一、LangChain是什么？为什么是智能体开发的首选？

LangChain是一个专为构建大模型应用设计的开发框架，其模块化设计和丰富的工具链让智能体开发更高效。相比传统开发，LangChain提供以下核心优势：

• 内置Agent模板：快速实现工具调用、多轮对话、记忆管理
• 无缝对接主流大模型：支持OpenAI、ChatGLM、DeepSeek等
• 灵活可扩展：通过Chains组合实现复杂业务逻辑

二、快速开始：环境搭建与基础配置

1. 安装依赖：

   pip install langchain langchain-openai python-dotenv
   

   在.env文件中配置OpenAI API Key：

   OPENAI_API_KEY = "sk-xxx"
   

2. 初始化智能体骨架：

   from langchain.agents import AgentExecutor, create_openai_tools_agent
   from langchain_openai import ChatOpenAI
   from langchain_core.prompts import ChatPromptTemplate
   
   llm = ChatOpenAI(model="gpt-3.5-turbo")
   

三、新手入门：10分钟实现聊天机器人

目标：创建一个能回答基础问题的智能体

# 1. 定义Prompt模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个友好的人工智能助手"),
    ("human", "{input}")
])

# 2. 创建基础Agent
agent = create_openai_tools_agent(llm, tools=[], prompt=prompt)

# 3. 封装执行器
agent_executor = AgentExecutor(agent=agent, tools=[], verbose=True)

# 4. 运行测试
response = agent_executor.invoke({"input": "你好！你是谁？"})
print(response["output"])

输出效果：

你好！我是一个人工智能助手，随时准备为您提供帮助。

四、进阶实战：工具调用与多轮对话

场景：让智能体调用天气API查询实时数据

1. 自定义工具开发：

   from langchain.tools import tool
   
   @tool
   def get_weather(city: str) -> str:
       """获取指定城市的天气信息（模拟实现）"""
       weather_data = {
           "北京": "晴，25℃",
           "上海": "多云，28℃"
       }
       return weather_data.get(city, "暂不支持该城市")
   

2. 构建支持工具调用的智能体：

   # 初始化带工具的Agent
   tools = [get_weather]
   agent = create_openai_tools_agent(llm, tools, prompt)
   executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
   
   # 执行复杂查询
   response = executor.invoke({
       "input": "北京现在天气怎么样？"
   })
   print(response["output"])  # 输出：北京当前天气：晴，25℃
   

3. 实现多轮对话记忆：

   from langchain.memory import ConversationBufferMemory
   
   memory = ConversationBufferMemory(memory_key="chat_history")
   executor_with_memory = AgentExecutor(
       agent=agent, 
       tools=tools, 
       memory=memory,
       verbose=True
   )
   
   # 连续对话测试
   executor_with_memory.invoke({"input": "北京天气如何？"})  # 回答天气
   executor_with_memory.invoke({"input": "那上海呢？"})    # 能关联上下文
   

五、企业级项目：电商客服智能体开发

需求：处理退货申请，自动调用订单查询接口

1. 定义业务工具集：

   @tool
   def search_order(order_id: str) -> dict:
       """模拟订单查询系统"""
       return {
           "status": "已发货",
           "product": "智能手表"
       }
   
   @tool
   def create_return_request(order_id: str, reason: str) -> str:
       """创建退货工单"""
       return f"退货申请已提交（订单：{order_id}，原因：{reason}）"
   

2. 构建专业Agent：

   # 定制系统Prompt
   system_prompt = """你是电商客服助手，严格按照以下规则处理请求：
   1. 用户提及退货时，必须先查询订单状态
   2. 仅允许已发货订单提交退货申请
   """
   prompt = ChatPromptTemplate.from_messages([
       ("system", system_prompt),
       ("human", "{input}"),
       MessagesPlaceholder(variable_name="agent_scratchpad")
   ])
   
   # 创建执行器
   tools = [search_order, create_return_request]
   agent = create_openai_tools_agent(llm, tools, prompt)
   executor = AgentExecutor(agent=agent, tools=tools, max_iterations=3)
   

3. 测试业务逻辑：

   response = executor.invoke({
       "input": "我想退货，订单号123456"
   })
   print(response["output"]) 
   # 输出：已查询订单123456状态为已发货，已为您提交退货申请
   

六、精通技巧：高级功能与性能优化

1. 异步并发处理：

   # 异步调用提高响应速度
   async def async_query():
       response = await executor.ainvoke({"input": "北京天气"})
       print(response["output"])
   
   import asyncio
   asyncio.run(async_query())
   

2. 自定义工具的高级用法：

   from langchain.tools import StructuredTool
   
   def complex_calculation(a: float, b: float) -> dict:
       """执行复杂数学计算"""
       return {
           "sum": a + b,
           "product": a * b
       }
   
   calc_tool = StructuredTool.from_function(
       func=complex_calculation,
       name="AdvancedCalculator",
       description="执行复杂数学运算"
   )
   

3. 监控与调试：

   # 启用详细日志
   import langchain
   langchain.debug = True
   
   # 查看中间步骤
   response = executor.invoke(
       {"input": "计算3的平方"}, 
       return_intermediate_steps=True
   )
   print(response["intermediate_steps"])
   

你的第一个智能体已上线！

通过本文，你已经掌握了从基础对话到企业级智能体的开发全流程。LangChain的强大之处在于它的灵活架构与丰富生态，无论是简单的问答机器人还是复杂的业务系统都能游刃有余。

立即动手尝试文中的代码示例，在评论区分享你的智能体作品吧！关注我的账号，获取更多大模型开发实战技巧~ 💡

资源推荐：

• LangChain官方文档