用10行代码打造AI Agent：新手小白也能快速上手大模型开发（收藏版）

用10行代码打造AI Agent：新手小白也能快速上手大模型开发（收藏版）

本文对比了传统AI开发与LangChain的效率差异，通过定义工具、配置系统提示和结构化输出等核心组件，展示了如何用极简代码实现具备记忆和多工具调用能力的Agent。文章以“开咖啡店”为喻，生动解释了创建Agent的5个步骤，并提供了完整示例代码。此外，还详细解析了系统提示、工具、结构化输出和记忆等关键组件，并探讨了客服助手、个人助手等不同业务场景的Agent应用。本文适合初学者快速入门大模型应用开发，助你轻松掌握AI开发新技能。

简单来说

快速开始只需 5 步：定义工具 → 创建 Agent → 配置参数 → 运行测试 → 扩展功能。

就像做一道菜：准备食材（工具）→ 点火（创建 Agent）→ 调味（配置）→ 翻炒（运行）→ 摆盘（扩展）。

---

🎯 本节目标

读完本节，你将能够回答这些问题：

• ❓ 如何用 10 行代码创建一个会查天气的 Agent？
• ❓ 系统提示（System Prompt）有什么用？如何写一个好的系统提示？
• ❓ 什么是结构化输出？为什么要用它？
• ❓ 如何让 Agent 记住之前的对话？
• ❓ 真实世界的 Agent 需要哪些组件？

---

核心痛点与解决方案

痛点：AI 开发的"起步困难症"

痛点	传统做法	有多痛苦
不知从何开始	面对一堆文档，无从下手	看了一天文档，一行代码没写
功能太简单	只能调用模型，不会用工具	说是 AI 助手，其实就是个聊天机器人
难以扩展	想加个功能，要重写一半代码	越写越复杂，最后成了"代码屎山"
没有记忆	聊完就忘，无法持续对话	用户：“我刚才问什么来着？”

传统做法 vs LangChain 效率对比

举个例子： 你想做一个能查天气的 AI 助手。

传统做法：

1. **注册天气 API 账号**

2. **写天气 API 调用代码**

3. **写 OpenAI 调用代码**

4. **写逻辑：用户问天气就调用天气 API**

5. **测试、调试、修复 bug**

6. **想加记忆功能？重写一半代码**

解决：LangChain 一键生成

import { createAgent, tool } from"langchain";
import * as z from"zod";

// 1. 定义天气工具
const getWeather = tool(
(input) =>`It's always sunny in ${input.city}!`,
 {
 name: "get_weather",
 description: "Get the weather for a given city",
 schema: z.object({ city: z.string() }),
 }
);

// 2. 创建 Agent
const agent = createAgent({
 model: "claude-sonnet-4-5-20250929",
 tools: [getWeather],
});

// 3. 运行测试
const result = await agent.invoke({
 messages: [{ role: "user", content: "东京天气怎么样？" }],
});

console.log(result.messages.at(-1)?.content);
// Output: It's always sunny in Tokyo!

效果对比：

指标	传统做法	LangChain
代码量	50+ 行	10+ 行
开发时间	半天	10 分钟
功能完整度	基础	完整（工具 + 推理 + 记忆）
可扩展性	差	好（加工具就行）

---

生活化类比：创建 Agent 就像开咖啡店

创建 Agent 就像开咖啡店

步骤	类比	LangChain 对应
准备工具	咖啡机、磨豆机、冰箱	tool() 定义工具
设定规则	咖啡店规则（“微笑服务”）	systemPrompt 设定行为
配置原料	咖啡豆、牛奶、糖	model 配置模型
记住常客	会员卡、偏好记录	checkpointer 添加记忆
规范输出	统一杯型、标签	responseFormat 结构化输出
开始营业	迎接客人	invoke() 运行 Agent

---

步骤一：创建基础 Agent（10 行代码）

创建基础 Agent 流程

完整代码

import { createAgent, tool } from"langchain";
import * as z from"zod";

