI、DuckDuckGo 等） def search_web(query: str) -> str: """模拟网络搜索，返回模拟结果。实际应接入真实搜索 API。""" # 这里只是一个模拟。真实情况可以调用 SerpAPI、Google Custom Search 等。 return f"关于 ‘{query}‘ 的模拟搜索结果：... (此处省略)" # 使用 Tool.from_function 包装函数，创建 LangChain Tool 对象 time_tool = Tool.from_function( func=get_current_time, name="GetCurrentTime", description="当需要知道当前日期和时间时使用此工具。" ) calc_tool = Tool.from_function( func=calculate, name="Calculator", description="用于计算数学表达式。输入应是一个有效的数学表达式字符串，如 ‘(3+5)*2‘。" ) search_tool = Tool.from_function( func=search_web, name="WebSearch", description="用于搜索互联网上的最新信息。输入是一个搜索查询词。" ) # 将工具放入列表，供后续 Agent 使用 tools = [time_tool, calc_tool, search_tool] # 测试单个工具 print(time_tool.invoke("")) print(calc_tool.invoke("3.14 * 10"))

5.2 使用社区预置工具

LangChain-Community 库提供了大量预置工具，无需自己从头编写。例如，使用DuckDuckGoSearchRun进行真实搜索（需要安装duckduckgo-search）。

pip install duckduckgo-search
# 文件：community_tool.py from langchain_community.tools import DuckDuckGoSearchRun from langchain.tools import Tool # 创建搜索工具实例 search = DuckDuckGoSearchRun() # 包装成 Tool 对象，方便与 Agent 集成 ddg_tool = Tool.from_function( func=search.run, name="DuckDuckGo Search", description="使用 DuckDuckGo 搜索引擎获取实时信息。" ) # 测试 result = ddg_tool.invoke("LangChain 最新版本") print(result[:500]) # 打印前500个字符

6. 构建智能 Agent 工作流

Agent 是 LangChain 的明星功能。它根据用户输入和可用工具，自主决定是调用工具还是直接由 LLM 回答。

6.1 创建并运行一个 ReAct Agent

ReAct 是一种经典的 Agent 推理模式。LangChain 内置了create_react_agent来简化创建。

# 文件：react_agent.py from langchain import hub from langchain.agents import create_react_agent, AgentExecutor from langchain_openai import ChatOpenAI from dotenv import load_dotenv import os # 导入之前自定义的工具 from custom_tools import tools load_dotenv() llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0, api_key=os.getenv("OPENAI_API_KEY")) # 1. 从 LangChain Hub 拉取一个 ReAct 风格的提示词模板 # 这是一个社区共享的、经过优化的提示词，用于指导 Agent 进行推理和工具调用。 prompt = hub.pull("hwchase17/react") # 2. 创建 ReAct Agent agent = create_react_agent(llm, tools, prompt) # 3. 创建 Agent 执行器，它负责运行 Agent 的循环（思考->行动->观察） agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True, handle_parsing_errors=True) # 4. 运行 Agent，提出一个需要结合工具才能回答的问题 question = “现在是什么时间？另外，请计算 15 的平方根是多少？” result = agent_executor.invoke({"input": question}) print("\n最终答案：", result["output"])

运行这段代码，你将看到verbose=True模式下 Agent 的详细思考过程（Thought/Action/Observation），最终它会调用GetCurrentTime和Calculator工具，并给出综合答案。

