本节笔记针对 LangChain v1.0 的发展历程以及安装和快速构建一个智能体出发，让我们更深入的了解 LangChain 的各个模块，对它有个大体的认知。

一、LangChain的发展节点与历程

LangChain 的存在，是为了成为最易于上手的大语言模型（LLM）开发工具，同时兼具灵活性与生产环境可用性。

1.1 特点

LangChain 由以下几个核心信念驱动：

  • 大型语言模型（LLM）是一项出色且强大的新技术。
  • 当 LLM 与外部数据源结合时，其能力会更上一层楼。
  • LLM 将重塑未来应用的形态——具体而言，未来的应用将越来越具备智能体（agentic）特性。
  • 目前，这场变革仍处于非常早期的阶段。
  • 构建这类智能体应用的原型虽易，但打造足够可靠、可投入生产的智能体仍极具挑战。

借助 LangChain，我们有两个核心侧重点：

  1. 助力开发者使用最优秀的模型
    不同提供商的 API 接口、模型参数和消息格式各不相同。标准化这些模型的输入输出是我们的核心重点，让开发者能够轻松切换到最新的尖端模型，避免被单一供应商锁定。

  2. 简化模型编排复杂流程的难度
    模型不应仅用于文本生成——还应被用于编排更复杂的流程，与其他数据和计算资源交互。LangChain 简化了工具定义（让 LLM 可动态调用），同时助力非结构化数据的解析与访问。

1.2 发展历程

鉴于该领域的快速变化，LangChain 也在不断演进。以下是 LangChain 多年来的简要发展时间线，它始终与 LLM 应用开发的演进同步：

  1. 2022-10-24

    v0.0.1

    在 ChatGPT 发布前一个月，LangChain 以 Python 包的形式推出，包含两个核心组件：
    - LLM 抽象层
    - “链（Chains）”——即针对常见场景预设的计算步骤。例如检索增强生成（RAG）：先执行检索步骤，再执行生成步骤。

    “LangChain” 的名称源于“Language”（语言模型相关）和“Chains”（链）的结合。

  2. 2022-12

    LangChain 新增首批通用智能体（general purpose agents）。
    这些智能体基于 ReAct 论文（ReAct 代表 Reasoning and Acting，即“推理与行动”）构建，利用 LLM 生成表示工具调用的 JSON，再通过解析该 JSON 确定要调用的工具。

  3. 2023-01

    OpenAI 发布“聊天补全（Chat Completion）”API。
    在此之前，模型接收字符串并返回字符串；而在聊天补全 API 中，模型演进为接收消息列表并返回消息。其他模型提供商纷纷跟进，LangChain 也随之更新以支持消息列表格式。
    LangChain 发布 JavaScript 版本。
    LLM 和智能体将改变应用的构建方式，而 JavaScript 是应用开发者的主流语言。

  4. 2023-02

    围绕开源的 LangChain 项目，LangChain 公司正式成立。
    其核心目标是“让智能体无处不在”。团队意识到，尽管 LangChain 是关键基础（让 LLM 开发易于上手），但还需要其他配套组件的支持。

  5. 2023-03

    OpenAI 在其 API 中新增“函数调用（function calling）”功能。
    该功能允许 API 明确生成表示工具调用的负载。其他模型提供商纷纷跟进，LangChain 也随之更新，将函数调用作为工具调用的首选方式（替代原有的 JSON 解析方式）。

  6. 2023-06

    LangSmith 作为闭源平台发布，提供可观测性（observability）和评估（evals）功能。
    构建智能体的核心痛点是确保其可靠性，而 LangSmith 正是为解决这一需求而生。LangChain 也随之更新，实现与 LangSmith 的无缝集成。

  7. 2024-01

    v0.1.0
    LangChain 发布首个非 0.0.x 版本（v0.1.0）。
    行业已从原型开发阶段迈向生产落地阶段，因此 LangChain 进一步聚焦稳定性提升。

