Agent基础入门实战教程(3)：初识LangChain
1：本教程为本人学习agent的总结文档，均为手动筛选个人觉得重点的内容，也当做是一个笔记分享给想学习agent的佬友们，如有错误，请指正。
2：本人为前端转agent中，如有岗位可私，base：杭州。
上一篇导航
【写在前面】 1：本教程为本人学习agent的总结文档，均为手动筛选个人觉得重点的内容，也当做是一个笔记分享给想学习agent的佬友们，如有错误，请指正。 2：本人为前端转agent中，如有岗位可私，base：杭州。 上一篇导航 2.1 环境准备 环境 说明 Python 推荐 Python 3.10 及以上版本 VS Code 用于打开项目和运行 Notebook …
3.1 环境准备
安装命令
pip install -U langchain langchain-core python-dotenv langchain-openai注意：
本教程使用的 langchain 版本为 1.2x；各版本可能会有差异3.2 LangChain 是什么？
LangChain 是一个用于开发大模型应用的框架。它不是大模型本身，而是帮助我们把大模型、提示词、工具、数据、工作流组织起来。
如果不用langchain，你需要自己处理：
API 调用
多轮对话历史
Prompt 拼接
输出格式解析
工具调用
流式输出
错误重试
Agent 流程控制
LangChain 把这些能力封装成统一组件，让我们可以更快搭建 AI 应用。
注意：在学习langChain中，非常有必要和上一篇连起来看，在使用langChain的功能时，一定要理解使用langChain实现的功能，对应的是上节课中，使用纯py+sdk是如何实现的。这样你才能理解langChain到底封装了什么。
3.3 第一次调用大模型
from dotenv import load_dotenv
import os
from langchain_openai import ChatOpenAI
load_dotenv(override=True)
llm = ChatOpenAI(
model="gpt-5.5",
temperature=0,
# 在根目录建一个.env，把base_url和apikay放到环境变量中
base_url=os.getenv("OPENAI_BASE_URL"),
api_key=os.getenv("OPENAI_API_KEY")
)
# invoke()：执行一次调用
response = llm.invoke("请用一句话介绍 LangChain")
print(response)我们通过langchain，仅仅只需要几行代码，即可调用大模型。大大节约了我们的时间。使用langchain的话，就不需要在用模型官方提供的SDK了。
3.4 Message 消息机制
真实聊天不是简单的一句话，而是一组消息。
常见消息类型：
SystemMessage：系统设定，就是我们常说的系统提示词
HumanMessage：用户输入
AIMessage：模型回复
from langchain.messages import SystemMessage, HumanMessagemessages = [
SystemMessage("你是一名耐心的 Python 老师，回答要适合新手。"),
HumanMessage("什么是函数？")
]
response = llm.invoke(messages)
ai_message = response.content
print(response.content)这段代码的含义就是，有一个messages 的消息列表，消息列表中有系统提示词和用户输入的提问。
模拟多轮对话示例：
from langchain.messages import AIMessage
messages.append(AIMessage(ai_message))
messages.append(HumanMessage("能不能再举一个例子？"))
response = llm.invoke(messages)
print(response.content)关键点：多轮对话需要把历史消息一起传给模型。
3.5 Prompt 模板
PromptTemplate
from langchain_core.prompts import PromptTemplate
prompt = PromptTemplate.from_template(
"请用新手能听懂的方式解释：{topic}"
)
formatted_prompt = prompt.invoke({"topic": "LangChain"})
print(formatted_prompt.text)
response = llm.invoke(formatted_prompt.text)
print(response.content)ChatPromptTemplate
聊天模型更推荐使用 ChatPromptTemplate。
from langchain_core.prompts import ChatPromptTemplate
prompt = ChatPromptTemplate.from_messages([
("system", "你是一名 AI 应用开发老师，回答要清晰、简洁。"),
("human", "请解释这个概念：{topic}")
])
messages = prompt.invoke({"topic": "Prompt 模板"})
response = llm.invoke(messages)
print(response.content)注意看，我们这里的from_messages，使用的是system和human会被langchain转化为 SystemMessage, HumanMessage。然后将ai返回的内容，再塞回去：(“ai”, “xxx”) 这样的话，就可以进行下一轮对话了。
3.6 Runnable 与链式组合
LangChain 里很多组件都可以被“执行”，例如：
Prompt
Model
Output Parser
Tool
Agent
这些可执行对象被称为 Runnable。
LangChain 支持用 | 把多个步骤串起来：
from langchain_core.output_parsers import StrOutputParser
prompt = ChatPromptTemplate.from_messages([
("system", "你是一名新手教程作者。"),
("human", "请用三句话解释：{topic}")
])
parser = StrOutputParser()
chain = prompt | llm | parser
result = chain.invoke({"topic": "LangChain 的 Runnable"})
print(result)这段代码的执行流程是：
输入变量 -> Prompt 生成消息 -> 模型生成回复 -> 解析成字符串