// 1. 定义天气工具
const getWeather = tool(
(input) =>`It's always sunny in ${input.city}!`,
 {
 name: "get_weather",
 description: "Get the weather for a given city",
 schema: z.object({ city: z.string() }),
 }
);

// 2. 创建 Agent
const agent = createAgent({
 model: "claude-sonnet-4-5-20250929",
 tools: [getWeather],
});

// 3. 运行测试
const result = await agent.invoke({
 messages: [{ role: "user", content: "东京天气怎么样？" }],
});

// 4. 查看结果
console.log(result.messages.at(-1)?.content);
// Output: It's always sunny in Tokyo!

代码解析

行号	代码	人话解读
5-14	tool() 定义	“我创建了一个叫 get_weather 的工具，能查指定城市的天气”
6	工具逻辑	“工具被调用时，返回一个固定的天气信息”
8-12	工具配置	“告诉 Agent：这个工具叫什么、能做什么、需要什么参数”
17-20	createAgent()	“创建一个 AI 助手，用 Claude 模型，会使用天气工具”
23-26	invoke()	“启动任务：用户问东京天气，Agent 会自己决定调用什么工具”
29	查看结果	“从返回的消息中找到最后一条，那是 Agent 的回答”

❝

💡 人话解读：

• tool() 函数就像"注册一个技能"，告诉 Agent 它会什么
• createAgent() 就像"雇佣一个员工"，给他技能和大脑
• invoke() 就像"给员工派任务"，他会自己想办法完成

---

步骤二：创建真实世界的 Agent

真实世界 Agent 架构

真实世界的 Agent 需要什么？

组件	作用	为什么需要
系统提示	设定角色和行为	让 Agent 知道自己是谁，该怎么说话
多个工具	扩展能力	一个工具不够用，需要多个工具配合
模型配置	控制输出	调整温度、超时等参数，让输出更稳定
结构化输出	格式统一	让 Agent 返回固定格式的数据，方便后续处理
记忆	持续对话	记住之前的对话，像人类一样聊天

完整示例：天气预报助手（会说双关语）

import { createAgent, tool } from"langchain";
import { MemorySaver } from"@langchain/langgraph";
import * as z from"zod";

// 1. 定义系统提示
const systemPrompt = `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. 定义工具
const getWeather = tool(
({ city }) =>`It's always sunny in ${city}!`,
 {
 name: "get_weather_for_location",
 description: "Get the weather for a specific location",
 schema: z.object({ city: z.string() }),
 }
);

const getUserLocation = tool(
(_, config) => {
 const { user_id } = config.context;
 return user_id === "1" ? "Florida" : "SF";
 },
 {
 name: "get_user_location",
 description: "Get the user's current location",
 schema: z.object({}),
 }
);

// 3. 定义结构化输出格式
const responseFormat = z.object({
 punny_response: z.string(),
 weather_conditions: z.string().optional(),
});

// 4. 设置记忆
const checkpointer = new MemorySaver();

// 5. 创建 Agent
const agent = createAgent({
 model: "claude-sonnet-4-5-20250929",
 systemPrompt,
 tools: [getUserLocation, getWeather],
 responseFormat,
 checkpointer,
});

// 6. 运行 Agent
const config = {
 configurable: { thread_id: "1" },
 context: { user_id: "1" },
};

// 第一次提问：问外面的天气
const response1 = await agent.invoke(
 { messages: [{ role: "user", content: "外面天气怎么样？" }] },
 config
);
console.log("First response:", response1.structuredResponse);

// 第二次提问：继续对话
const response2 = await agent.invoke(
 { messages: [{ role: "user", content: "谢谢！" }] },
 config
);
console.log("Second response:", response2.structuredResponse);

预期输出

// 第一次回答
First response: {
 punny_response: "Florida is still having a 'sun-derful' day! The sunshine is playing 'ray-dio' hits all day long!",
 weather_conditions: "It's always sunny in Florida!"
}

