用10行代码打造AI Agent：新手小白也能快速上手大模型开发（收藏版）

用10行代码打造AI Agent：新手小白也能快速上手大模型开发（收藏版）

本文对比了传统AI开发与LangChain的效率差异，通过定义工具、配置系统提示和结构化输出等核心组件，展示了如何用极简代码实现具备记忆和多工具调用能力的Agent。文章以“开咖啡店”为喻，生动解释了创建Agent的5个步骤，并提供了完整示例代码。此外，还详细解析了系统提示、工具、结构化输出和记忆等关键组件，并探讨了客服助手、个人助手等不同业务场景的Agent应用。本文适合初学者快速入门大模型应用开发，助你轻松掌握AI开发新技能。

简单来说

快速开始只需 5 步：定义工具 → 创建 Agent → 配置参数 → 运行测试 → 扩展功能。

就像做一道菜：准备食材（工具）→ 点火（创建 Agent）→ 调味（配置）→ 翻炒（运行）→ 摆盘（扩展）。

🎯 本节目标

读完本节，你将能够回答这些问题：

• ❓ 如何用 10 行代码创建一个会查天气的 Agent？
• ❓ 系统提示（System Prompt）有什么用？如何写一个好的系统提示？
• ❓ 什么是结构化输出？为什么要用它？
• ❓ 如何让 Agent 记住之前的对话？
• ❓ 真实世界的 Agent 需要哪些组件？

核心痛点与解决方案

痛点：AI 开发的"起步困难症"

传统做法 vs LangChain 效率对比

举个例子： 你想做一个能查天气的 AI 助手。

传统做法：

1. **注册天气 API 账号** 2. **写天气 API 调用代码** 3. **写 OpenAI 调用代码** 4. **写逻辑：用户问天气就调用天气 API** 5. **测试、调试、修复 bug** 6. **想加记忆功能？重写一半代码**

解决：LangChain 一键生成

import { createAgent, tool } from"langchain"; import * as z from"zod"; // 1. 定义天气工具 const getWeather = tool( (input) =>`It's always sunny in ${input.city}!`, { name: "get_weather", description: "Get the weather for a given city", schema: z.object({ city: z.string() }), } ); // 2. 创建 Agent const agent = createAgent({ model: "claude-sonnet-4-5-20250929", tools: [getWeather], }); // 3. 运行测试 const result = await agent.invoke({ messages: [{ role: "user", content: "东京天气怎么样？" }], }); console.log(result.messages.at(-1)?.content); // Output: It's always sunny in Tokyo!

效果对比：

生活化类比：创建 Agent 就像开咖啡店

创建 Agent 就像开咖啡店

步骤一：创建基础 Agent（10 行代码）

创建基础 Agent 流程

完整代码

import { createAgent, tool } from"langchain"; import * as z from"zod"; // 1. 定义天气工具 const getWeather = tool( (input) =>`It's always sunny in ${input.city}!`, { name: "get_weather", description: "Get the weather for a given city", schema: z.object({ city: z.string() }), } ); // 2. 创建 Agent const agent = createAgent({ model: "claude-sonnet-4-5-20250929", tools: [getWeather], }); // 3. 运行测试 const result = await agent.invoke({ messages: [{ role: "user", content: "东京天气怎么样？" }], }); // 4. 查看结果 console.log(result.messages.at(-1)?.content); // Output: It's always sunny in Tokyo!

代码解析

❝

💡 人话解读：

• tool()函数就像"注册一个技能"，告诉 Agent 它会什么
• createAgent()就像"雇佣一个员工"，给他技能和大脑
• invoke()就像"给员工派任务"，他会自己想办法完成

步骤二：创建真实世界的 Agent

真实世界 Agent 架构

真实世界的 Agent 需要什么？

完整示例：天气预报助手（会说双关语）

import { createAgent, tool } from"langchain"; import { MemorySaver } from"@langchain/langgraph"; import * as z from"zod"; // 1. 定义系统提示 const systemPrompt = `You are an expert weather forecaster, who speaks in puns. You have access to two tools: - get_weather_for_location: use this to get the weather for a specific location - get_user_location: use this to get the user's location If a user asks you for the weather, make sure you know the location. If you can tell from the question that they mean wherever they are, use the get_user_location tool to find their location.`; // 2. 定义工具 const getWeather = tool( ({ city }) =>`It's always sunny in ${city}!`, { name: "get_weather_for_location", description: "Get the weather for a specific location", schema: z.object({ city: z.string() }), } ); const getUserLocation = tool( (_, config) => { const { user_id } = config.context; return user_id === "1" ? "Florida" : "SF"; }, { name: "get_user_location", description: "Get the user's current location", schema: z.object({}), } ); // 3. 定义结构化输出格式 const responseFormat = z.object({ punny_response: z.string(), weather_conditions: z.string().optional(), }); // 4. 设置记忆 const checkpointer = new MemorySaver(); // 5. 创建 Agent const agent = createAgent({ model: "claude-sonnet-4-5-20250929", systemPrompt, tools: [getUserLocation, getWeather], responseFormat, checkpointer, }); // 6. 运行 Agent const config = { configurable: { thread_id: "1" }, context: { user_id: "1" }, }; // 第一次提问：问外面的天气 const response1 = await agent.invoke( { messages: [{ role: "user", content: "外面天气怎么样？" }] }, config ); console.log("First response:", response1.structuredResponse); // 第二次提问：继续对话 const response2 = await agent.invoke( { messages: [{ role: "user", content: "谢谢！" }] }, config ); console.log("Second response:", response2.structuredResponse);

