文章目录

一、前置准备（Requirements）

在开始前，需完成以下3项准备工作，确保示例代码可正常运行：

1. 安装依赖

已安装LangChain核心包（若未安装，参考LangChain安装教程）：

pip install -U langchain "langchain[anthropic]"

2. 获取API密钥

3. 配置环境变量

在终端设置API密钥（Windows/Linux/Mac通用）：

# Windows（cmd命令行）
set ANTHROPIC_API_KEY=你的API密钥

# Windows（PowerShell）
$env:ANTHROPIC_API_KEY="你的API密钥"

# Linux/Mac（终端）
export ANTHROPIC_API_KEY=你的API密钥

补充说明

  • 示例使用Claude模型，可替换为LangChain支持的任意模型（如OpenAI、Google Gemini等），只需修改代码中的模型名称并配置对应API密钥
  • 建议使用Python 3.10+版本，避免兼容性问题

二、构建基础智能体（Build a basic agent）

先创建一个极简智能体，实现「问答+工具调用」核心功能，仅需8行代码：

功能说明

  • 模型：Claude Sonnet 4.6
  • 工具：自定义天气查询函数
  • 能力：响应用户天气查询，调用工具返回结果

完整代码

from langchain.agents import create_agent

# 1. 定义工具函数（可替换为真实接口调用）
def get_weather(city: str) -> str:
    """Get weather for a given city.（获取指定城市天气）"""
    return f"It's always sunny in {city}!"  # 示例返回，实际可对接高德/百度天气API

# 2. 创建智能体
agent = create_agent(
    model="claude-sonnet-4-6",  # 模型名称
    tools=[get_weather],        # 绑定工具
    system_prompt="You are a helpful assistant（你是乐于助人的助手）",
)

# 3. 运行智能体
result = agent.invoke(
    {"messages": [{"role": "user", "content": "what is the weather in sf（旧金山天气如何）"}]}
)

print(result)
# 输出示例：{'messages': [{'role': 'assistant', 'content': "It's always sunny in sf!"}]}

核心逻辑

  1. 工具函数：需包含清晰的文档字符串（模型会自动识别功能）
  2. 智能体创建：通过create_agent快速组装模型、工具、提示词
  3. 调用方式：使用invoke传入用户消息，返回结构化响应

三、构建实战级智能体（Build a real-world agent）

基于基础版升级，实现生产级核心能力：

  • 详细系统提示词设计
  • 多工具协作（含上下文依赖工具）
  • 模型参数精细化配置
  • 结构化输出（固定响应格式）
  • 会话记忆（跨轮对话上下文保持）
  • 用户个性化上下文支持

分步实现

1. 定义系统提示词（明确智能体角色与行为）
SYSTEM_PROMPT = """You are an expert weather forecaster, who speaks in puns.（你是天气预报专家，说话带双关语）

You have access to two tools:（你可使用以下两个工具）
- get_weather_for_location: 获取指定地点的天气
- get_user_location: 获取用户当前所在地点

If a user asks you for the weather, make sure you know the location.（用户询问天气时，需确认地点）
If you can tell from the question that they mean wherever they are, use the get_user_location tool to find their location.（若用户未指定地点，调用get_user_location获取）"""
2. 创建工具（支持上下文依赖）
from dataclasses import dataclass
from langchain.tools import tool, ToolRuntime

# 自定义上下文 schema（存储用户个性化信息）
@dataclass
class Context:
    """Custom runtime context schema.（自定义运行时上下文）"""
    user_id: str  # 用户唯一标识

# 工具1：根据城市查询天气
@tool
def get_weather_for_location(city: str) -> str:
    """Get weather for a given city.（获取指定城市天气）"""
    return f"It's always sunny in {city}!"  # 示例返回，可替换为真实天气API

# 工具2：根据用户ID获取所在地点（依赖上下文）
@tool
def get_user_location(runtime: ToolRuntime[Context]) -> str:
    """Retrieve user's location based on user ID.（根据用户ID获取所在地点）"""
    user_id = runtime.context.user_id
    return "Florida" if user_id == "1" else "SF"  # 模拟不同用户对应不同地点
3. 配置模型（精细化参数调优）
from langchain.chat_models import init_chat_model

# 初始化聊天模型，配置关键参数
model = init_chat_model(
    "claude-sonnet-4-6",  # 模型名称
    temperature=0.5,       # 随机性：0-1（0为确定性输出，1为最大随机性）
    timeout=10,            # 超时时间（秒）
    max_tokens=1000        # 最大响应 tokens
)
4. 定义结构化输出格式（固定响应 schema）
from dataclasses import dataclass

# 用dataclass定义响应格式（也支持Pydantic模型）
@dataclass
class ResponseFormat:
    """Response schema for the agent.（智能体响应格式）"""
    punny_response: str          # 带双关语的响应（必填）
    weather_conditions: str | None = None  # 天气状况（可选）
5. 添加会话记忆（跨轮上下文保持）
from langgraph.checkpoint.memory import InMemorySaver

# 初始化内存级记忆存储（生产环境建议使用数据库持久化存储）
checkpointer = InMemorySaver()
6. 组装并运行智能体
from langchain.agents.structured_output import ToolStrategy