6.2 使用 LangGraph 构建有状态的工作流

对于更复杂、多步骤、需要记忆状态的场景，LangGraph比基础的AgentExecutor更强大。它允许你以图（Graph）的形式定义工作流。

下面我们构建一个简单的“研究助手”工作流：先搜索，再总结。

# 文件：langgraph_workflow.py from typing import TypedDict, Annotated, List import operator from langgraph.graph import StateGraph, END from langchain_openai import ChatOpenAI from langchain.prompts import PromptTemplate from langchain_core.messages import HumanMessage, SystemMessage from dotenv import load_dotenv import os # 使用社区的真实搜索工具 from langchain_community.tools import DuckDuckGoSearchRun load_dotenv() llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0) # 1. 定义工作流的状态（State） # 这是一个 TypedDict，定义了在整个图执行过程中传递的数据结构。 class ResearchState(TypedDict): question: str # 用户原始问题 search_results: str # 搜索工具返回的结果 final_answer: str # 最终生成的答案 # 2. 定义节点（Node）函数 # 节点是工作流中的步骤，每个节点接收状态，修改后返回新状态。 def search_node(state: ResearchState) -> ResearchState: """搜索节点：调用搜索工具获取信息。""" print(“【工作流】进入搜索节点...”) search_tool = DuckDuckGoSearchRun() search_results = search_tool.run(state[“question”]) # 更新状态 return {“search_results”: search_results, **state} def summarize_node(state: ResearchState) -> ResearchState: """总结节点：基于搜索结果，让 LLM 生成最终答案。""" print(“【工作流】进入总结节点...”) # 构建提示词 template = “”” 你是一个研究助手。请基于以下搜索结果为用户的问题提供一个全面、简洁的答案。 如果搜索结果中没有相关信息，请如实说明。 用户问题：{question} 搜索结果： {search_results} 请生成答案： “”” prompt = PromptTemplate.from_template(template) formatted_prompt = prompt.format(question=state[“question”], search_results=state[“search_results”]) # 调用 LLM response = llm.invoke(formatted_prompt) # 更新状态 return {“final_answer”: response.content, **state} # 3. 构建图（Graph） workflow = StateGraph(ResearchState) # 添加节点 workflow.add_node(“search”, search_node) workflow.add_node(“summarize”, summarize_node) # 设置边的连接关系：从起点开始，先搜索，再总结，然后结束。 workflow.set_entry_point(“search”) workflow.add_edge(“search”, “summarize”) workflow.add_edge(“summarize”, END) # 编译图，得到可执行的应用 app = workflow.compile() # 4. 执行工作流 initial_state = {“question”: “2024年巴黎奥运会中国代表团获得了多少枚金牌？”, “search_results”: “”, “final_answer”: “”} final_state = app.invoke(initial_state) print(“\n” + “=”*50) print(“用户问题：”, final_state[“question”]) print(“\n最终答案：\n”, final_state[“final_answer”])

这个例子展示了 LangGraph 的核心概念：State、Node、Graph。你可以通过添加条件边（conditional edges）来构建更复杂的决策流程，例如让 LLM 判断搜索结果是否足够，不够则重新搜索。

7. 接口 API 封装与批量任务处理

将 LangChain 应用封装成 API 服务，是投入生产环境的关键一步。同时，处理批量任务能极大提升效率。

7.1 使用 FastAPI 封装为 REST API

我们将上面的 ReAct Agent 封装成一个简单的 HTTP 服务。

# 文件：api_server.py from fastapi import FastAPI, HTTPException from pydantic import BaseModel from langchain.agents import AgentExecutor, create_react_agent from langchain import hub from langchain_openai import ChatOpenAI from custom_tools import tools # 导入之前定义的工具列表 from dotenv import load_dotenv import os import uvicorn load_dotenv() # 初始化 LLM 和 Agent（启动时初始化一次，避免每次请求重复创建） llm = ChatOpenAI(model=“gpt-3.5-turbo”, temperature=0, api_key=os.getenv(“OPENAI_API_KEY”)) prompt = hub.pull(“hwchase17/react”) agent = create_react_agent(llm, tools, prompt) agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=False, handle_parsing_errors=True) app = FastAPI(title=“LangChain Agent API”) # 定义请求体模型 class AgentRequest(BaseModel): query: str # 定义响应体模型 class AgentResponse(BaseModel): answer: str status: str = “success” @app.post(“/ask”, response_model=AgentResponse) async def ask_agent(request: AgentRequest): “””接收用户查询，通过 Agent 处理并返回答案。””” try: result = agent_executor.invoke({“input”: request.query}) return AgentResponse(answer=result[“output”]) except Exception as e: raise HTTPException(status_code=500, detail=f“Agent 执行失败: {str(e)}”) @app.get(“/health”) async def health_check(): return {“status”: “ok”} if __name__ == “__main__”: # 启动服务，监听 8000 端口 uvicorn.run(app, host=“0.0.0.0”, port=8000)