// 第二次回答
Second response: {
 punny_response: "You're 'thund-erfully' welcome! It's always a 'breeze' to help you stay 'current' with the weather.",
 weather_conditions: undefined
}

❝

💡 人话解读：

• 系统提示让 Agent 成为"会说双关语的天气预报员"
• get_user_location 工具让 Agent 知道用户在哪里
• 结构化输出让 Agent 返回固定格式的数据
• checkpointer 让 Agent 记住之前的对话

---

核心组件详解

1. 系统提示（System Prompt）

什么是系统提示？ 系统提示是给 Agent 的"身份说明书"，告诉它：

• 你是谁（角色）
• 你该怎么说话（风格）
• 你有什么工具（能力）
• 你该怎么使用工具（规则）

好的系统提示的特点：

特点	示例	为什么重要
具体	“你是会说双关语的天气预报员”	让 Agent 知道自己的定位
可操作	“如果不知道位置，使用 get_user_location 工具”	给 Agent 明确的行动指南
简洁	控制在 100-200 字	避免占用太多上下文空间
个性化	“说话要幽默，多用天气相关的双关语”	让 Agent 有独特的人格

2. 工具（Tools）

工具的结构：

const myTool = tool(
(input, config) => {
 // 工具逻辑：接收输入，返回结果
 return"工具执行结果";
 },
 {
 name: "tool_name", // 工具名字
 description: "工具描述", // Agent 靠这个决定何时使用
 schema: z.object({ // 参数验证
 param1: z.string(),
 param2: z.number(),
 }),
 }
);

工具的参数：

参数	类型	说明	例子
input	object	工具的输入参数	{ city: "Tokyo" }
config	object	上下文信息	{ context: { user_id: "1" } }

3. 结构化输出（Response Format）

什么是结构化输出？ 让 Agent 返回固定格式的数据，而不是自由文本。

为什么要用？

• ✅ 格式统一，方便后续处理
• ✅ 类型安全，减少错误
• ✅ 前端展示更方便

使用方法：

const responseFormat = z.object({
 name: z.string(), // 必需字段
 age: z.number().optional(), // 可选字段
 tags: z.array(z.string()), // 数组
});

const agent = createAgent({
 // ...
 responseFormat, // 告诉 Agent 返回这个格式
});

// 使用时
const result = await agent.invoke({/* ... */});
console.log(result.structuredResponse); // 直接得到结构化对象

4. 记忆（Memory）

什么是记忆？ 让 Agent 记住之前的对话，保持上下文连续性。

如何使用？

import { MemorySaver } from"@langchain/langgraph";

// 创建记忆存储
const checkpointer = new MemorySaver();

const agent = createAgent({
// ...
 checkpointer, // 添加记忆
});

// 运行时需要 thread_id
const config = {
 configurable: { thread_id: "conversation_1" }, // 每个对话一个 ID
};

// 第一次对话
await agent.invoke({/* ... */}, config);

// 第二次对话（用同一个 thread_id）
await agent.invoke({/* ... */}, config);

❝

⚠️ 注意：MemorySaver 是内存存储，重启后会丢失。生产环境要用持久化存储，比如数据库。

---

业务场景：不同类型的快速应用

Agent 业务场景应用

场景	工具需求	系统提示	特色功能
客服助手	查询订单、查物流、处理退款	“你是专业客服，语气友好，解决问题”
结构化输出：统一回复格式
个人助手	查天气、定闹钟、发邮件	“你是贴心助手，记住用户偏好”	记忆功能：记住用户习惯
学习助手	搜索资料、解答问题、生成练习	“你是耐心老师，讲解详细，鼓励学生”	多工具协作：搜索 + 总结
营销助手	生成文案、分析数据、找客户	“你是创意营销专家，善于抓痛点”	结构化输出：营销文案模板
代码助手	搜索文档、生成代码、调试错误	“你是资深程序员，代码简洁，注释清晰”	工具集成：查 API 文档

示例：客服助手

工具：

• query_order：查询订单状态
• track_shipment：查询物流信息
• process_refund：处理退款

系统提示：

You are a helpful customer service agent.
Be friendly and patient.
Always try to solve the customer's problem.
If you need order information, use the query_order tool.
If you need shipping information, use the track_shipment tool.
If the customer wants a refund, use the process_refund tool.

