LangChain 入门：用 @tool 装饰器 5 分钟搭 Agent

基于 Lion-1209/AgentStudy（https://github.com/Lion-1209/AgentStudy） 仓库，对应代码见 stage2-langchain/task2.1_langchain_agent.py

---

从 200 行到 100 行：框架的价值

上一篇你用手写了 200 行的最小 Agent。现在用 LangChain，同样的功能只需要 100 行。

框架不改变本质，只是把重复的工作封装起来。

---

LangChain Agent 的核心组件

三个组件 = 一个 Agent。

---

5 分钟搭一个 Agent

步骤 1：定义工具（用装饰器）

from langchain_core.tools import tool

@tool
def get_weather(city: str) -> str:
    """获取指定城市的天气信息。

    Args:
        city: 城市名称，如'北京'
    """
    weather_data = {
        "北京": "晴天，温度 25°C",
        "上海": "多云，温度 28°C",
    }
    return weather_data.get(city, f"未找到{city}的天气数据")

@tool
def calculate(expression: str) -> str:
    """计算数学表达式。

    Args:
        expression: 数学表达式，如 '2 + 3 * 4'
    """
    return str(eval(expression))

tools = [get_weather, calculate]

装饰器的魔法：@tool 自动从函数签名和 docstring 生成 JSON Schema。你不需要手写工具描述。

步骤 2：创建 Agent

from langchain_openai import ChatOpenAI
from langchain.agents import create_agent

llm = ChatOpenAI(model="gpt-4o-mini")
agent = create_agent(llm, tools=tools)

步骤 3：运行

result = agent.invoke({"messages": [{"role": "user", "content": "北京天气怎么样？"}]})
print(result["messages"][-1].content)

就这么简单。3 个步骤，一个可用的 Agent。

---

对比：纯 Python vs LangChain

维度	纯 Python	LangChain
工具定义	手写字典 + 描述	@tool 装饰器自动生成 Schema
ReAct 循环	自己写 while 循环	AgentExecutor 自动封装
提示词管理	字符串拼接	ChatPromptTemplate 模板化
错误处理	手动 try-except	内置错误处理机制
调试	print 语句	LangSmith 集成

---

@tool 装饰器原理

你只写业务逻辑，框架帮你生成 Schema。

---

学习检查清单

• 能用 @tool 装饰器定义一个工具吗？
• 知道 AgentExecutor 封装了什么吗？
• 能对比出 LangChain 相比纯 Python 省掉了哪些重复代码吗？

---

延伸阅读

• 💻 完整代码：stage2-langchain/task2.1_langchain_agent.py
• 📖 API 参考：LANGCHAIN_REFERENCE.md
• 🗺️ 上一篇：[07] 4 大框架横评手册
• 🗺️ 下一篇：[09] 多工具 Agent + 错误处理