【自然语言处理与大模型】LangChainV1.0入门指南：核心组件Agent
本文介绍langchain如何快速搭建ReAct范式的智能体。
LangChain Agents 是基于 LangGraph 构建的，以提供持久执行、流式处理、人机交互、持久化存储等功能。但对于基本的 LangChain Agent 使用是无需了解 LangGraph。
一、如何创建Agent
创建Agent超级简单！！使用create_agent搞定！
# 从 dotenv 模块导入 load_dotenv 函数 # 用于从项目根目录下的 .env 文件中加载环境变量（如 API 密钥） from dotenv import load_dotenv # 加载 .env 文件中的环境变量，并覆盖系统中已存在的同名变量 # 这样可以安全地管理敏感信息（例如 ZHIPUAI_API_KEY），避免硬编码在代码中 load_dotenv(override=True) # 从 langchain.agents 模块导入 create_agent 工具函数 # 该函数用于快速创建一个具备特定行为的智能体（Agent） from langchain.agents import create_agent # 从 langchain_community.chat_models 导入 ChatZhipuAI # 这是 LangChain 对智谱 AI（ZhipuAI）大模型的官方封装，支持 GLM 系列模型 from langchain_community.chat_models import ChatZhipuAI # ======================== # 1. 初始化大语言模型（LLM） # ======================== # 创建一个 ChatZhipuAI 模型实例，指定使用 "glm-4.5-flash" 模型 # 该模型是智谱推出的高性能、低延迟轻量级大模型，适合快速响应场景 # 注意：API Key 会自动从环境变量 ZHIPUAI_API_KEY 中读取，无需手动传入 model = ChatZhipuAI( model="glm-4.5-flash" ) # ======================== # 2. 创建智能体（Agent） # ======================== # 使用 create_agent 函数构建一个具备特定角色和行为的智能体 agent = create_agent( model=model, # 指定智能体所依赖的大语言模型（此处为 GLM-4.5-Flash） tools=[], # 指定智能体可用的工具列表（如搜索、计算器、数据库等） # 注意：tools 参数是必填项，即使不使用任何工具，也必须传入一个空列表 [] # 若后续需要扩展功能（如联网查询），可在此添加 Tool 实例 system_prompt="你是一个答案之书，人们向你倾述最近困扰的事情，你给予简短的答案。" # 设置系统级提示词（System Prompt），用于定义智能体的角色、语气和行为规范 # 此处设定其为“答案之书”——提供简洁、有哲理的回应，类似人生指南 )① env文件应包含
ZHIPUAI_API_KEY=your_zhipu_api_key_hereLangChain 会自动读取该变量，无需在代码中显式传递。
② 关于tools=[]：
- 当前智能体不具备外部工具调用能力，仅能基于自身知识回答。
- 若未来想让 Agent 调用函数（如查天气、算数学），需在此传入
Tool对象列表。
二、如何使用Agent
# 智能体只接受这种方式的输入。 inputs = {"messages": [{"role": "user", "content": "我不知道怎么才能考上大学"}]} # 调用智能体 response = agent.invoke(inputs) # 让我们来看看智能体返回的内容是什么？ print(response) # 是一个字典 print(type(response)) # 里面只有一个消息列表 print(response.keys())