使用：

const result = await agent.invoke({
 messages: [{ role: "user", content: "我的订单 #12345 发货了吗？" }]
});

---

常见问题与解决方案

问题	原因	解决方案
Agent 不知道用工具	工具描述不够清晰	写更详细的 description，说明什么时候用
Agent 回答格式不对	没有使用结构化输出	添加 responseFormat
Agent 记不住对话	没有添加记忆	使用 checkpointer 和 thread_id
Agent 说话风格不对	系统提示不够具体	写更详细的系统提示，指定风格
运行速度慢	模型参数设置不当	调整 temperature、timeout 等参数
API Key 错误	环境变量没配置	检查环境变量是否正确设置

❝

💡 调试技巧：

• 先从简单的工具开始
• 逐步添加功能
• 用 console.log 打印中间结果
• 检查 Agent 的思考过程

---

总结对比表

功能	基础 Agent	真实世界 Agent	区别
工具数量	1 个	多个	能力更全面
系统提示	无	详细	行为更规范
模型配置	默认	自定义	输出更稳定
结构化输出	无	有	格式更统一
记忆	无	有	能持续对话
代码量	10 行	50 行	功能更完整
适用场景	快速测试	生产环境	更专业可靠

---

核心要点回顾

1. ✅ 快速开始 5 步：定义工具 → 创建 Agent → 配置参数 → 运行测试 → 扩展功能

2. ✅ 10 行代码：tool() 定义技能，createAgent() 创建助手，invoke() 启动任务

3. ✅ 系统提示：给 Agent 设定角色、风格和规则，越具体越好

4. ✅ 结构化输出：用 Zod 定义格式，让 Agent 返回固定结构的数据

5. ✅ 记忆功能：用 MemorySaver 和 thread_id 让 Agent 记住对话

6. ✅ 真实世界：多个工具、详细系统提示、自定义模型配置、结构化输出、记忆，这些是生产级 Agent 的标配

---

记住：快速开始的目的不是写完美的代码，而是快速体验 LangChain 的魅力。

先跑起来，再慢慢优化。你已经迈出了 AI 应用开发的第一步，接下来的路会越来越精彩！🚀

## 最后

近期科技圈传来重磅消息：行业巨头英特尔宣布大规模裁员2万人，传统技术岗位持续萎缩的同时，另一番景象却在AI领域上演——AI相关技术岗正开启“疯狂扩招”模式！据行业招聘数据显示，具备3-5年大模型相关经验的开发者，在大厂就能拿到50K×20薪的高薪待遇，薪资差距肉眼可见！

业内资深HR预判：不出1年，“具备AI项目实战经验”将正式成为技术岗投递的硬性门槛。在行业迭代加速的当下，“温水煮青蛙”式的等待只会让自己逐渐被淘汰，与其被动应对，不如主动出击，抢先掌握AI大模型核心原理+落地应用技术+项目实操经验，借行业风口实现职业翻盘！

深知技术人入门大模型时容易走弯路，我特意整理了一套全网最全最细的大模型零基础学习礼包，涵盖入门思维导图、经典书籍手册、从入门到进阶的实战视频、可直接运行的项目源码等核心内容。这份资料无需付费，免费分享给所有想入局AI大模型的朋友！

👇👇扫码免费领取全部内容👇👇

部分资料展示

1、 AI大模型学习路线图

2、 全套AI大模型应用开发视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、 大模型学习书籍&文档

4、 AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5、大模型大厂面试真题

整理了百度、阿里、字节等企业近三年的AI大模型岗位面试题，涵盖基础理论、技术实操、项目经验等维度，每道题都配有详细解析和答题思路，帮你针对性提升面试竞争力。

6、大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

• 👇👇扫码免费领取全部内容👇👇

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】