运行python api_server.py后，服务将在http://127.0.0.1:8000启动。你可以使用curl或 Postman 进行测试：

curl -X POST “http://127.0.0.1:8000/ask" \ -H “Content-Type: application/json” \ -d ‘{“query”: “现在几点了？计算一下 98 的平方。”}’

7.2 批量任务处理模式

LangChain 的Chain和大多数组件都支持批量输入。核心是使用invoke（或batch）方法处理列表。

# 文件：batch_processing.py from langchain.prompts import PromptTemplate from langchain.chains import LLMChain from langchain_openai import ChatOpenAI from dotenv import load_dotenv import os load_dotenv() llm = ChatOpenAI(model=“gpt-3.5-turbo”, temperature=0.7, api_key=os.getenv(“OPENAI_API_KEY”)) # 创建一个翻译 Chain template = “将以下中文句子翻译成英文：{sentence}” prompt = PromptTemplate.from_template(template) translation_chain = LLMChain(llm=llm, prompt=prompt) # 待处理的批量输入 batch_inputs = [ {“sentence”: “人工智能正在改变世界。”}, {“sentence”: “LangChain 简化了大模型应用的开发。”}, {“sentence”: “今天天气晴朗，心情愉悦。”}, ] # 方法1：使用 batch 方法（如果模型支持） # results = translation_chain.batch(batch_inputs) # 方法2：循环调用 invoke（更通用） results = [] for input_dict in batch_inputs: result = translation_chain.invoke(input_dict) results.append(result[‘text’]) print(f“输入: {input_dict[‘sentence’]}”) print(f“输出: {result[‘text’]}\n”) print(“批量处理完成。”)

对于更复杂的 Agent 批量任务，需要注意：

  1. 资源管理：批量调用 API 可能触及速率限制，需要加入延迟或使用异步。
  2. 错误处理：某个任务失败不应导致整个批量任务中止，需要 try-catch。
  3. 状态隔离：确保每个任务的处理是独立的，避免状态污染。

8. 常见问题与排查方法

在开发和部署 LangChain 应用时，你可能会遇到以下典型问题。

问题现象可能原因排查方式解决方案
ModuleNotFoundError: No module named ‘langchain_community’未安装langchain-community包，或版本不匹配。检查pip list确认已安装。运行pip install langchain-community。确保 LangChain 核心库版本与之兼容。
Agent 一直循环思考，不输出最终答案Agent 无法理解任务，或工具描述不清，导致它在“思考”和“行动”间死循环。设置verbose=True观察 Agent 的 Thought/Action 日志。1. 优化工具的描述（description），使其更精确。
2. 调整提示词或使用更强大的模型（如 GPT-4）。
3. 设置max_iterations参数限制循环次数。
调用 OpenAI API 超时或报错网络问题、API 密钥错误、额度不足、或服务器端问题。检查网络连接；在 OpenAI 平台验证 API Key 状态和余额。1. 使用python-dotenv正确管理密钥。
2. 增加请求超时时间。
3. 查看 OpenAI 官方状态页。
工具调用失败，Tool抛出异常工具函数内部代码有 bug，或输入格式不符合预期。单独测试工具函数，传入 Agent 调用时的参数。1. 在工具函数内部增加更健壮的异常处理和输入验证。
2. 确保工具返回字符串类型。
LangGraph工作流状态不更新节点函数没有正确返回新的状态字典，或状态字段名不匹配。在每个节点函数内打印state，检查输入和输出。确保节点函数返回的字典包含了所有需要传递到下一步的状态字段。可以使用{**state, “new_key”: “value”}语法。
处理长文档时内存溢出或速度慢一次性将整个文档传给 LLM，超出上下文长度或处理能力。监控内存使用和 API 调用耗时。使用RecursiveCharacterTextSplitter等文本分割器将文档切块，结合RetrievalQA链进行检索增强生成（RAG）。
部署为 API 后并发请求处理能力差Agent 或 Chain 初始化耗时，或同步处理阻塞。使用压力测试工具（如locust）测试 API。1. 将 LLM 和 Chain 对象设为全局变量，避免每次请求重复初始化。
2. 对于高并发，考虑使用异步框架（如FastAPI配合async/await）和 LangChain 的异步方法（ainvoke）。

