LangChain 入门，从构建第一个智能体开始

关注

原创最新推荐文章于 2026-08-14 18:51:04 发布 843 阅读 AI 写同款· GEO 优化 ›

LangChain入门指南 LangChain是一个强大的框架，旨在帮助开发人员使用语言模型构建端到端的应用程序。它提供了一套工具、组件和接口，可简化创建由大型语言模型 (LLM) 和聊天模型提供支持的应用程序的过程。LangChain 可以轻松管理与语言模型的交互，将多个组件链接在一起，并集成额外的资源，例如 API 和数据库。官方文档：https://python.langchain.com/en/latest/ 阅读详情

LangChain是一个用于构建智能体的开源框架，可以集成任何模型或者工具。

它由大语言模型驱动，只需要不到10行代码，就可以连接OpenAI、Anthropic、谷歌等世界最先进的模型为你工作。

准备工作

首先，LangChain支持Python和Typescript，在本系列文章中，主要使用python进行演示

安装LangChain

pip install -U langchain # Python版本要求在3.10以上

集成大模型

LangChain支持了目前主流的各大AI平台，如OpenAI、谷歌、Anthropic、DeepSeek等等

你可以到下面这个地址，看到所有支持的模型

https://docs.langchain.com/oss/python/integrations/providers/overview

# 安装openai相关支持 pip install -U langchain-openai # 安装DeepSeek相关支持 pip install -U langchain-deepseek

当然也支持本地部署的大模型，如Ollama、vLLM、SGLang等本地

在开始使用LangChain写我们的第一行代码之前，我们首先需要准备一个大模型的API，通常来说有两种途径

1. 你可以在OpenAI,DeepSeek等官方网站上去申请一个账号，获取一个api-key
1. 使用本地的服务器、电脑来部署一个本地的大模型（使用Ollama、vLLM、SGLang等）

快速开始

从调用一个DeepSeek开始

from langchain_core.messages import HumanMessage  from langchain_deepseek import ChatDeepSeek  # api_base可以用于特定的代理地址或本地地址，不填则默认使用DeepSeek官方# api_key来自DeepSeek官方申请得到model = ChatDeepSeek(model="deepseek-chat",                       # api_base="http://localhost:8000/v1",                       api_key="sk-xxxxx")    result = model.invoke("你好 DeepSeek!")   print(result.content)

运行可以看到输出代码如下，我们就成功调用了 DeepSeek 。

可以看到，使用 LangChain ，从创建项目到成功调用大模型，大概只需要几分钟时间，是非常简单的。

LangChain 让我们可以节省出更多的时间来专注业务的构建，不用再去重复造轮子了。

如果你的电脑或服务器还不错，也可以使用本地的 ollama 运行一个 Qwen3 来进行测试

model = ChatOllama(model="qwen3")  result = model.invoke("你好 Qwen3! \\no_think")  print(result.content)

在基础模型之上构建智能体

我们使用 LangChain ，主要是需要构建一个专属领域的智能体，比如

1. 在一个 IDE 里创建一个 AI 编程助手
1. 在医生看诊时的一个写病历、下诊断助手
1. 公司内部的一个停车场查询助手等等

假设我们实际的业务中有一个接口

# 停车场车位信息  def get_parkinglot_info() -> str:      """获取停车场车位信息"""      # 我们可以假设系统中有 3 个停车场，分别用 mock 的数据模拟      # 实际业务中可以通过接口查询      return ("停车场车位信息如下：\n1号车位已满"              "\n2号停车场剩余 20 个车位"              "\n3号停车场剩余 30 个车位")

我们基于上述 DeepSeek 模型创建一个Agent，让其可以帮我们在接口里自动查询出哪个停车场车位充足。

from langchain.agents import create_agent  from langchain_core.messages import HumanMessage, AIMessage  from langchain_deepseek import ChatDeepSeek    # 调用一个DeepSeek  model = ChatDeepSeek(model="deepseek-chat",                       # 可以使用搭建的DeepSeek，不填写则可以使用DeepSeek的公开API                       api_base="http://localhost:8000/v1",                       api_key="1")  # 停车场车位信息  def get_parkinglot_info() -> str:      """获取停车场车位信息"""      # 我们可以假设系统中有 3 个停车场，分别用 mock 的数据模拟      # 实际业务中可以通过接口查询    return ("停车场车位信息如下：\n1号车位已满"              "\n2号停车场剩余 20 个车位"              "\n3号停车场剩余 30 个车位")    agent = create_agent(model,                       system_prompt="你是一个停车场车位查询助手",                       tools=[get_parkinglot_info]                       )    result = agent.invoke({"messages": [HumanMessage(content="哪个停车场还有车位？")]})    for message in result.get('messages', []):      if isinstance(message, AIMessage):          print(message.content)

查询结果如下

为了更有效地对接系统，让 AI 可以帮我们将非结构化的数据整理成结构化的数据方便进行处理

再比如：让 AI 帮我们找到车位最多的停车场，并结构化成我们希望的样式

class ParkinglotInfo(BaseModel):      name: str = Field(description="停车场名称")      num: int = Field(description="剩余车位数量")structured_agent = create_agent(model,                              system_prompt="你是一个停车场车位查询助手。请调用工具获取停车场信息，然后按照用户要求的格式组织数据。",                              tools=[get_parkinglot_info],                              response_format=ToolStrategy(ParkinglotInfo))structure_result = structured_agent.invoke({"messages": [HumanMessage("请告诉我哪个停车场的车位最多？并按照 {name:停车场名称,num:数量} 的格式进行组织")]})  print(f"===========================")  print(f"结构化输出结果：{structure_result['structured_response']}")# 输出结果# ===========================# 结构化输出结果：name='3号停车场' num=30

Tip

值得注意的是，在最后输出结构化时，很可能出现报错，如果排除了网不通/代码写错等等问题后依然出现，那么通常有两种可能性

小规模模型的指令跟随能力、文档总结能力、结构化能力有缺陷

即使是最先进的模型（如 DeepSeek-V3.2），也会因为提供厂商的工程能力（官方和第三方）差异导致输出结果不符合预期1。

在初学时，极容易遇到这个问题卡主，解决方案如下：

财力够，建议尽量使用官方提供的模型，如 DeepSeek 官方、OpenAI 官方等等，避免使用第三方。

资金有限，尽量使用 Qwen3系列这种指令跟随能力较强的小模型，会减少很多因为模型能力不足导致的问题