# 创建智能体（整合所有组件）
agent = create_agent(
    model=model,
    system_prompt=SYSTEM_PROMPT,
    tools=[get_user_location, get_weather_for_location],  # 绑定多个工具
    context_schema=Context,  # 关联上下文 schema
    response_format=ToolStrategy(ResponseFormat),  # 启用结构化输出
    checkpointer=checkpointer  # 关联记忆存储
)

# 配置会话ID（同一用户使用相同thread_id，保持会话连续性）
config = {"configurable": {"thread_id": "1"}}

# 第一次交互：用户询问天气（未指定地点）
response1 = agent.invoke(
    {"messages": [{"role": "user", "content": "what is the weather outside?（外面天气怎么样？）"}]},
    config=config,
    context=Context(user_id="1")  # 传入用户上下文
)

print("第一次响应：")
print(response1['structured_response'])
# 输出示例：
# ResponseFormat(
#     punny_response="Florida is still having a 'sun-derful' day! The sunshine is playing 'ray-dio' hits all day long! I'd say it's the perfect weather for some 'solar-bration'!",
#     weather_conditions="It's always sunny in Florida!"
# )

# 第二次交互：用户表示感谢（保持会话上下文）
response2 = agent.invoke(
    {"messages": [{"role": "user", "content": "thank you!（谢谢！）"}]},
    config=config,
    context=Context(user_id="1")
)

print("\n第二次响应：")
print(response2['structured_response'])
# 输出示例：
# ResponseFormat(
#     punny_response="You're 'thund-erfully' welcome! It's always a 'breeze' to help you stay 'current' with the weather.",
#     weather_conditions=None
# )

关键特性说明

特性 实现方式 核心价值
多工具协作 绑定get_user_location和get_weather_for_location 自动完成「获取地点→查询天气」流程
结构化输出 通过ResponseFormat定义 schema 响应格式统一，便于后续处理
会话记忆 基于InMemorySaver和thread_id 跨轮对话保持上下文（如记住用户地点）
个性化上下文 通过Context类传递user_id 支持多用户差异化处理

四、完整代码汇总

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.agents.structured_output import ToolStrategy

# 1. 定义系统提示词
SYSTEM_PROMPT = """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. 定义上下文 schema
@dataclass
class Context:
    """Custom runtime context schema."""
    user_id: str

# 3. 定义工具
@tool
def get_weather_for_location(city: str) -> str:
    """Get weather for a given city."""
    return f"It's always sunny in {city}!"

@tool
def get_user_location(runtime: ToolRuntime[Context]) -> str:
    """Retrieve user information based on user ID."""
    user_id = runtime.context.user_id
    return "Florida" if user_id == "1" else "SF"

# 4. 配置模型
model = init_chat_model(
    "claude-sonnet-4-6",
    temperature=0.5,
    timeout=10,
    max_tokens=1000
)

# 5. 定义结构化输出格式
@dataclass
class ResponseFormat:
    """Response schema for the agent."""
    punny_response: str
    weather_conditions: str | None = None

# 6. 配置会话记忆
checkpointer = InMemorySaver()

# 7. 创建智能体
agent = create_agent(
    model=model,
    system_prompt=SYSTEM_PROMPT,
    tools=[get_user_location, get_weather_for_location],
    context_schema=Context,
    response_format=ToolStrategy(ResponseFormat),
    checkpointer=checkpointer
)

# 8. 运行智能体（多轮对话）
config = {"configurable": {"thread_id": "1"}}

# 第一轮对话
response1 = agent.invoke(
    {"messages": [{"role": "user", "content": "what is the weather outside?"}]},
    config=config,
    context=Context(user_id="1")
)
print("第一轮响应：")
print(response1['structured_response'])

# 第二轮对话（保持上下文）
response2 = agent.invoke(
    {"messages": [{"role": "user", "content": "thank you!"}]},
    config=config,
    context=Context(user_id="1")
)
print("\n第二轮响应：")
print(response2['structured_response'])

五、关键工具与后续学习

1. 调试与追踪工具：LangSmith

  • 功能：可视化追踪智能体执行路径、调试工具调用、评估输出质量
  • 使用方式：设置环境变量LANGSMITH_TRACING=true并配置API密钥
  • 文档：LangSmith 官方文档

2. 深入学习资源

补充说明：

  1. 示例中天气查询为模拟返回，实际项目可替换为高德天气API、OpenWeatherMap等真实接口
  2. 生产环境建议使用Pydantic替代dataclass定义上下文和响应格式，支持数据校验
  3. 国内用户若访问模型缓慢，可配置代理或使用国内支持的模型（如阿里云通义千问、百度文心一言）
Logo
AI Agent技术社区

Agent 垂直技术社区，欢迎活跃、内容共建。

更多推荐

cover

agent面试必备37-AI Agent 核心架构：记忆系统（Memory System）

avatar AI Agent技术社区
cover

agent面试必备38-AI Agent 核心架构：短期记忆（Working Memory）

avatar AI Agent技术社区
cover

AI Agent量化评估：LLM-as-Judge、人工标注、A/B测试全解，智能体多维评测实践21.0

avatar AI Agent技术社区