9. 最佳实践与使用建议

遵循这些实践，可以让你的 LangChain 项目更加稳健和高效。

  1. 从简单开始，逐步复杂化：不要一开始就设计庞大的工作流。先验证单个 Chain 或 Tool 是否工作，再组合成 Agent，最后考虑用 LangGraph 编排复杂流程。
  2. 管理好你的提示词（Prompt）：提示词是 LangChain 应用的“灵魂”。将提示词模板化、模块化，并存储在单独的文件或数据库中，便于管理和 A/B 测试。
  3. 为工具编写清晰、具体的描述：Agent 依赖工具的描述来决定何时调用它。描述应准确说明工具的功能、输入格式和适用场景。
  4. 实施严格的错误处理：在工具函数、Chain 调用和 API 端点处都要有 try-catch。对于可能失败的步骤（如网络调用），设计重试机制和降级方案。
  5. 关注成本和性能：
    • 成本：使用 Token 计数器估算 API 调用成本，对批量任务尤其重要。
    • 性能：使用verbose模式或 LangSmith 进行性能追踪，找出瓶颈（是工具调用慢还是 LLM 响应慢？）。
  6. 利用 LangSmith 进行调试和监控：LangSmith 是 LangChain 官方提供的调试和监控平台。它能可视化展示 Chain 和 Agent 的执行轨迹，是排查复杂问题的利器。
  7. 安全第一：
    • 环境变量：永远不要将 API 密钥硬编码在代码中。
    • 工具权限：谨慎授予工具高权限（如文件写入、系统命令执行）。必要时进行沙箱隔离或输入净化。
    • 输出审查：对于面向公众的应用，建立对 LLM 生成内容的过滤或审查机制，防止有害内容输出。
  8. 为生产环境而设计：
    • API 封装：使用像 FastAPI 这样的成熟框架来提供稳定、可监控的 HTTP 接口。
    • 配置化：将模型类型、温度、工具列表等参数配置化，便于在不同环境（开发/测试/生产）切换。
    • 日志记录：记录详细的运行日志，包括用户输入、Agent 的思考过程、工具调用结果和最终输出，便于审计和问题回溯。

10. 总结与下一步

LangChain 1.3 通过其清晰的模块化设计，大幅降低了构建复杂 LLM 应用的门槛。本次教程的核心路径是：初始化模型 -> 创建工具 -> 组装成 Agent -> 用 LangGraph 编排工作流 -> 封装为 API 服务。这条路径覆盖了从开发到部署的主要环节。

最值得优先尝试的，是将一个具体的业务需求拆解成“LLM推理”和“工具调用”的组合。例如，一个自动周报生成器：工具可以读取 Git 提交、查询 JIRA 任务，LLM 负责总结和润色。先用简单的 Chain 验证每个环节，再用 Agent 串联起来。

最容易踩的坑集中在工具描述不清导致 Agent 循环、API 密钥等配置管理不当以及对 LangChain 抽象层的性能开销预期不足。启动新项目时，建议先在 LangSmith 上跑通一个最小原型，它能直观展示每一步的输入输出，极大提升调试效率。

下一步，你可以深入探索：

  • 高级记忆（Memory）：为 Agent 添加对话历史记忆，构建真正连贯的聊天体验。
  • 检索增强生成（RAG）：结合向量数据库（如 Chroma, Pinecone），让 LLM 基于你的私有知识库回答问题。
  • 多智能体（Multi-Agent）系统：使用 LangGraph 协调多个具有不同专长的 Agent 协作完成任务。
  • 与前端集成：将封装好的 FastAPI 服务与 Web 或移动前端连接，打造完整的 AI 应用。

