快速入门

本快速入门将带您从简单设置到构建一个功能完整的 AI agent，仅需几分钟。

构建基本agent

首先创建一个简单的agent，它可以回答问题并调用工具。该agent将使用 DeepSeek 作为语言模型，一个基本的天气函数作为工具，以及一个简单的提示来指导其行为。

from langchain.agents import create_agent
from langchain_deepseek import ChatDeepSeek

def get_weather(city: str) -> str:
    """获取指定城市的天气。"""
    return f"{city}总是阳光明媚！"

agent = create_agent(
    model="deepseek:deepseek-chat",
    tools=[get_weather],
    system_prompt="你是一个乐于助人的助手",
)

# 运行agent
agent.invoke(
    {"messages": [{"role": "user", "content": "松山湖的天气怎么样"}]}
)

注意
对于此示例，您需要设置一个 Deepseek 账户并获取 API 密钥。然后在终端中设置 DEEPSEEK_API_KEY 环境变量。使用第三方DeepSeek可设置DEEPSEEK_API_BASE。
官方为https://api.deepseek.com/v1或者https://api.deepseek.com。
硅基流动为https://api.siliconflow.cn/v1/chat/completions。

请用最后提供的完整代码运行。

构建真实世界的agent

接下来，构建一个实用的天气预报agent，展示关键的生产概念：

1. 详细的系统提示 以获得更好的agent行为
2. 创建工具 与外部数据集成
3. 模型配置 以确保响应一致性
4. 结构化输出 以获得可预测的结果
5. 对话记忆 以实现类似聊天的交互
6. 创建并运行agent 构建一个功能完整的agent

让我们逐步完成每一步：

定义系统提示

系统提示定义了agent的角色和行为。保持其具体且可操作：

SYSTEM_PROMPT = """你是一位擅长用双关语表达的专家天气预报员。

你可以使用两个工具：

- get_weather_for_location：用于获取特定地点的天气
- get_user_location：用于获取用户的位置

如果用户询问天气，请确保你知道具体位置。
如果从问题中可以判断他们指的是自己所在的位置，
请使用 get_user_location 工具来查找他们的位置。"""

创建工具

工具 允许模型通过调用您定义的函数与外部系统交互。
工具可以依赖于 运行时上下文 ，也可以与 agent记忆 交互。

请注意下面的 get_user_location 工具如何使用运行时上下文：

from dataclasses import dataclass
from langchain.tools import tool, ToolRuntime

@tool
def get_weather_for_location(city: str) -> str:
    """获取指定城市的天气。"""
    return f"{city}总是阳光明媚！"

@dataclass
class Context:
    """自定义运行时上下文模式。"""
    user_id: str

@tool
def get_user_location(runtime: ToolRuntime[Context]) -> str:
    """根据用户 ID 获取用户信息。"""
    user_id = runtime.context.user_id
    return "Florida" if user_id == "1" else "SF"

提示
工具应有良好的文档说明：其名称、描述和参数名称将成为模型提示的一部分。
LangChain 的 @tool 装饰器 会添加元数据，并通过 ToolRuntime 参数启用运行时注入。

---

配置模型

使用适合您用例的 语言模型 和 参数 进行设置：

from langchain.chat_models import init_chat_model
from langchain_deepseek import ChatDeepSeek

model = init_chat_model(
    "deepseek:deepseek-chat",
    temperature=0.5,
    timeout=10,
    max_tokens=1000
)

定义响应格式

（可选）如果需要agent响应符合特定模式，请定义结构化响应格式。

from dataclasses import dataclass

# 这里使用 dataclass，但也支持 Pydantic 模型。
@dataclass
class ResponseFormat:
    """agent的响应模式。"""
    # 带双关语的回应（始终必需）
    punny_response: str
    # 天气的任何有趣信息（如果有）
    weather_conditions: str | None = None

添加记忆

向agent添加 记忆 ，以在多次交互中保持状态。这允许agent记住之前的对话和上下文。

from langgraph.checkpoint.memory import InMemorySaver

checkpointer = InMemorySaver()

注意
在生产环境中，请使用持久化的检查点保存到数据库。
详见 添加和管理记忆 。

创建并运行agent

现在将所有组件组装成agent并运行它！

agent = create_agent(
    model=model,
    system_prompt=SYSTEM_PROMPT,
    tools=[get_user_location, get_weather_for_location],
    context_schema=Context,
    response_format=ResponseFormat,
    checkpointer=checkpointer
)

# \`thread_id\` 是给定对话的唯一标识符。
config = {"configurable": {"thread_id": "1"}}

response = agent.invoke(
    {"messages": [{"role": "user", "content": "外面的天气怎么样？"}]},
    config=config,
    context=Context(user_id="1")
)

print(response['structured_response'])
# ResponseFormat(
#     punny_response="佛罗里达今天依然是'阳光灿烂'的一天！阳光正在播放'rey-dio'热门歌曲！我得说，这是进行'solar-bration'的完美天气！如果你希望下雨，恐怕这个想法已经'被冲走'了——预报仍然'清晰地'灿烂！",
#     weather_conditions="佛罗里达总是阳光明媚！"
# )

