LangChain 保姆级入门：10 行代码搭建你的第一个 AI 智能体应用

LangChain 保姆级入门：10 行代码搭建你的第一个 AI 智能体应用

【免费下载链接】langchainThe agent engineering platform.项目地址: https://gitcode.com/GitHub_Trending/la/langchain

你有没有遇到过这样的时刻：花了两周时间研究提示词、调接口，终于让 AI 能回答问题了，可它一问三不知——因为模型根本"看不见"你手头的数据。你写的代码里，openai.ChatCompletion.create()换一家厂商就得全部重写，更别提让它自己上网查资料、算个结果、再决定下一步做什么了。

别急着怀疑自己。这个困局几乎是所有 AI 应用开发者的第一道坎，而LangChain——一个被官方定位为"智能体工程平台"（The agent engineering platform）的开源项目，就是为了拆掉这道坎而生的。它是构建AI 智能体和 LLM 应用的事实标准框架，简单到 10 行代码就能跑通第一个对话应用，强大到能支撑生产级的自主决策系统。

它到底能帮你做什么：一张清单看懂 LangChain 的核心能力

在动手之前，先花 30 秒看看 LangChain 能把你从哪些重复劳动里解放出来：

换句话说：模型是大脑，LangChain 是四肢和神经。它帮你把"连接、编排、迭代"这些最繁琐的活儿标准化，让你把精力留在业务本身。

一个真实的例子：让 AI 学会"查单号"的客服智能体

光说不练假把式。我们来看一个最典型、也最能体现 LangChain 价值的场景：给客服 AI 装上"查询订单"的能力。

如果你自己从零写，流程是这样的：先接大模型 API，再写一个查询函数，然后手动设计一套"模型输出 JSON → 程序解析 → 调用函数 → 把结果回填给模型"的循环，还要处理模型偶尔不按格式输出的情况……工程量不小。

用 LangChain 只需要两步。第一步，写一个普通 Python 函数当"工具"：

from langchain_core.tools import tool @tool def query_order(order_id: str) -> str: """根据订单号查询订单状态，例如已发货/配送中。""" return "订单 20260814 状态：配送中，预计明日送达。"

第二步，创建智能体并把工具交给他：

from langchain.chat_models import init_chat_model from langchain.agents import create_agent model = init_chat_model("openai:gpt-5.5") # 一行代码接入模型 agent = create_agent(model=model, tools=[query_order]) result = agent.invoke({"messages": [{"role": "user", "content": "帮我查一下 20260814 的单"}]})

当用户提问时，智能体会自动判断"这需要调用工具"，执行query_order，再把结果组织成自然语言回答。"判断 → 调用 → 回答"的整个闭环，LangChain 都替你包办了。

🎯 结论金句：用 LangChain 写智能体，核心心法就一句——把工具交给它，把流程交给框架。

从零到一：4 步跑通你的第一个 LangChain 项目

放心，这一步很简单，照着做就行。

第 1 步：克隆仓库并安装

git clone https://gitcode.com/GitHub_Trending/la/langchain cd langchain pip install -e "libs/langchain_v1"

这个仓库是一个monorepo（多包仓库），所有核心包都集中在libs/目录下：libs/core/是底层抽象（消息、工具、Runnable 协议），libs/langchain_v1/是当前主版本，libs/partners/放着官方维护的厂商集成（OpenAI、Anthropic、Ollama、DeepSeek、xAI 等）。装好主包后，再按需装你用的厂商集成，比如pip install langchain-openai。

第 2 步：设好密钥。用你最熟悉的方式，把 API Key 写入环境变量即可。

第 3 步：跑通最小对话（也就是 README 里的 Quickstart）：

from langchain.chat_models import init_chat_model model = init_chat_model("openai:gpt-5.5") result = model.invoke("你好，介绍一下你自己") print(result.content)

这一步在做什么？init_chat_model会读取你的环境变量，自动实例化对应厂商的聊天模型。注意模型名的写法是厂商:模型，这是 LangChain 推荐的统一格式。

第 4 步：换成智能体。把第 3 步的代码替换成上文客服机器人的两段代码，你的第一个能调用工具的 AI 智能体就诞生了。

🔑 关键提醒：先跑通"最小对话"，再加工具，再加中间件——每加一层都验证一次，这是避免排查困难的最佳姿势。

新手最容易踩的 5 个坑（附解决办法）

Q1：报错Initializing ChatOpenAI requires the langchain-openai package？这不是玄学，是集成包没装。LangChain 把模型接入拆成了独立包，装哪个厂商就pip install langchain-xxx。

Q2：模型半天不回复，像卡住了？检查是不是模型名写错或网络不通。可以用更小的模型（如gpt-4o-mini）先验证链路。

Q3：智能体调用了工具却报"未知工具"？最常见的错误——工具没在create_agent(tools=[...])里注册。LangChain 的报错信息甚至会直接告诉你两种修复方案，照着改就行。

Q4：换模型要改多少代码？一行都不用改，只改模型名。这就是 LangChain 做"模型互操作"的初衷：厂商演进再快，你的抽象层不动，应用就不会被绑架。

Q5：请求太频繁被限流？去看libs/core/langchain_core/rate_limiters.py，LangChain 提供了现成的限流器，传给rate_limiter参数即可。

💡 避坑口诀：先验证模型，再验证工具，最后调流程。按这个顺序排错，95% 的问题半小时内能定位。

进阶玩法预告：这些能力能让你玩出花

当你跑通基础智能体，LangChain 的"工程平台"属性才开始显露。libs/langchain_v1/langchain/agents/middleware/目录下藏着大量官方中间件，个个都是生产级场景的利器：

• 人机协作（human_in_the_loop.py）：让 AI 在关键操作前停下来等你确认，适合审核类场景；
• 模型回退（model_fallback.py）：主模型挂了自动切换备用模型，服务不中断；
• 敏感信息脱敏（pii.py）：自动识别并替换身份证、手机号等隐私数据，再喂给模型；
• 工具重试（tool_retry.py）：工具调用失败自动重试，提高成功率；
• 多模型路由：用configurable_fields参数让同一个应用在运行时动态切换模型，A/B 测试神器。

想深入，可以从三个方向读源码：底层协议看libs/core/langchain_core/runnables/（一切皆 Runnable），智能体架构看libs/langchain_v1/langchain/agents/factory.py（create_agent的全部秘密），文本处理看libs/text-splitters/。

写在最后：现在就动手

回顾一下：LangChain 帮你统一了 30+ 家模型厂商的接入、封装了智能体的"思考-行动"循环、内置了人机协作与容错机制。它不是让你少写几行代码那么简单——它把**"AI 应用工程化"这件事变成了有标准答案的成熟路径**，让你从"调 API 的苦力"升级为"设计智能体的架构师"。

别把这篇教程看完就关掉。现在就去克隆仓库、跑通那 10 行代码，然后试着给智能体加上你自己的一个工具函数。你会发现，从"AI 能聊天"到"AI 能干活"，中间只隔着一个 LangChain 的距离。🚀

【免费下载链接】langchainThe agent engineering platform.项目地址: https://gitcode.com/GitHub_Trending/la/langchain