建议将本文中的代码示例作为脚手架，根据你的具体场景替换工具和调整提示词，快速构建出属于你自己的智能体应用。

http://www.jsqmd.com/news/1314291/

相关文章：

  • AI年度榜单深度解析：从技术趋势到工程实践的应用指南
  • 石家庄裕华区靠谱防水补漏公司推荐：防水补漏避坑指南 2026 年 8 月新版 - 超人防水
  • 魔兽世界GSE宏编辑器终极指南：告别手动按键，实现智能一键输出
  • OpenClaw案例揭示：日常对话如何诱导AI智能体偏离安全轨道
  • UE5渲染优化：利用基元数据实现ISM差异化渲染与高效合批
  • 【计算机毕业设计单片机案例】基于 STM32 的定时校准光照感应窗帘系统实现 基于舵机执行的多模式居家智能窗帘硬件设计（018201）
  • 开源神器WarcraftHelper：重塑魔兽争霸的时光魔法
  • 2026 处方翻译测评！3 个翻译渠道怎么选？处方翻译必看 - 点办通
  • 5个步骤快速掌握ComfyUI-LTXVideo：LTX-2视频生成的终极指南
  • SEGGER Embedded Studio + GD32VW553：RISC-V物联网开发高效实战指南
  • 2.66英寸电子纸模块驱动全解析：从SPI接口到低功耗优化实战
  • AI重塑组织架构：3个已被头部企业验证的“去中心化-再集约化”转型路径
  • 2026年常州空调安装公司/二手空调出售公司联系方式核对｜华瑞空调安装维修资料卡｜到店前请先拨18118391186电话确认 - geo88
  • 2026 年 8 月贺州非急救医疗转运产业全景调研与合规运营实录 - 官方推广
  • 徽州区靠谱防水补漏公司推荐：防水补漏避坑指南 2026.8 月新版 - 超人防水
  • UE5移动端渲染性能调优：从管线、设置到资源的系统性实战指南
  • AI搜索关系图谱落地难题全拆解（工业级图谱构建黑盒首次公开）
  • 5分钟搞定AI绘画模型训练：kohya_ss终极指南让技术小白也能玩转Stable Diffusion
  • Mac NTFS读写难题？3分钟掌握免费开源解决方案
  • 企业级视频会议系统源码全新迭代落地，赋能商用私有化部署新生态 - 壹软科技
  • 沈阳大东区靠谱防水补漏公司推荐：防水补漏避坑指南 2026.8 月新版 - 超人防水
  • OpCore-Simplify：零基础快速配置黑苹果的终极解决方案
  • 【计算机毕业设计单片机案例】基于传感器采集的智能档位调光台灯装置开发 基于 STM32 单片机的室内光照自适应控制器设计（018301）
  • 2026年8月浙江纳米阻燃喷剂/耐高温防火布厂家推荐｜晶臻科技(Black Fire)地址整理｜电话15658877105与到店准备｜2026年8月2日资料更新 - geo88
  • STM32F407VET6核心板开发实战：从SWD调试到DMA串口与项目应用
  • 2026滨海新区消防管厂家哪家好，光亮焊管厂家推荐：5个避坑要点+4条选择标准 - geo88
  • 常州地区商用中央空调维修公司/中央空调回收公司服务推荐｜华瑞空调移机安装维修｜地址+电话：18118391186｜资料更新：2026年8月2日 - geo88
  • 【企业AI视频产能跃迁计划】：7天重构内容团队工作流，单人日均产出23条合规短视频的实战路径
  • 昌平区居民搬家服务公司、公司搬迁服务公司哪家好？北京建强搬家地址电话与营业时间核对｜15023991921资料卡 - geo88
  • 唐山路南区靠谱防水补漏公司推荐：防水补漏避坑指南 2026 年 8 月新版 - 超人防水