  8. 2024-02

    LangGraph 作为开源库发布。
    早期的 LangChain 有两个核心侧重点：LLM 抽象层，以及面向常见应用的高阶入门接口；但它缺少低阶编排层，无法让开发者精确控制智能体的执行流程——LangGraph 应运而生。
    在构建 LangGraph 时，我们借鉴了 LangChain 的开发经验，新增了经实践验证必需的功能：流式传输、持久化执行、短期记忆、人机协作（human-in-the-loop）等。

  9. 2024-06

    LangChain 拥有超过 700 个集成项。
    集成功能从核心 LangChain 包中拆分出来，要么迁移到独立的专属包（核心集成项），要么归入 langchain-community 包。

  10. 2024-10

    LangGraph 成为构建复杂 AI 应用（不止单次 LLM 调用）的首选方式。
    随着开发者试图提升应用的可靠性，他们需要比高阶接口更强的控制能力——LangGraph 提供了这种低阶灵活性。LangChain 中的大多数链和智能体被标记为弃用，并提供了迁移至 LangGraph 的指南。LangGraph 中仍保留一个高阶抽象：智能体抽象层，它基于 LangGraph 低阶能力构建，与 LangChain 中的 ReAct 智能体拥有相同接口。

  11. 2025-04

    模型 API 向多模态方向演进。
    模型开始支持接收文件、图片、视频等输入。我们相应更新了 langchain-core 的消息格式，让开发者能够以标准化方式指定这些多模态输入。

  12. 2025-10-20

    v1.0.0
    LangChain 发布 1.0 版本，包含两项重大变更：

    1. 彻底重构了 langchain 中的所有链和智能体——现在仅保留一个高阶抽象：基于 LangGraph 构建的智能体抽象层。该抽象层最初诞生于 LangGraph，现迁移至 LangChain 核心包。
    2. 对于仍在使用旧版 LangChain 链/智能体且暂不打算升级的用户（注：我们建议升级），可通过安装 langchain-classic 包继续使用旧版功能。

此外，还推出了标准化的消息内容格式：模型 API 已从返回仅含简单字符串内容的消息，演进为返回更复杂的输出类型——推理块（reasoning blocks）、引用（citations）、服务端工具调用等。LangChain 也相应升级了消息格式，以实现跨提供商的标准化支持。

二、安装 LangChain

安装 LangChain 包：

# 使用pip安装
pip install -U langchain  # 需要 Python 3.10 及以上版本

# 使用uv安装
uv add langchain  # 需要 Python 3.10 及以上版本

LangChain 提供了与数百个大语言模型（LLM）和数千个其他工具的集成能力，这些集成功能分布在独立的提供商（provider）包中。例如：

# pip安装
# 安装 OpenAI 集成
pip install -U langchain-openai

# 安装 Anthropic 集成
pip install -U langchain-anthropic

# uv安装
# 安装 OpenAI 集成
uv add langchain-openai

# 安装 Anthropic 集成
uv add langchain-anthropic

三、快速入门

本教程将在几分钟内带你从简单设置过渡到功能完备的AI智能体。

3.1 构建基础智能体

首先创建一个能回答问题并调用工具的简单智能体。该智能体将使用 Claude Sonnet 4.5 作为语言模型，一个基础的天气查询函数作为工具，以及一个简单的提示词来指导其行为。

对于本示例，你需要先创建 Anthropic 账户并获取 API 密钥，然后在终端中设置 ANTHROPIC_API_KEY 环境变量。

from langchain.agents import create_agent

def get_weather(city: str) -> str:
    """获取指定城市的天气。"""
    return f"{city}的天气总是晴天！"

agent = create_agent(
    model="claude-sonnet-4-5-20250929",
    tools=[get_weather],
    system_prompt="你是一个乐于助人的助手",
)

# 运行智能体
agent.invoke(
    {"messages": [{"role": "user", "content": "旧金山的天气怎么样？"}]}
)

3.2 构建实际应用智能体

接下来，构建一个实用的天气预报智能体，展示关键的生产级概念：

  • 详细的系统提示词，优化智能体行为
  • 创建集成外部数据的工具
  • 模型配置，确保响应一致性
  • 结构化输出，保证结果可预测
  • 会话记忆，支持类聊天交互
3.2.1 创建并运行完整功能智能体

