LangChain 1.0 入门实战教学

LangChain 1.0 入门实战教学:Agent开发流程
LangChain 1.0 的重磅变化之一,就是引入了全新的 create_agent() API。至此,LangChain 的 Agent 不再只是简单的“模型调用器”,而是一个可感知上下文、具备决策与执行能力的 智能运行体(Intelligent Runtime Unit)。本章重点介绍 create_agent() API 的使用方法。
一、 一体化 Agent API
在 LangChain 0.x 时代,Agent 系统经历了“碎片化”阶段:
  • create_react_agent → 思维链推理;
  • create_structured_chat_agent → 结构化对话;
  • create_tool_calling_agent → 工具调用。
这种设计灵活但分散,导致学习曲线陡峭、模块难以复用。而在 1.0 版本中,所有入口被统一为 create_agent(),接下来我们通过一个简单的示例来演示:
# 1.导入相关库
from langchain.agents import create_agent
from langchain_DeepSeek import ChatDeepSeek
from langchain_community.tools.tavily_search import TavilySearchResults

# 2.导入模型和工具
web_search = TavilySearchResults(max_results=2)
model = ChatDeepSeek(model="deepseek-chat")

# 3.创建Agent
agent = create_agent(
    model=model,
    tools=[web_search],
    system_prompt="你是一名多才多艺的智能助手,可以调用工具帮助用户解决问题。"
)

# 4.运行Agent获得结果
result = agent.invoke(
    {"messages": [{"role": "user", "content": "请帮我查询2024年诺贝尔物理学奖得主是谁?"}]}
)
result['messages'][-1].content
二、LangGraph 驱动的 Agent Runtime
LangChain 1.0 将 LangGraph 下沉为底层执行引擎。换句话说,通过 create_agent API 创建的每个 Agent 的生命周期、每次模型调用、每个工具执行,都是 LangGraph 图中的一个节点或边。
🚀 统一架构的优势
  1. 接口统一,降低心智负担:无论是工具型、规划型还是对话型 Agent共用同一 API 创建。
  2. 跨生态兼容性强:与 LangServe、LangGraph甚至 OpenAI Responses API 都完全兼容。
  3. 中间件机制:允许通过装饰器在生命周期中插入自定义逻辑。如日志、速率限制、记忆压缩、内容重写等。使 Agent 具备可观察性与可管理性。
  4. 扩展性强:基于标准化状态流(State Graph)用户可以自由地扩展 Agent 行为而不破坏核心逻辑。
三、使用 create_agent 接入组件
LangChain 1.0 中 Agent 不再是简单的脚本,而是包含循环推理(Agent Loop)的智能体
在 create_agent() 的底层运行机制中,最重要的三个组件分别是:
  • 模型(Model):负责理解任务与决策推理。它既可以是静态模型(固定不变),也可以是动态模型(根据上下文切换)。
  • 工具(Tools):由模型选择调用不同工具来实现特定子任务,例如:联网搜索(web_search)、计算公式(calculate)、查询数据源(database_query)
  • 中间件(Middleware):负责在模型调用前后拦截请求、修改参数、或动态调整模型选择逻辑,是 LangChain 1.0 的强大扩展机制。
模型调用示例
静态模型调用示例:
from langchain.agents import create_agent
agent = create_agent("deepseek:deepseek-chat", tools=tools)
或先实例化模型,然后再将实例化后的模型带入create_agent中创建Agent,这样可以进行更多的参数设置:
from langchain_deepseek import ChatDeepSeek
from langchain.agents import create_agent

model = ChatDeepSeek(
    model="deepseek-chat",
    temperature=0.1,
    max_tokens=1000,
    timeout=30
)
agent = create_agent(model, tools=tools)
动态模型(Dynamic Model)模式允许智能体在运行时切换模型,实现性能与成本优化,通过中间件@wrap_model_call装饰器实现。
扫码加入 👇 免费领取完整 LangChain1.0 学习资料以及更多 Agent 开发课程
接入内置工具
LangChain 提供了丰富的内置工具库(搜索、数据库、Slack、Jira、文件系统等),可通过 langchain_community 快速接入。
  • LangChain内置工具列表:https://python.langchain.com/docs/integrations/tools/
以其中内置的TavilySearchResults网络搜索工具为例,借助Tavily进行网络搜索和信息爬取。来介绍如何将内置工具接入create_agent中。
需要先在tavily官网注册并获得API-KEY(每月有免费额度):https://www.tavily.com/
然后将API-KEY写到本地.env中的TAVILY_API_KEY变量中。然后即可进行调用。
from langchain_community.tools.tavily_search import T…
— 以上为试看内容(约 40%),开通会员后阅读全文 —