LangChain 1.0 Agent开发：从创建到部署的完整指南

玄同 765

大语言模型 (LLM) 开发工程师 | 中国传媒大学 · 数字媒体技术（智能交互与游戏设计）

CSDN · 个人主页 | GitHub · Follow

关于作者

• 深耕领域：大语言模型开发 / RAG 知识库 / AI Agent 落地 / 模型微调
• 技术栈：Python | RAG (LangChain / Dify + Milvus) | FastAPI + Docker
• 工程能力：专注模型工程化部署、知识库构建与优化，擅长全流程解决方案

「让 AI 交互更智能，让技术落地更高效」
欢迎技术探讨与项目合作，解锁大模型与智能交互的无限可能！

一、Agent 概述

1.1 Agent 核心概念

LangChain 1.0 Agents系统实现从碎片化到标准化升级，以create_agent为核心接口，基于LangGraph构建统一Agent抽象，10行代码即可创建基础Agent，封装"模型调用→工具选择→执行→结束"闭环流程。Agent是LangChain 1.0的核心创新之一，使智能体开发变得更加简单和标准化。

核心组件：

• 核心API：create_agent() - 简化Agent创建
• 执行引擎：LangGraph Runtime - 提供状态管理和持久化
• 中间件：Middleware - 如HITL（人工干预）、压缩、路由
• 状态管理：AgentState - 统一的状态结构

1.2 Agent 执行流程

1.3 Agent 类型对比

1.4 Agent 系统架构

二、Agent 创建与配置

2.1 基本创建方法

使用create_agentAPI 创建智能体：

fromlangchain.agentsimportcreate_agentfromlangchain_openaiimportChatOpenAIfromlangchain_core.toolsimporttool# 1. 定义工具@tooldefmultiply(a:int,b:int)->int:"""Multiplies a and b."""returna*b@tooldefdivide(a:int,b:int)->float:"""Divides a by b."""ifb==0:raiseValueError("除数不能为零")returna/b# 2. 初始化模型model=ChatOpenAI(model="gpt-4o-mini")# 3. 创建智能体agent=create_agent(model,[multiply,divide])# 4. 执行任务result=agent.invoke({"messages":[{"role":"user","content":"345乘以678等于多少？"}]})print(result["messages"][-1]["content"])

2.2 高级配置选项

create_agent支持多种高级配置选项：

fromlangchain.agentsimportcreate_agentfromlangchain.agentsimportAgentStatefromlangchain_core.runnablesimportRunnablePassthrough# 高级配置示例agent=create_agent(model,tools,# 自定义状态处理state_modifier=RunnablePassthrough.assign(extra_info=lambdax:{"user_id":"123"}),# 自定义输出解析output_parser=None,# 中间件middleware=[],# 最大步数max_steps=10,# verbose模式verbose=True)

三、Agent 状态管理

3.1 AgentState 结构

AgentState 是智能体的核心状态结构，包含以下字段：

3.2 状态持久化

LangGraph 提供了状态持久化功能，支持任务中断后恢复：

fromlanggraph.checkpoint.memoryimportMemorySaverfromlangchain.agentsimportcreate_agent# 1. 创建检查点存储checkpoint_saver=MemorySaver()# 2. 创建智能体agent=create_agent(model,tools,checkpoint_saver=checkpoint_saver,name="my_agent")# 3. 执行任务（带会话ID）result=agent.invoke({"messages":[{"role":"user","content":"345乘以678等于多少？"}]},config={"configurable":{"thread_id":"thread_1"}})# 4. 继续执行（使用相同会话ID）result=agent.invoke({"messages":[{"role":"user","content":"结果除以2是多少？"}]},config={"configurable":{"thread_id":"thread_1"}})

四、中间件与钩子

4.1 内置中间件

LangChain 提供了多种内置中间件，用于增强智能体的功能：

4.2 自定义中间件

fromlangchain_core.runnablesimportRunnablefromlangchain_core.agentsimportAgentStateclassLoggingMiddleware(Runnable):def__init__(self,next_runnable):self.next_runnable=next_runnabledefinvoke(self,input,config=None):# 执行前日志print(f"执行前:{input}")# 执行下一个组件result=self.next_runnable.invoke(input,config)# 执行后日志print(f"执行后:{result}")returnresult# 使用中间件agent=create_agent(model,tools,middleware=[LoggingMiddleware])