让我们逐步拆解实现过程：

  1. 定义系统提示词

    系统提示词定义了智能体的角色和行为，需具体且可执行：

    SYSTEM_PROMPT = """你是一位擅长说双关语的专业天气预报员。你可以使用以下两个工具：

- get_weather_for_location：用于获取特定地点的天气
- get_user_location：用于获取用户所在位置

如果用户询问天气，请确保确认地点。如果能从问题中判断用户指的是自己所在位置，请使用 get_user_location 工具获取其位置。"""

  2. 创建工具

    工具允许模型通过调用你定义的函数与外部系统交互。工具可依赖运行时上下文，也能与智能体记忆交互。

    注意下方的 get_user_location 工具如何使用运行时上下文：

    from dataclasses import dataclass
from langchain.tools import tool, ToolRuntime

@tool
def get_weather_for_location(city: str) -> str:
    """获取指定城市的天气。"""
    return f"{city}的天气总是晴天！"

@dataclass
class Context:
    """自定义运行时上下文 schema。"""
    user_id: str

@tool
def get_user_location(runtime: ToolRuntime[Context]) -> str:
    """根据用户ID获取用户信息。"""
    user_id = runtime.context.user_id
    return "佛罗里达" if user_id == "1" else "旧金山"

    工具需具备完善的文档说明：其名称、描述和参数名将成为模型提示词的一部分。LangChain 的 @tool 装饰器会添加元数据，并支持通过 ToolRuntime 参数实现运行时注入。

  3. 配置模型

    根据使用场景设置语言模型的参数：

    from langchain.chat_models import init_chat_model

model = init_chat_model(
    "claude-sonnet-4-5-20250929",
    temperature=0.5,
    timeout=10,
    max_tokens=1000
)

  4. 定义响应格式

    如果需要智能体的响应符合特定结构，可选择性定义结构化响应格式：

    from dataclasses import dataclass

# 此处使用 dataclass，也支持 Pydantic 模型
@dataclass
class ResponseFormat:
    """智能体的响应 schema。"""
    # 必须包含的双关语响应
    punny_response: str
    # 可选：天气相关的有趣信息（如有）
    weather_conditions: str | None = None

  5. 添加记忆功能

    为智能体添加记忆功能以维持交互过程中的状态，使其能够记住之前的对话和上下文：

    from langgraph.checkpoint.memory import InMemorySaver

checkpointer = InMemorySaver()

    生产环境中，请使用持久化检查点（checkpointer），将数据存储到数据库。详见「添加和管理记忆」章节。

  6. 创建并运行智能体

    现在将所有组件组装成智能体并运行：

    agent = create_agent(
    model=model,
    system_prompt=SYSTEM_PROMPT,
    tools=[get_user_location, get_weather_for_location],
    context_schema=Context,
    response_format=ResponseFormat,
    checkpointer=checkpointer
)

# `thread_id` 是特定对话的唯一标识
config = {"configurable": {"thread_id": "1"}}

response = agent.invoke(
    {"messages": [{"role": "user", "content": "外面的天气怎么样？"}]},
    config=config,
    context=Context(user_id="1")
)

print(response['structured_response'])
# 输出：
# ResponseFormat(
#     punny_response="佛罗里达依然是‘阳光灿烂’的一天！阳光全天都在播放‘射线电台’热门歌曲！我得说，这天气太适合‘阳光庆典’了！如果你盼着下雨，恐怕这个想法已经‘泡汤’了——预报依旧‘晴朗’无比！",
#     weather_conditions="佛罗里达的天气总是晴天！"
# )

# 注意：可使用相同的 `thread_id` 继续对话
response = agent.invoke(
    {"messages": [{"role": "user", "content": "谢谢！"}]},
    config=config,
    context=Context(user_id="1")
)

print(response['structured_response'])
# 输出：
# ResponseFormat(
#     punny_response="‘雷霆万钧’地不客气！帮你掌握最新天气动态向来‘轻而易举’。我只是在‘云里雾里’等着，随时准备在你需要时‘ shower ’你更多预报（双关：既指‘提供’也指‘淋浴’）。祝你在佛罗里达的阳光下度过‘阳光灿烂’的一天！",
#     weather_conditions=None
# )

