LangChain 快速入门：从基础到生产级AI智能体搭建

本文介绍了使用LangChain框架快速搭建AI智能体的完整流程，从基础配置到生产级实现。教程首先展示基础智能体的创建方法，包括模型选择、工具定义和系统提示词设置。随后详细拆解生产级智能体的6个关键步骤：精细化提示词设计、自定义工具开发、模型参数配置、结构化输出定义、对话记忆集成以及最终组件整合。生产级智能体具备上下文感知、工具调用、多轮对话记忆和结构化输出等企业级特性。教程提供了完整代码示例，帮

Zzz 小生

541人浏览 · 2026-02-14 10:00:00

Zzz 小生 · 2026-02-14 10:00:00 发布

LangChain 快速入门：从基础到生产级AI智能体搭建

本快速入门教程将带你在几分钟内，从简单的环境配置开始，一步步搭建出一个功能完整的AI智能体。如果使用AI编码助手或集成开发环境（如Claude Code、Cursor），建议安装LangChain Docs MCP服务器，能让你的智能体获取最新的LangChain文档和示例，发挥最佳效果。

准备工作

搭建示例中的智能体，需要完成以下三步基础配置，示例中使用Anthropic的Claude大模型，也可替换为LangChain支持的任意模型，仅需修改代码中的模型名并配置对应模型的API密钥即可。

安装LangChain Python包；
注册Anthropic的Claude账号，获取对应的API密钥；
在终端中设置ANTHROPIC_API_KEY环境变量，供LangChain调用。

一、搭建基础AI智能体

首先创建一个基础智能体，该智能体具备基础的问答能力和工具调用能力，核心使用Claude Sonnet 4.5作为语言模型，自定义一个简单的天气查询函数作为工具，并通过基础系统提示词规范智能体行为。

基础智能体完整代码

from langchain.agents import create_agent

def get_weather(city: str) -> str:
    """Get weather for a given city."""
    return f"It's always sunny in {city}!"

# 创建智能体实例
agent = create_agent(
    model="claude-sonnet-4-5-20250929",
    tools=[get_weather],
    system_prompt="You are a helpful assistant",
)

# 运行智能体
agent.invoke(
    {"messages": [{"role": "user", "content": "what is the weather in sf"}]}
)

代码逐行详解

导入智能体创建核心函数：from langchain.agents import create_agent，该函数是LangChain中创建智能体的核心入口，可快速整合模型、工具、提示词等组件。
定义工具函数：自定义get_weather函数，接收city（城市名）参数，返回固定格式的天气信息，函数的文档字符串"""Get weather for a given city."""是关键，LangChain会将其作为工具描述传递给大模型，让模型理解工具的用途。
创建智能体：调用create_agent传入三个核心参数
- model：指定使用的大模型标识，此处为Claude Sonnet 4.5的最新版本；
- tools：传入智能体可调用的工具列表，支持多个工具传入；
- system_prompt：系统提示词，定义智能体的基础角色（此处为“贴心助手”）。
运行智能体：调用agent.invoke()方法触发智能体执行，入参为字典格式，messages是对话消息列表，包含用户角色（user）和具体的查询内容，此处查询旧金山（sf）的天气。

二、搭建生产级实用智能体

基于基础智能体，进一步搭建具备生产环境核心特性的天气预报智能体，该智能体实现了企业级开发的关键能力，也是实际业务中使用LangChain的标准范式。

生产级智能体核心特性

精细化系统提示词，精准定义智能体行为和角色；
自定义工具支持运行时上下文注入、对接外部数据；
大模型个性化参数配置，保证响应的一致性；
结构化输出格式，让智能体结果可预测、易解析；
集成对话记忆，支持多轮类聊天交互；
支持用户专属上下文信息传递。

接下来将分6个步骤拆解生产级智能体的搭建过程，最后提供完整的整合代码和运行效果。

步骤1：定义精细化系统提示词

系统提示词是智能体的“行为准则”，生产环境中需要具体、可执行的提示词，明确智能体的角色、可调用的工具、工具的使用规则。

代码实现

SYSTEM_PROMPT = """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."""

