3、LangChain 5 分钟手搓你的第一个智能体

作者：CSDN博客
文章目录

一、LangChain 概述二、快速入门：5 分钟创建第一个智能体

1. 安装依赖2. 完整示例代码3. 下一步

三、LangChain 核心优势

1. 标准模型接口（Standard model interface）2. 易用且灵活的智能体（Easy to use, highly flexible agent）3. 基于 LangGraph 构建（Built on top of LangGraph）4. LangSmith 调试支持（Debug with LangSmith）

四、LangChain vs. LangGraph vs. Deep Agents 对比

关键说明：

五、核心组件与功能模块

1. 核心组件（Core components）2. 中间件（Middleware）3. 前端支持（Frontend）4. 高级用法（Advanced usage）

六、开发与部署工具

1. 智能体开发2. 部署与可观测性

七、相关资源

官方资源社交平台

---

一、LangChain 概述

LangChain 是一个开源框架，专为构建由大语言模型（LLMs）驱动的自定义智能体和应用程序设计。其核心价值在于：

简化 LLM 集成：仅需不到 10 行代码，即可连接 OpenAI、Anthropic、Google 等主流平台预制智能体架构：提供开箱即用的 agent 设计模式，无需从零搭建无缝扩展能力：支持工具集成、上下文管理、流式传输等关键功能生态兼容：与 LangGraph、LangSmith 等工具深度协同，覆盖从开发到部署全流程

官方定位：快速构建智能体和自主应用的「快车道」，降低 LLM 落地门槛。

---

二、快速入门：5 分钟创建第一个智能体

1. 安装依赖

1. # 安装 LangChain 及 Anthropic 集成包
2. pip install -qU langchain "langchain[anthropic]"

复制代码

2. 完整示例代码

1. from langchain.agents import create_agent
3. # 定义工具函数（示例：获取天气）defget_weather(city:str)->str:"""Get weather for a given city.（获取指定城市天气）"""returnf"It's always sunny in {city}!"# 示例返回，实际可对接真实天气 API# 创建智能体
4. agent = create_agent(
5.     model="claude-sonnet-4-6",# 模型名称（支持 OpenAI/Anthropic 等）
6.     tools=[get_weather],# 绑定工具函数
7.     system_prompt="You are a helpful assistant（你是一个乐于助人的助手）",)# 运行智能体
8. result = agent.invoke({"messages":[{"role":"user","content":"what is the weather in sf（旧金山天气如何）"}]})print(result)# 输出：It's always sunny in sf!

复制代码

3. 下一步

详细安装指南：LangChain 官方安装文档快速入门教程：LangChain Quickstart调试工具：使用 LangSmith 追踪请求、调试行为（需设置环境变量 LANGSMITH_TRACING=true 并配置 API 密钥）

---

三、LangChain 核心优势

1. 标准模型接口（Standard model interface）

问题：不同 LLM 提供商（OpenAI/Anthropic/Google）的 API 格式不一致，切换成本高解决方案：LangChain 标准化交互方式，无缝替换模型提供商，避免 vendor lock-in（供应商锁定）详情：LangChain 模型集成文档

2. 易用且灵活的智能体（Easy to use, highly flexible agent）

低门槛：10 行代码构建基础智能体高扩展性：支持自定义上下文工程、工具链、工作流详情：LangChain 智能体文档

3. 基于 LangGraph 构建（Built on top of LangGraph）

核心能力：持久执行、流式传输、人机协作（Human-in-the-loop）、状态持久化优势：无需了解 LangGraph 即可使用基础功能，进阶场景可深度定制详情：LangGraph 官方文档

4. LangSmith 调试支持（Debug with LangSmith）

可视化工具：追踪执行路径、捕捉状态转换、查看运行时指标核心价值：降低复杂智能体的调试难度，提升开发效率详情：LangSmith 官方文档

---

四、LangChain vs. LangGraph vs. Deep Agents 对比

工具	定位	核心场景	推荐人群
Deep Agents	「电池内置」的智能体（Batteries-included）	快速开发生产级智能体，需长对话压缩、虚拟文件系统等功能	追求开发效率，无需深度定制的用户
LangChain	通用智能体框架	自定义智能体/应用，平衡易用性和扩展性	大多数开发者（入门到进阶）
LangGraph	低级智能体编排框架+运行时	复杂工作流（确定性+智能体混合）、深度定制	高级开发者、复杂场景需求者

关键说明：

Deep Agents 是 LangChain Agents 的具体实现，内置高级功能LangChain Agents 基于 LangGraph 构建，继承其核心能力选择逻辑：先从 Deep Agents 尝试，需定制化则切换到 LangChain，复杂场景再用 LangGraph

---

五、核心组件与功能模块

1. 核心组件（Core components）

Agents（智能体）：决策与工具调用核心Models（模型）：LLM/嵌入模型集成Messages（消息）：对话交互标准化Tools（工具）：外部工具集成（API/数据库等）Short-term memory（短期记忆）：对话上下文管理Streaming（流式传输）：实时输出响应Structured output（结构化输出）：格式化结果返回

2. 中间件（Middleware）

预构建中间件：Prebuilt middleware自定义中间件：Custom middleware

3. 前端支持（Frontend）

前端集成方案：Frontend Overview交互模式与集成案例

4. 高级用法（Advanced usage）

Guardrails（护栏）：内容安全与合规控制Runtime（运行时）：执行环境优化Context engineering（上下文工程）：提升 LLM 响应质量Model Context Protocol (MCP)（模型上下文协议）：跨平台文档连接Human-in-the-loop（人在回路）：人工干预与反馈Multi-agent（多智能体）：协作完成复杂任务Retrieval（检索）：外部知识检索Long-term memory（长期记忆）：持久化记忆存储

---

六、开发与部署工具

1. 智能体开发

LangSmith Studio：可视化开发环境Test（测试）：智能体行为测试工具Agent Chat UI：开箱即用的聊天界面

2. 部署与可观测性

Deployment：部署指南Observability：运行状态监控

---

七、相关资源

官方资源

LangChain 官网GitHub 仓库LangChain Academy：学习课程Forum（社区论坛）Changelog（更新日志）Trust Center（信任中心）

社交平台

X（Twitter）LinkedInYouTube 频道

---

本文基于 LangChain 官方文档整理，如需获取最新信息，请访问 LangChain 官方文档。
如有疑问或补充，欢迎在评论区交流！

---

原文地址：https://blog.csdn.net/lsylovejava/article/details/159430460