预期输出

// 第一次回答 First response: { punny_response: "Florida is still having a 'sun-derful' day! The sunshine is playing 'ray-dio' hits all day long!", weather_conditions: "It's always sunny in Florida!" } // 第二次回答 Second response: { punny_response: "You're 'thund-erfully' welcome! It's always a 'breeze' to help you stay 'current' with the weather.", weather_conditions: undefined }

❝

💡 人话解读：

• 系统提示让 Agent 成为"会说双关语的天气预报员"
• get_user_location工具让 Agent 知道用户在哪里
• 结构化输出让 Agent 返回固定格式的数据
• checkpointer让 Agent 记住之前的对话

核心组件详解

1. 系统提示（System Prompt）

什么是系统提示？ 系统提示是给 Agent 的"身份说明书"，告诉它：

• 你是谁（角色）
• 你该怎么说话（风格）
• 你有什么工具（能力）
• 你该怎么使用工具（规则）

好的系统提示的特点：

2. 工具（Tools）

工具的结构：

const myTool = tool( (input, config) => { // 工具逻辑：接收输入，返回结果 return"工具执行结果"; }, { name: "tool_name", // 工具名字 description: "工具描述", // Agent 靠这个决定何时使用 schema: z.object({ // 参数验证 param1: z.string(), param2: z.number(), }), } );

工具的参数：

3. 结构化输出（Response Format）

什么是结构化输出？ 让 Agent 返回固定格式的数据，而不是自由文本。

为什么要用？

• ✅ 格式统一，方便后续处理
• ✅ 类型安全，减少错误
• ✅ 前端展示更方便

使用方法：

const responseFormat = z.object({ name: z.string(), // 必需字段 age: z.number().optional(), // 可选字段 tags: z.array(z.string()), // 数组 }); const agent = createAgent({ // ... responseFormat, // 告诉 Agent 返回这个格式 }); // 使用时 const result = await agent.invoke({/* ... */}); console.log(result.structuredResponse); // 直接得到结构化对象

4. 记忆（Memory）

什么是记忆？ 让 Agent 记住之前的对话，保持上下文连续性。

如何使用？

import { MemorySaver } from"@langchain/langgraph"; // 创建记忆存储 const checkpointer = new MemorySaver(); const agent = createAgent({ // ... checkpointer, // 添加记忆 }); // 运行时需要 thread_id const config = { configurable: { thread_id: "conversation_1" }, // 每个对话一个 ID }; // 第一次对话 await agent.invoke({/* ... */}, config); // 第二次对话（用同一个 thread_id） await agent.invoke({/* ... */}, config);

❝

⚠️ 注意：MemorySaver是内存存储，重启后会丢失。生产环境要用持久化存储，比如数据库。

业务场景：不同类型的快速应用

Agent 业务场景应用

示例：客服助手

工具：

• query_order：查询订单状态
• track_shipment：查询物流信息
• process_refund：处理退款

系统提示：

You are a helpful customer service agent. Be friendly and patient. Always try to solve the customer's problem. If you need order information, use the query_order tool. If you need shipping information, use the track_shipment tool. If the customer wants a refund, use the process_refund tool.

使用：

const result = await agent.invoke({ messages: [{ role: "user", content: "我的订单 #12345 发货了吗？" }] });

常见问题与解决方案

❝

💡 调试技巧：

• 先从简单的工具开始
• 逐步添加功能
• 用console.log打印中间结果
• 检查 Agent 的思考过程

总结对比表

核心要点回顾

1. ✅ 快速开始 5 步：定义工具 → 创建 Agent → 配置参数 → 运行测试 → 扩展功能

2. ✅ 10 行代码：tool()定义技能，createAgent()创建助手，invoke()启动任务

3. ✅ 系统提示：给 Agent 设定角色、风格和规则，越具体越好

4. ✅ 结构化输出：用 Zod 定义格式，让 Agent 返回固定结构的数据

5. ✅ 记忆功能：用MemorySaver和thread_id让 Agent 记住对话

6. ✅ 真实世界：多个工具、详细系统提示、自定义模型配置、结构化输出、记忆，这些是生产级 Agent 的标配

记住：快速开始的目的不是写完美的代码，而是快速体验 LangChain 的魅力。

先跑起来，再慢慢优化。你已经迈出了 AI 应用开发的第一步，接下来的路会越来越精彩！🚀

## 最后

近期科技圈传来重磅消息：行业巨头英特尔宣布大规模裁员2万人，传统技术岗位持续萎缩的同时，另一番景象却在AI领域上演——AI相关技术岗正开启“疯狂扩招”模式！据行业招聘数据显示，具备3-5年大模型相关经验的开发者，在大厂就能拿到50K×20薪的高薪待遇，薪资差距肉眼可见！

业内资深HR预判：不出1年，“具备AI项目实战经验”将正式成为技术岗投递的硬性门槛。在行业迭代加速的当下，“温水煮青蛙”式的等待只会让自己逐渐被淘汰，与其被动应对，不如主动出击，抢先掌握AI大模型核心原理+落地应用技术+项目实操经验，借行业风口实现职业翻盘！

深知技术人入门大模型时容易走弯路，我特意整理了一套全网最全最细的大模型零基础学习礼包，涵盖入门思维导图、经典书籍手册、从入门到进阶的实战视频、可直接运行的项目源码等核心内容。这份资料无需付费，免费分享给所有想入局AI大模型的朋友！

👇👇扫码免费领取全部内容👇👇

部分资料展示

1、 AI大模型学习路线图

2、 全套AI大模型应用开发视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、 大模型学习书籍&文档

4、AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5、大模型大厂面试真题

整理了百度、阿里、字节等企业近三年的AI大模型岗位面试题，涵盖基础理论、技术实操、项目经验等维度，每道题都配有详细解析和答题思路，帮你针对性提升面试竞争力。

6、大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

• 👇👇扫码免费领取全部内容👇👇

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】