代码详解

明确角色：双关语风格的专业天气预报员，让智能体的输出具备固定风格；
工具清单：清晰列出可调用的两个工具及核心用途，降低模型的工具调用理解成本；
执行规则：明确天气查询的核心逻辑——必须获取位置，若用户未指定则调用get_user_location工具获取用户所在位置，让智能体的工具调用更规范。

步骤2：创建自定义工具

工具是智能体与外部系统交互的桥梁，生产级工具需要支持运行时上下文（如用户ID、设备信息）和智能体记忆交互，LangChain通过@tool装饰器和ToolRuntime实现这一能力，同时工具需要完善的文档字符串说明。

代码实现

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

# 天气查询工具
@tool
def get_weather_for_location(city: str) -> str:
    """Get weather for a given city."""
    return f"It's always sunny in {city}!"

# 自定义运行时上下文schema
@dataclass
class Context:
    """Custom runtime context schema."""
    user_id: str

# 用户位置获取工具（依赖运行时上下文）
@tool
def get_user_location(runtime: ToolRuntime[Context]) -> str:
    """Retrieve user information based on user ID."""
    user_id = runtime.context.user_id
    return "Florida" if user_id == "1" else "SF"

代码详解

基础工具定义：使用@tool装饰器修饰普通函数，LangChain会自动为函数添加工具元数据（名称、描述、参数），无需手动配置，装饰后的函数可直接传入智能体的tools参数；
自定义运行时上下文：通过dataclasses.dataclass定义Context类，仅包含user_id字段，作为运行时传递用户专属信息的载体，生产环境中可扩展为包含用户昵称、设备、地区等更多信息；
上下文依赖工具：get_user_location工具的入参为ToolRuntime[Context]，实现运行时上下文注入，通过runtime.context.user_id获取当前请求的用户ID，并根据用户ID返回不同的位置，实现用户专属逻辑；
工具文档字符串：每个工具的文档字符串是模型识别工具的关键，必须清晰说明工具用途和参数含义。

步骤3：配置大模型参数

为了保证智能体响应的一致性和稳定性，需要对大模型进行个性化参数配置，LangChain通过init_chat_model函数统一初始化各类聊天模型，不同模型的参数可按需调整。

代码实现

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
)

代码详解

模型初始化入口：init_chat_model是LangChain的统一模型初始化函数，支持切换任意兼容的聊天模型，仅需修改模型标识；
核心参数说明
- temperature：温度系数，控制模型输出的随机性，取值0~1，0表示输出完全确定，1表示随机性最高，生产环境中一般设置0~0.5；
- timeout：模型请求超时时间，单位为秒，避免因模型服务卡顿导致智能体挂起；
- max_tokens：模型单次输出的最大令牌数，限制响应长度，避免输出过长。

步骤4：定义结构化输出格式

生产环境中，智能体的输出需要可预测、易解析（如供前端渲染、数据库存储），LangChain支持通过dataclass或Pydantic模型定义结构化响应格式，强制模型按照指定schema输出结果。

代码实现

from dataclasses import dataclass

# 定义智能体响应的结构化schema
@dataclass
class ResponseFormat:
    """Response schema for the agent."""
    # 必选字段：双关语风格的响应
    punny_response: str
    # 可选字段：天气状况信息，值为None时不返回
    weather_conditions: str | None = None

代码详解

采用dataclass定义结构化schema，生产环境中若需要更复杂的校验（如参数类型、取值范围），可替换为Pydantic模型（LangChain完全兼容）；
字段设计区分必选/可选：punny_response为必选字段，保证智能体的核心输出；weather_conditions为可选字段，设置默认值None，无需返回时可置空；
字段类型注解：通过str | None明确字段类型，让模型清晰知道输出要求，减少格式错误。

步骤5：添加对话记忆

基础智能体不具备记忆能力，多轮对话中无法识别上下文，LangChain通过检查点（Checkpointer） 实现对话记忆，示例中使用内存级记忆，生产环境中可替换为持久化存储（如数据库）。

代码实现

from langgraph.checkpoint.memory import InMemorySaver

# 初始化内存级检查点，用于存储对话记忆
checkpointer = InMemorySaver()

代码详解

InMemorySaver是LangChain内置的内存级对话记忆，适合测试和小型应用，数据仅保存在程序运行内存中，程序重启后丢失；
生产环境中需使用持久化Checkpointer（如基于SQL、Redis、MongoDB的实现），将对话历史保存到数据库，实现跨会话、跨服务的记忆能力；
检查点会自动关联会话唯一标识，实现多会话的记忆隔离。

