基于LangChain、LangGraph与LangSmith构建医疗问诊AI Agent全流程实战-优快云博客

这次我们来看一个医疗问诊 Agent 的完整构建过程。这个项目不是简单的概念介绍，而是通过一个具体的应用场景，帮你彻底理清 LangChain、LangGraph 和 LangSmith 这三个核心框架在实际开发中各自扮演什么角色、如何协同工作，以及如何从零开始搭建一个能稳定运行的智能体。

如果你正在学习 AI Agent 开发，或者想了解如何将大模型能力整合进业务流程，这篇文章可以直接收藏。我们将重点关注：如何用 LangChain 组织工具链，如何用 LangGraph 编排复杂的决策流程，以及如何用 LangSmith 来监控、调试和优化整个 Agent 的运行。整个过程不涉及复杂的硬件部署，核心是代码逻辑和架构设计。

1. 核心能力速览

能力项	说明
项目类型	AI Agent 应用开发，具体为医疗问诊场景
核心框架	LangChain（工具与记忆）、LangGraph（流程编排）、LangSmith（可观测性）
主要功能	模拟医生问诊流程，进行多轮对话、症状收集、初步分析与建议
技术门槛	中等，需熟悉 Python 及大模型基础 API 调用，无需特定 GPU
启动方式	本地 Python 脚本启动，或封装为 FastAPI 等 Web 服务
是否支持 API	是，核心 Agent 可作为服务被调用
是否支持“批量任务”	是，可通过异步或队列处理多个并行的问诊会话
适合场景	学习 Agent 开发、构建专业领域对话系统、理解 LangChain 生态

2. 适用场景与使用边界

这个医疗问诊 Agent 项目主要适合以下几类读者和场景：

AI 应用开发者/学习者 ：想通过一个完整案例，系统性掌握 LangChain、LangGraph、LangSmith 的使用方法和集成技巧。
垂直领域对话系统探索者 ：医疗问诊是一个典型的、流程清晰的领域，其设计模式可以迁移到法律咨询、金融客服、技术支持等场景。
希望提升 Agent 稳定性的工程师 ：LangSmith 提供的可观测性工具，是解决 Agent 运行时“黑盒”问题、调试复杂逻辑的关键。

需要明确的使用边界：

非真实医疗诊断工具 ：本项目仅为技术演示，其生成的任何症状分析、健康建议都不能替代专业医生的诊断。严禁将其用于真实的医疗诊断场景。
知识依赖大模型 ：Agent 的医学知识完全来源于所连接的大语言模型（如 GPT-4、Claude、Qwen 等）以及可能集成的外部知识库（RAG）。其准确性和可靠性受限于模型本身的知识截止日期与准确性。
合规与隐私 ：如果处理真实的用户问诊数据，必须严格遵守数据隐私法规（如 HIPAA、GDPR 等），对用户个人信息进行脱敏处理，并确保数据传输和存储的安全。
场景局限性 ：当前演示的流程相对标准化，对于极其复杂、危急或需要多模态检查（如影像分析）的医疗情况，此 Agent 架构需要大幅扩展和接入专业系统。

3. 环境准备与前置条件

在开始编码之前，你需要准备好以下环境。我们的开发将主要在 CPU 环境下进行，因为核心是逻辑编排而非模型训练。

基础环境清单：

操作系统 ：Windows 10/11, macOS, 或 Linux (Ubuntu 20.04+ 推荐)。本文示例基于 Linux/macOS 命令行，Windows 用户可使用 WSL 或 Git Bash。
Python 版本 ：Python 3.10 或 3.11。这是 LangChain 等库兼容性较好的版本。
包管理工具 ： pip 或 conda 。
代码编辑器 ：VS Code, PyCharm 等任选。
大模型 API 密钥 ：你需要一个可用的 LLM API 服务。我们将以 OpenAI GPT 系列（或兼容 OpenAI API 的本地模型）为例，你需要准备相应的 API_KEY 和 BASE_URL （如果使用非官方服务）。

关键依赖库： 我们将通过一个 requirements.txt 文件来管理依赖。核心库包括：

langchain & langchain-community : 提供基础组件（LLM、工具、记忆等）。
langgraph ：用于构建有状态的、多步骤的工作流图。
langsmith ：用于跟踪、评估和监控 Agent 运行。
openai ：用于调用 OpenAI 或兼容 API。
python-dotenv ：管理环境变量。

4. 安装部署与启动方式

首先，创建项目目录并安装依赖。

# 1. 创建项目目录并进入
mkdir medical-agent-demo && cd medical-agent-demo

# 2. 创建虚拟环境 (可选但推荐)
python -m venv venv
# Windows: venv\Scripts\activate
# Linux/macOS: source venv/bin/activate

# 3. 创建 requirements.txt 文件
cat > requirements.txt << EOF
langchain>=0.1.0
langchain-community>=0.0.10
langgraph>=0.0.20
langsmith>=0.1.0
openai>=1.0.0
python-dotenv>=1.0.0
EOF

# 4. 安装依赖
pip install -r requirements.txt

接下来，设置环境变量。创建一个 .env 文件来安全存储你的 API 密钥和 LangSmith 配置。

# 创建 .env 文件
cat > .env << EOF
# 你的 OpenAI 兼容 API 配置
OPENAI_API_KEY=sk-your-openai-api-key-here
OPENAI_BASE_URL=https://api.openai.com/v1  # 若使用其他服务，请替换

# LangSmith 配置（用于追踪和调试，注册后获取）
LANGCHAIN_TRACING_V2=true
LANGCHAIN_ENDPOINT=https://api.smith.langchain.com
LANGCHAIN_API_KEY=ls-your-langsmith-api-key-here
LANGCHAIN_PROJECT=Medical-Agent-Demo  # 在 LangSmith 上看到的项目名
EOF

重要：你需要去 LangSmith 官网注册并获取 LANGCHAIN_API_KEY 。虽然不配置 LangSmith 也能运行 Agent，但你将无法获得强大的调试和追踪能力。

至此，基础环境就搭建完成了。我们的“启动”就是运行一个 Python 脚本。下面进入核心部分：构建 Agent。

5. 功能测试与效果验证：构建医疗问诊 Agent

我们将分步骤构建 Agent，并在每一步进行验证。最终目标是形成一个可以执行“症状收集 -> 初步分析 -> 给出建议”流程的智能体。

5.1 第一步：定义工具 - 医生的“听诊器”

在 LangChain 中，工具（Tools）是 Agent 与外界交互的手段。对于问诊 Agent，我们可以定义一些工具来获取结构化信息或执行特定操作。

我们先创建一个 tools.py 文件：

# tools.py
from langchain.tools import tool
from typing import Optional

@tool
def assess_symptom_severity(symptom: str, duration_hours: int) -> str:
    """根据症状描述和持续时间（小时）初步评估严重程度。"""
    severity_levels = {
        (0, 24): f“症状‘{symptom}’持续时间较短（{duration_hours}小时），可能为急性、轻微问题，建议观察休息。”,
        (24, 72):