深入浅出LangChain AI Agent智能体开发教程（六）—两行代码LangChain Agent API快速搭建智能体

前言

本系列分享前五篇分别讲述了

• LangChain&LangGraph的核心原理
• LangChain接入大模型的基本方法
• LangChain核心概念——链
• LangChain记忆存储与多轮对话机器人搭建
• LangChain接入工具基本流程

学完以上内容大家会发现伴随着用户应用和开发需求的复杂化，LangChain使用底层API搭建的Chain工作流逐渐显的力不从心。而DeepSeek-V3、Qwen3等大模型经过飞速发展已经具备极强的Agent能力，对于工具函数的串联、并联和错误循环的编排已经成为当前大模型的基本操作。面对现状，LangChain是如何快速将大模型构建为AI Agent智能体呢？本期分享笔者将和大家一起学习LangChain Agent API的调用方法~

本系列分享是笔者结合自己学习工作中使用LangChain&LangGraph经验倾心编写，力求帮助大家体系化快速掌握LangChain&LangGraph AI Agent智能体开发的技能！大家感兴趣可以关注笔者优快云账号和系列专栏。更可关注笔者同名微信公众号: 大模型真好玩, 每期分享涉及的代码均可在公众号私信: LangChain智能体开发获得。

一、LangChain Agent API 简介

LangChain的“链”式结构存在执行方式不灵活的重大问题。比如我们上篇文章搭建的链封装了天气工具，但如果用户在使用过程中并没有询问相关天气情况，反而提问了“决策树是什么?”类似的机器学习问题，那该链该如何执行呢?

面对这种情况大家考虑链中是否要跳过一些节点或者构建不同链满足复杂需求，但很显然这增加了开发复杂度。目前大模型经过迅猛发展已经具备了自动规划对工具串联、并联等相关操作的能力，基于此LangChain在链的基础上抽象出更高级的封装Agent，LangChain对于Agent的定义是“由大模型规划并自由组装各种链来满足用户需求”。更重要的，LangChain还在Agent的基础上封装了更高级的LangGraph（LangGraph类似Multi-Agent多智能体协同的概念，LangChain内容分享完毕后会分享LangGraph的教程）。

从本期内容开始，笔者就为大家分享LangChain Agent API抽象层的相关知识。

二、LangChain快速接入工具搭建智能体

LangChain Agent API的基本使用方法十分简单，下面还是通过天气助手小案例带大家快速上手Agent API的基本使用:

1. 导入相关依赖包并编写查询天气的函数，注意本案例导入create_tool_calling_agent函数和AgentExecutor类，是本节智能体构建内容的关键。

import requests

from langchain.agents import create_tool_calling_agent, tool, AgentExecutor
from langchain.chat_models import init_chat_model
from langchain_core.prompts import ChatPromptTemplate

@tool
def get_weather(loc):
    """
        查询即时天气函数
        :param loc: 必要参数，字符串类型，用于表示查询天气的具体城市名称，\
        :return：心知天气 API查询即时天气的结果，具体URL请求地址为："https://api.seniverse.com/v3/weather/now.json"
        返回结果对象类型为解析之后的JSON格式对象，并用字符串形式进行表示，其中包含了全部重要的天气信息
    """
    url = "https://api.seniverse.com/v3/weather/now.json"
    params = {
   
   
        "key": "你注册的心知天气api",
        "location": loc,
        "language": "zh-Hans",
        "unit": "c",
    }
    response = requests.get(url, params=params)
    temperature = response