五、实战案例

5.1 构建一个客服机器人

fromlangchain.agentsimportcreate_agentfromlangchain_openaiimportChatOpenAIfromlangchain_core.toolsimporttoolimportrequests# 1. 定义工具@tooldefget_product_info(product_id:str)->str:"""获取产品信息"""# 模拟API调用products={"p1":"产品名称：智能手表\n价格：1999元\n库存：100件","p2":"产品名称：无线耳机\n价格：999元\n库存：200件","p3":"产品名称：智能音箱\n价格：599元\n库存：50件"}returnproducts.get(product_id,"产品不存在")@tooldefcreate_order(product_id:str,quantity:int)->str:"""创建订单"""# 模拟创建订单returnf"订单创建成功！产品ID:{product_id}, 数量:{quantity}"# 2. 初始化模型model=ChatOpenAI(model="gpt-4o-mini")# 3. 创建智能体agent=create_agent(model,[get_product_info,create_order])# 4. 测试对话conversations=["我想了解产品p1的信息","帮我创建一个订单，购买2件产品p1","产品p3的价格是多少？"]formsginconversations:result=agent.invoke({"messages":[{"role":"user","content":msg}]})print(f"用户:{msg}")print(f"助手:{result['messages'][-1]['content']}")print("="*50)

5.2 构建一个数据分析助手

fromlangchain.agentsimportcreate_agentfromlangchain_openaiimportChatOpenAIfromlangchain.toolsimportPythonREPLToolimportpandasaspdimportnumpyasnp# 1. 初始化工具python_repl=PythonREPLTool()# 2. 初始化模型model=ChatOpenAI(model="gpt-4o-mini")# 3. 创建智能体agent=create_agent(model,[python_repl])# 4. 测试数据分析任务task="生成100个正态分布的随机数，计算均值和标准差，然后绘制直方图"result=agent.invoke({"messages":[{"role":"user","content":task}]})print(result["messages"][-1]["content"])

六、Agent 性能优化

6.1 优化策略

6.2 监控与评估

使用 LangSmith 监控 Agent 执行情况：

importos# 设置 LangSmith 环境变量os.environ["LANGSMITH_TRACING"]="true"os.environ["LANGSMITH_PROJECT"]="my-agent-project"os.environ["LANGSMITH_API_KEY"]="your-api-key"# 创建并执行 Agentagent=create_agent(model,tools)result=agent.invoke({"messages":[{"role":"user","content":"测试任务"}]})

七、部署与集成

7.1 使用 LangServe 部署

LangServe 可以将 Agent 部署为 REST API：

# app.pyfromfastapiimportFastAPIfromlangchain.serveimportadd_routesfromlangchain.agentsimportcreate_agentfromlangchain_openaiimportChatOpenAIfromlangchain_core.toolsimporttool# 1. 创建工具@tooldefmultiply(a:int,b:int)->int:"""Multiplies a and b."""returna*b# 2. 创建 Agentmodel=ChatOpenAI(model="gpt-4o-mini")agent=create_agent(model,[multiply])# 3. 创建 FastAPI 应用app=FastAPI()# 4. 添加路由add_routes(app,agent,path="/agent")if__name__=="__main__":importuvicorn uvicorn.run(app,host="0.0.0.0",port=8000)

7.2 客户端调用

importrequests# 调用部署的 Agentresponse=requests.post("http://localhost:8000/agent/invoke",json={"input":{"messages":[{"role":"user","content":"345乘以678等于多少？"}]}})print(response.json())

八、应用场景分析

8.1 适合使用 Agent 的场景

• 复杂任务：需要多步骤完成的任务
• 工具依赖：需要调用外部工具的任务
• 决策需求：需要根据情况做出决策的任务
• 知识密集：需要检索和整合知识的任务
• 自动化流程：需要自动执行一系列操作的任务

8.2 Agent 系统的局限性

• 计算成本：多次模型调用增加成本
• 执行时间：多步骤执行可能较慢
• 可靠性：工具调用失败可能影响整体任务
• 复杂性：调试和监控较为复杂

九、总结

LangChain 1.0 的 Agent 系统通过 create_agent API 和 LangGraph 运行时，为开发者提供了构建智能体应用的强大工具。通过本文的介绍，开发者可以掌握 Agent 的创建、配置、状态管理和部署等核心功能，实现复杂任务的自动执行与决策。

在后续的博客中，我们将介绍如何通过 LangGraph 实现更复杂的工作流，以及如何构建完整的智能体应用系统。