我们可以理解为语法糖3.7 结构化输出
很多时候，我们不希望模型只返回一段自然语言，而是希望它返回程序能处理的数据。
例如从一句话中提取姓名、年龄和城市。
from pydantic import BaseModel, Field
class Person(BaseModel):
name: str = Field(description="姓名")
age: int = Field(description="年龄")
city: str = Field(description="所在城市")
structured_model = llm.with_structured_output(
Person,
method="function_calling"
)
result = structured_model.invoke(
"张三今年 18 岁，住在北京。"
)
print(result)
print(result.name)
print(result.age)
print(result.city)3.8 流式输出
就是像打字机一样，一个一个输出
for chunk in llm.stream("请用 100 字介绍 LangChain"):
print(chunk.content, end="", flush=True)这里的 stream 就是流式输出的方法。对比上面的 invoke 的话，invoke就是一次性执行完，就是等接口返回全部结果，一次性输出。
3.9 工具调用 与 Agent入门
上面我们初步使用langchain，简单实验了langchain常用的方法，但是也都是只能回答问题。接下来，我们将使用langchain来创建agnet，agent可以根据任务，来决定是否需要调用工具。
先定义一个工具：
from langchain.tools import tool
@tooldef get_weather(city: str) -> str:
"""查询城市天气的本地示例工具。"""
weather_map = {
"北京": "晴，25 摄氏度",
"上海": "多云，27 摄氏度",
"广州": "小雨，29 摄氏度",
}
return weather_map.get(city, "暂未查询到该城市天气")在langchain中，使用：@tool 就是定义一个工具的方法，注意，一定要在函数内部写注释，不然模型不能很准确的知道这个工具函数的具体作用。
创建 Agent：
from langchain.agents import create_agent
agent = create_agent(
model=llm,
tools=[get_weather],
system_prompt="你是一个会使用工具解决问题的助手。"
)
result = agent.invoke({
"messages": [
{"role": "user", "content": "上海的天气如何？"}
]
})
print(result["messages"][-1].content)上面这个 agent 的流程：
用户提出问题 -> 模型判断是否需要工具 -> 调用工具 -> 读取工具结果 -> 生成最终回答我们只需要将定义好的工具名，放入到tools参数中，agent就会自动决定当前用户提问是否需要调用工具。
如果你将上面这个agent最终的输出完整打印：
[HumanMessage(content='上海的天气如何？'), AIMessage(content='', , tool_calls=[{'name': 'get_weather', 'args': {'city': '上海'}}), ToolMessage(content='多云，27 摄氏度', name='get_weather'), AIMessage(content='上海现在多云，气温约 27°C。')]上面这个是我删除了多余的打印，只保留了比较有用的信息：
1: HumanMessage: 用户输入2: AIMessage: ai回答3: tool_calls: ai抛出要调用工具请求4: ToolMessage: 工具调用结果5: AIMessage: 调用完工具后，AI的输出从打印出的日志，对比我们上节课讲解的agent的流程。现在就完全对得上了，只是langchain将这内部复杂的逻辑封装好了，不用我们管内部到底是如何实现的。不过，只要你上节课手敲了agent，到这里就可以一眼就理解。
Q&A
Q1： 什么时候用字符串，什么时候用 messages？
# 简单任务可以直接传字符串：
model.invoke("解释一下 Python 变量")
# 需要角色设定、多轮历史时，使用 messages：
model.invoke([
SystemMessage("你是一名 Python 老师"),
HumanMessage("什么是变量？")
])Q2： 什么时候需要 Agent？
如果只是问答、总结、改写，不一定需要 Agent。
如果任务需要模型自己判断是否调用工具，例如计算、搜索、查数据库、调用 API，就可以考虑 Agent。Q3： LangChain 和 LangGraph 是什么关系？
LangChain 负责提供大模型应用开发的常用组件
LangGraph 负责管理更复杂的 Agent / 工作流执行过程。
在 LangChain 1.0 之后，很多 Agent 能力底层其实是基于 LangGraph 构建的。
例如:
你用 create_agent() 创建 Agent 时
表面上是在使用 LangChain 的高级接口；
但底层执行流程、状态流转、工具调用等能力，很多是由 LangGraph 提供支撑的。
在 Agent 和复杂工作流这部分，可以理解为 LangChain 是对 LangGraph 的高层封装。Q4：是否有必要学langchain?
分场景：
1：如果你只是做一个很简单的大模型调用：没必要
2：如果你要做的是一个真正的 AI 应用，LangChain 就很有价值了
对新手来说，学习 LangChain 的好处是：
能理解大模型应用的标准开发流程
能快速接触 Prompt、Message、Tool、Agent、RAG 等核心概念
能少写很多重复代码
能更容易从简单 Demo 过渡到真实项目
总结：
如果你只是玩 API，可以不学 LangChain；
如果你想系统开发 AI 应用，LangChain 很值得学。Q5：那我目前阶段是否只要学你上面讲到的知识点？我还需要课后扩展吗？
入门阶段，先学本教程这些知识点就够了。下一篇导航
【写在前面】 1：本教程为本人学习agent的总结文档，均为手动筛选个人觉得重点的内容，也当做是一个笔记分享给想学习agent的佬友们，如有错误，请指正。 2：本人为前端转agent中，如有岗位可私，base：杭州。 上一篇导航 上一节我们已经初步认识了langchain的基本用法，但是我们学习的都是一个一个知识点片段，如果不加以练习的话，会很容易忘记，所以这节课，我们一起来练习巩固一下…
3.zip (7.9 KB)
