Agent基础入门实战教程(4)：LangChain聊天机器人小练习

子冥...大约 4 分钟

【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

【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 3.1 环境准备环境说明 langchain LangChain 主包，提供 Agent、Chain、模型初始化等常用入口，是开发 LangC…

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。

1. 先准备好环境变量

from dotenv import load_dotenv
import os

load_dotenv(override=True)

api_key = os.getenv("OPENAI_API_KEY")
base_url = os.getenv("OPENAI_BASE_URL")
model_name = os.getenv("MODEL_NAME", "gpt-5.4-mini")

2. 初始化聊天模型

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    model=model_name,
    temperature=0,
    api_key=api_key,
    base_url=base_url,
)

print("模型初始化完成")

3. 使用langchain创建Agent实例

from langchain.agents import create_agent

agent = create_agent(
    model=llm,
    tools=[],
    system_prompt=(
        "你叫小智，是一名乐于助人的智能助手。""请在对话中保持温和、有耐心的语气。""回答新手问题时，要尽量解释清楚，并适当举例。"
    ),
)

print("Agent 创建完成")

前3步其实是我们在写langchain应用时，比较常见的固定初始化流程，可理解为前期准备工作。

4. 调用一次

result = agent.invoke({
    "messages": [
        {"role": "user", "content": "你好，你是谁？"}
    ]
})

final_message = result["messages"][-1]
print(final_message.content)

5. 保存多轮对话

聊天机器人如何想要能连续对话，就需要保存历史信息。

下面先手动维护一个聊天列表

messages = []

messages.append({
  "role": "user", "content": "我叫小明"
})

result = agent.invoke({"messages": messages})
reply = result["messages"][-1].content

print("小智:", reply)

messages.append({"role": "assistant", "content": reply})

6. 流式输出

stream_messages = [
    {"role": "user", "content": "请用三句话解释什么是 LangChain。"}
]

full_reply = ""print("小智：", end="", flush=True)

for part in agent.stream(
    {"messages": stream_messages},
    stream_mode="messages",
    version="v2",
):
    if part["type"] != "messages":
        continue

    token, metadata = part["data"]

    if metadata.get("langgraph_node") != "model":
        continue

    if token.text:
        print(token.text, end="", flush=True)
        full_reply += token.text

print("\n\n完整回复：")
print(full_reply)

上面6步，我们已经创建了单轮对话的聊天机器人，机器人的输出方式：流式输出和非流式输出我们都已经练习到了。但是我这里推荐大家一定要每一步都将结果打印一下，仔细看看langchain响应的结果的结构是咋样的。

7. 封装流式输出

上面的流式输出流程，我们也可以理解为是一个固定的流程，因为langchain返回的结构，我们如何封装聊天列表等，都是固定流程，所以我们可以将他封装成一个函数

def chat_once(user_input: str, messages: list[dict]) -> str:
    messages.append({"role": "user", "content": user_input})

    print("小智：", end="", flush=True)
    full_reply = ""for part in agent.stream(
        {"messages": messages},
        stream_mode="messages",
        version="v2",
    ):
        if part["type"] != "messages":
            continue

        token, metadata = part["data"]

        if metadata.get("langgraph_node") != "model":
            continueif token.text:
            print(token.text, end="", flush=True)
            full_reply += token.text

    print()

    messages.append({"role": "assistant", "content": full_reply})
    return full_reply

8. 多轮对话

上面我们写好了单轮对话，那我们只要能将用户提问能够输入，然后加一个无限循环，那就是多轮对话了。

messages = []

print("输入 exit 或 quit 退出对话\n")

while True:
    user_input = input("你：")

    if user_input.lower() in {"exit", "quit"}:
        print("对话结束，再见！")
        breakif not user_input.strip():
        print("请输入内容。")
        continueprint(f"你：{user_input}")
    chat_once(user_input, messages)

    print("-" * 40)

    # 避免历史消息无限增长。这里保留最近 100 条消息。
    messages = messages[-100:]