步骤6：组装并运行生产级智能体

将上述所有组件（模型、提示词、工具、上下文、结构化输出、记忆）通过create_agent整合为一个完整的智能体，然后调用运行方法测试效果，同时支持多轮连续对话。

核心组装代码

from langchain.agents.structured_output import ToolStrategy

# 组装生产级智能体
agent = create_agent(
    model=model,
    system_prompt=SYSTEM_PROMPT,
    tools=[get_user_location, get_weather_for_location],
    context_schema=Context,
    response_format=ToolStrategy(ResponseFormat),
    checkpointer=checkpointer
)

组装参数详解

相比基础智能体，生产级智能体新增了3个核心配置：

context_schema：指定运行时上下文的schema（即步骤2定义的Context类），让智能体支持上下文注入；
response_format：通过ToolStrategy绑定结构化输出schema（即步骤4定义的ResponseFormat类），强制模型输出结构化结果；
checkpointer：绑定对话记忆的检查点（即步骤5定义的checkpointer），让智能体具备多轮记忆能力。

运行智能体并实现多轮对话

# 定义会话配置：thread_id为会话唯一标识，实现多会话隔离
config = {"configurable": {"thread_id": "1"}}

# 第一轮对话：查询户外天气（未指定位置，智能体会自动调用get_user_location工具）
response = agent.invoke(
    {"messages": [{"role": "user", "content": "what is the weather outside?"}]},
    config=config,
    context=Context(user_id="1")  # 传入运行时上下文：用户ID为1
)
print(response['structured_response'])

# 第二轮对话：感谢智能体（复用同一个thread_id，智能体可识别上下文）
response = agent.invoke(
    {"messages": [{"role": "user", "content": "thank you!"}]},
    config=config,
    context=Context(user_id="1")
)
print(response['structured_response'])

运行结果说明

第一轮输出：智能体识别到用户未指定位置，自动调用get_user_location工具（根据user_id=1返回Florida），再调用get_weather_for_location获取天气，最终返回双关语风格的结构化结果，包含必选的punny_response和可选的weather_conditions；
第二轮输出：复用thread_id="1"，智能体通过对话记忆识别到上一轮的上下文（用户在Florida，查询过天气），返回对应的感谢回复，weather_conditions置空为None；
会话隔离：若新建thread_id（如thread_id="2"），则为全新会话，智能体无历史记忆。

三、生产级智能体完整整合代码

为了方便直接运行，以下是上述所有步骤的完整整合代码，已简化部分非核心参数（如设置temperature=0让输出完全确定）：

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
from langchain.agents.structured_output import ToolStrategy

# 1. 定义精细化系统提示词
SYSTEM_PROMPT = """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. 定义运行时上下文schema和自定义工具
@dataclass
class Context:
    """Custom runtime context schema."""
    user_id: str

@tool
def get_weather_for_location(city: str) -> str:
    """Get weather for a given city."""
    return f"It's always sunny in {city}!"

@tool
def get_user_location(runtime: ToolRuntime[Context]) -> str:
    """Retrieve user information based on user ID."""
    user_id = runtime.context.user_id
    return "Florida" if user_id == "1" else "SF"

# 3. 配置大模型参数
model = init_chat_model(
    "claude-sonnet-4-5-20250929",
    temperature=0
)

# 4. 定义结构化响应格式
@dataclass
class ResponseFormat:
    """Response schema for the agent."""
    punny_response: str
    weather_conditions: str | None = None

# 5. 初始化对话记忆
checkpointer = InMemorySaver()

# 6. 组装生产级智能体
agent = create_agent(
    model=model,
    system_prompt=SYSTEM_PROMPT,
    tools=[get_user_location, get_weather_for_location],
    context_schema=Context,
    response_format=ToolStrategy(ResponseFormat),
    checkpointer=checkpointer
)

# 运行智能体（多轮对话）
config = {"configurable": {"thread_id": "1"}}
# 第一轮：查询天气
response = agent.invoke(
    {"messages": [{"role": "user", "content": "what is the weather outside?"}]},
    config=config,
    context=Context(user_id="1")
)
print(response['structured_response'])

# 第二轮：感谢回复
response = agent.invoke(
    {"messages": [{"role": "user", "content": "thank you!"}]},
    config=config,
    context=Context(user_id="1")
)
print(response['structured_response'])