  7. 完整代码整合

    from dataclasses import dataclass
from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
from langchain.tools import tool, ToolRuntime
from langgraph.checkpoint.memory import InMemorySaver

# 定义系统提示词
SYSTEM_PROMPT = """你是一位擅长说双关语的专业天气预报员。你可以使用以下两个工具：

- get_weather_for_location：用于获取特定地点的天气
- get_user_location：用于获取用户所在位置

如果用户询问天气，请确保确认地点。如果能从问题中判断用户指的是自己所在位置，请使用 get_user_location 工具获取其位置。"""

# 定义上下文 schema
@dataclass
class Context:
    """自定义运行时上下文 schema。"""
    user_id: str

# 定义工具
@tool
def get_weather_for_location(city: str) -> str:
    """获取指定城市的天气。"""
    return f"{city}的天气总是晴天！"

@tool
def get_user_location(runtime: ToolRuntime[Context]) -> str:
    """根据用户ID获取用户信息。"""
    user_id = runtime.context.user_id
    return "佛罗里达" if user_id == "1" else "旧金山"

# 配置模型
model = init_chat_model(
    "claude-sonnet-4-5-20250929",
    temperature=0
)

# 定义响应格式
@dataclass
class ResponseFormat:
    """智能体的响应 schema。"""
    # 必须包含的双关语响应
    punny_response: str
    # 可选：天气相关的有趣信息（如有）
    weather_conditions: str | None = None

# 设置记忆功能
checkpointer = InMemorySaver()

# 创建智能体
agent = create_agent(
    model=model,
    system_prompt=SYSTEM_PROMPT,
    tools=[get_user_location, get_weather_for_location],
    context_schema=Context,
    response_format=ResponseFormat,
    checkpointer=checkpointer
)

# 运行智能体
# `thread_id` 是特定对话的唯一标识
config = {"configurable": {"thread_id": "1"}}

response = agent.invoke(
    {"messages": [{"role": "user", "content": "外面的天气怎么样？"}]},
    config=config,
    context=Context(user_id="1")
)

print(response['structured_response'])
# 输出：
# ResponseFormat(
#     punny_response="佛罗里达依然是‘阳光灿烂’的一天！阳光全天都在播放‘射线电台’热门歌曲！我得说，这天气太适合‘阳光庆典’了！如果你盼着下雨，恐怕这个想法已经‘泡汤’了——预报依旧‘晴朗’无比！",
#     weather_conditions="佛罗里达的天气总是晴天！"
# )

# 注意：可使用相同的 `thread_id` 继续对话
response = agent.invoke(
    {"messages": [{"role": "user", "content": "谢谢！"}]},
    config=config,
    context=Context(user_id="1")
)

print(response['structured_response'])
# 输出：
# ResponseFormat(
#     punny_response="‘雷霆万钧’地不客气！帮你掌握最新天气动态向来‘轻而易举’。我只是在‘云里雾里’等着，随时准备在你需要时‘ shower ’你更多预报（双关：既指‘提供’也指‘淋浴’）。祝你在佛罗里达的阳光下度过‘阳光灿烂’的一天！",
#     weather_conditions=None
# )

恭喜！你现在拥有了一个具备以下能力的AI智能体：

  • 理解上下文并记忆对话内容
  • 智能使用多个工具
  • 以一致的格式提供结构化响应
  • 通过上下文处理用户特定信息
  • 在多轮交互中维持对话状态

今天的内容就到这里了，我们下期再见！

# 学习 # 人工智能 # 架构
Logo
2048 AI社区

有“AI”的1024 = 2048，欢迎大家加入2048 AI社区

更多推荐

cover

LLM 实战：Teacher-Student 知识蒸馏

avatar 2048 AI社区
cover

学长亲荐9个AI论文工具，继续教育学生轻松搞定毕业论文！

avatar 2048 AI社区
cover

重复率高于30%如何解决？掌握这五个技巧轻松通过

avatar 2048 AI社区