手把手教你用LangChain打造会思考的AI助手（附代码）

关注

原创最新推荐文章于 2026-04-05 02:46:53 发布 1.1k 阅读 AI 写同款· GEO 优化 ›

LLM架构实战：用 LangChain 和 LangGraph 打造多智能体研究助手（含代码） 大语言模型（LLM）的应用越来越广泛，从智能客服到内容创作，从数据分析到研究辅助，LLM 正逐渐改变着人们获取信息和解决问题的方式。今天，我们就来深入探讨大语言模型的架构，尤其是单智能体和多智能体架构，并手把手教大家用 LangChain 和 LangGraph 搭建一个多智能体研究助手。阅读详情

一、AI智能体的"思考模式"：ReAct范式

想象你家有个智能扫地机器人，它工作时是不是这样的？

眼睛（传感器）扫描地面
大脑判断哪里有垃圾
手脚（轮子+吸尘器）过去清扫
重复直到干净

这就是典型的ReAct模式（思考-行动循环），用代码实现起来其实超简单：

class 智能管家:
    def __init__(self, 房间):
        self.房间 = 房间  # 绑定要打扫的房间
        
    def 查看情况(self):
        return self.房间.当前状态  # 比如发现客厅有垃圾
        
    def 做决策(self, 当前状态):
        if 当前状态 == "已清洁":
            return "收工"  # 活干完了就休息
        else:
            return "继续打扫"  # 否则接着干
            
    def 执行动作(self, 决策):
        if 决策 == "继续打扫":
            self.房间.清理垃圾()  # 调用扫地功能
        else:
            self.房间.关机()  # 任务完成

# 实际使用
我家 = 房间(初始状态="有垃圾")
机器人 = 智能管家(我家)

while 我家.是否干净 == False:
    当前状况 = 机器人.查看情况()
    下一步动作 = 机器人.做决策(当前状况)
    机器人.执行动作(下一步动作)

关键点解释：这个管家会循环执行"观察环境->思考决策->执行动作"的完整流程，就像人类处理问题一样。这种模式是LangChain智能体的底层逻辑基础。

二、LangChain智能体实战：让AI自己订外卖

现在咱们升级难度！假设要让AI自动完成「点外卖」任务，需要：

查天气（调用天气API）
推荐餐厅（分析用户历史订单）
比价（爬取外卖平台数据）
下单（调用支付接口）

用传统编程得写一堆if-else，而用LangChain只需要：

from langchain import LangChainAgent, LLM
import 天气工具
import 支付工具

class 外卖管家(LangChainAgent):
    def __init__(self):
        self.大脑 = LLM()  # 加载大语言模型
        self.工具库 = {
            "查天气": 天气工具,
            "查订单": 用户数据库,
            "比价爬虫": 爬虫工具,
            "支付": 支付工具
        }
    
    def 思考流程(self, 用户需求):
        # 第一步：拆解任务
        任务步骤 = self.大脑.generate(f"分解任务：{用户需求}")
        
        # 第二步：动态调用工具
        for 步骤 in 任务步骤:
            if 需要工具 := self.判断是否需要工具(步骤):
                结果 = self.工具库[需要工具].execute()
                self.记忆库.store(结果)  # 记住中间结果
        
        # 最后生成决策
        return self.生成最终决策()

# 使用示例
管家 = 外卖管家()
用户说 = "今天中午想吃人均50以内的川菜"
订单结果 = 管家.思考流程(用户说)
print(f"已为您下单：{订单结果}")

代码彩蛋：这里用到了LangChain的动态工具调用能力，AI会根据当前情况自主选择工具，就像人类在不同场景下选择不同APP一样。

三、核心黑科技：AI的"记忆系统"

要让AI真正像人一样工作，必须解决记忆问题。LangChain提供了两大记忆系统：

记忆类型	相当于人脑	存储方式	示例
短期记忆	工作记忆	内存缓存	记住用户当前对话上下文
长期记忆	长期记忆	向量数据库	记录用户历史偏好

实现代码长这样：

class 记忆系统:
    def __init__(self):
        self.短期 = {}  # 临时记事本
        self.长期 = 向量数据库()  # 永久档案库
        
    def 记录对话(self, 对话内容):
        self.短期["最近对话"] = 对话内容  # 暂存最新信息
        if "重要信息" in 对话内容:
            self.长期.save(对话内容)  # 关键信息永久保存
            
    def 回忆往事(self, 关键词):
        return self.长期.search(关键词)  # 从数据库查找历史记录

# 使用示例
我的记忆 = 记忆系统()
我的记忆.记录对话("用户说最爱吃辣子鸡")
print(我的记忆.回忆往事("用户口味"))  # 返回辣子鸡相关记录