# 注意，我们可以使用相同的 \`thread_id\` 继续对话。
response = agent.invoke(
    {"messages": [{"role": "user", "content": "谢谢！"}]},
    config=config,
    context=Context(user_id="1")
)

print(response['structured_response'])
# ResponseFormat(
#     punny_response="你真是'雷'厉风行地欢迎！帮助你保持'当前'天气总是'轻而易举'。我只是'云'游四方，等待随时'淋浴'你更多预报。祝你在佛罗里达的阳光下度过'sun-sational'的一天！",
#     weather_conditions=None
# )

完整示例代码

工程创建

mkdir langchain-helloworld
cd langchain-helloworld
uv init
uv add langchain
uv add langchain_deepseek

touch deepseek_langchain.py

设置环境变量

方法一，在终端设置

$env:DEEPSEEK_API_KEY='sk-1234567890'
# 可选
$env:DEEPSEEK_API_BASE=''

方法二，env文件

本文采用方法二，创建env文件，

touch .env

向env文件添加内容如下

# API密钥
DEEPSEEK_API_KEY='sk-1234567890'
OPENAI_API_KEY='sk-1234567890'

记得将.env加入gitignore，命令echo .env>> .gitignore。

# Python-generated files
__pycache__/
*.py[oc]
build/
dist/
wheels/
*.egg-info

# Virtual environments
.venv
.env

添加dotenv包，命令uv add python-dotenv。打印测试。

import os
from dotenv import load_dotenv

# 加载环境变量
load_dotenv(override=True)
DEEPSEEK_API_KEY = os.getenv("DEEPSEEK_API_KEY")
print(DEEPSEEK_API_KEY)

运行

uv run deepseek_langchain.py

文档-langChainV1.0 快速入门

• 使用其他模型
  LangChain 提供对数百种 LLM 和数千种其他集成的支持。这些集成存在于独立的提供者包中。例如：

  # 安装 OpenAI 集成
  uv add langchain-openai
  
  # 安装 Anthropic 集成
  uv add langchain-anthropic
  

完整代码

import os
from dotenv import load_dotenv

from dataclasses import dataclass
from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
from langchain.tools import tool, ToolRuntime
from langgraph.checkpoint.memory import InMemorySaver
from langchain_deepseek import ChatDeepSeek

# 加载环境变量
load_dotenv(override=True)
#DEEPSEEK_API_KEY = os.getenv("DEEPSEEK_API_KEY")
#print(DEEPSEEK_API_KEY)

# 定义系统提示
SYSTEM_PROMPT = """你是一位擅长用双关语表达的专家天气预报员。

你可以使用两个工具：

- get_weather_for_location：用于获取特定地点的天气
- get_user_location：用于获取用户的位置

如果用户询问天气，请确保你知道具体位置。如果从问题中可以判断他们指的是自己所在的位置，请使用 get_user_location 工具来查找他们的位置。"""

# 定义上下文模式
@dataclass
class Context:
    """自定义运行时上下文模式。"""
    user_id: str

# 定义工具
@tool
def get_weather_for_location(city: str) -> str:
    """获取指定城市的天气。"""
    return f"{city}总是阳光明媚！"

@tool
def get_user_location(runtime: ToolRuntime[Context]) -> str:
    """根据用户 ID 获取用户信息。"""
    user_id = runtime.context.user_id
    return "Florida" if user_id == "1" else "SF"

# 配置模型
model = init_chat_model(
    "deepseek:deepseek-chat",
    temperature=0
)

# 定义响应格式
@dataclass
class ResponseFormat:
    """agent的响应模式。"""
    # 带双关语的回应（始终必需）
    punny_response: str
    # 天气的任何有趣信息（如果有）
    weather_conditions: str | None = None

# 设置记忆
checkpointer = InMemorySaver()

# 创建agent
agent = create_agent(
    model=model,
    system_prompt=SYSTEM_PROMPT,
    tools=[get_user_location, get_weather_for_location],
    context_schema=Context,
    response_format=ResponseFormat,
    checkpointer=checkpointer
)

# 运行agent
# `thread_id` 是给定对话的唯一标识符。
config = {"configurable": {"thread_id": "1"}}

response = agent.invoke(
    {"messages": [{"role": "user", "content": "外面的天气怎么样？"}]},
    config=config,
    context=Context(user_id="1")
)

print(response['structured_response'])
# ResponseFormat(
#     punny_response="佛罗里达今天依然是'阳光灿烂'的一天！阳光正在播放'rey-dio'热门歌曲！我得说，这是进行'solar-bration'的完美天气！如果你希望下雨，恐怕这个想法已经'被冲走'了——预报仍然'清晰地'灿烂！",
#     weather_conditions="佛罗里达总是阳光明媚！"
# )

# 注意，我们可以使用相同的 `thread_id` 继续对话。
response = agent.invoke(
    {"messages": [{"role": "user", "content": "谢谢！"}]},
    config=config,
    context=Context(user_id="1")
)

print(response['structured_response'])
# ResponseFormat(
#     punny_response="你真是'雷'厉风行地欢迎！帮助你保持'当前'天气总是'轻而易举'。我只是'云'游四方，等待随时'淋浴'你更多预报。祝你在佛罗里达的阳光下度过'sun-sational'的一天！",
#     weather_conditions=None
# )

恭喜！您现在拥有一个 AI agent，它可以：

• 理解上下文 并记住对话
• 智能使用多个工具
• 提供结构化响应 ，格式一致
• 通过上下文处理用户特定信息
• 跨交互维护对话状态