不止是调用大模型：LangChain 如何构建真正的 Agent？

Langchain大模型很强但它本质上只是“会说话”。当我们希望模型查天气、写文件、调用接口、跨步骤决策时就需要一个能够编排模型与工具的框架。LangChain 正是为此而生——它让大模型不只是回答问题而是成为一个可以思考、决策、调用工具并完成多步任务的智能Agent系统。Langchain的安装一Agent 是一种智能决策模式而 LangChain 是构建 Agent 的工程框架。LLM大模型负责“思考和生成文本”Tool工具负责“执行真实世界的操作”如查天气、下单等操作Agent负责“决定什么时候调用什么工具”LangChain提供“组织和编排这些能力构建Agent的框架”Langchain是python模块通过pip/conda可一步安装pip install langchain_community pip install langchain pip install langchain-deepseek ##langchain直接调用 DeepSeek langchain.__version__ 1.2.10Langchain支持工具的多步和并行并行多任务并行执行如同时查询北京和上海的天气多步链式思考 多种工具交互执行的过程搭建Agent实例——查询天气并写入本地文件二Agent流程如下用户问题 ↓ Agent 接收消息 ↓ 模型判断需要查询天气 ↓ 调用 get_weather(北京) 调用 get_weather(上海) ↓ 模型整理天气信息 ↓ 调用 write_file(整理后的内容) ↓ 返回写入成功提示2.1 工具的撰写我们需要撰写两个工具get_weather查询天气write_file查询结果写入本地文件get_weather实际需要登录【https://openweathermap.org/】并注册获取API-key但需要绑定国外银行卡付费因此我这里模拟了天气数据。tool def get_weather(city: str, unit: str celsius) - str: 获取指定城市的天气信息Mock函数实际调用天气API Args: city: 城市名称 unit: 温度单位celsius或fahrenheit Returns: 天气信息的JSON字符串 #模拟天气数据 weather_data { 北京: {temperature: 15, condition: 晴天, humidity: 45}, 上海: {temperature: 20, condition: 多云, humidity: 60}, 深圳: {temperature: 28, condition: 小鱼, humidity: 75}, } #检查城市是否存在于模拟数据中 if city in weather_data: data weather_data[city] if unit fahrenheit: data[temperature] int(data[temperature] * 9/5 32) return json.dumps({ city: city, temperature: data[temperature], unit: unit, condition: data[condition], humidity: data[humidity] }, ensure_ascii False) else: return json.dumps({error: f未找到 {city} 的天气数据}, ensure_ascii False) tool def write_file(content: str) - str: 将指定内容写入本地文件。 :param content: 必要参数字符串类型用于表示需要写入文档的具体内容。 :return: 写入结果提示信息。 try: # ✅ 始终先定义文件名防止未绑定变量 timestamp datetime.now().strftime(%Y%m%d_%H%M%S) filename foutput_{timestamp}.txt # 写入文件 with open(filename, w, encodingutf-8) as f: f.write(content) abs_path os.path.abspath(filename) return f✅ 已成功写入本地文件{abs_path} except Exception as e: return f❌ 文件写入失败{str(e)}2.2 导入相关python库import json import os import requests from openai import OpenAI from dotenv import load_dotenv import langchain from langchain_deepseek import ChatDeepSeek from langchain.tools import tool from langchain.agents import create_agent from langchain_community.tools.tavily_search import TavilySearchResults from datetime import datetime2.3 Langchain实际使用load_dotenv(overrideTrue) #1 导入模型 model ChatDeepSeek(modeldeepseek-chat,api_key os.getenv(DEEPSEEK_API_KEY)) #2 创建Agent agent create_agent( modelmodel, tools[get_weather, write_file], system_prompt你是一个多才多艺的智能助手可以调用工具帮助用户解决问题。 ) #3 运行Agent获得结果 #问题3.1 result agent.invoke( {messages:[{role:user,content: 北京和上海哪个地方更冷}]} ) print(result[messages][-1].content) #问题3.2 result agent.invoke( {messages:[{role:user,content: 帮我查询北京和上海的天气并帮我写入本地文件。}]} ) print(result[messages][-1].content)2.4.1 【北京和上海哪个地方更冷】问题结果2.4.2 【帮我查询北京和上海的天气并帮我写入本地文件】命令结果查看输出的文件小结通过这个示例可以看到LangChain 的价值不在于绑定某个模型而在于提供一套可扩展的智能编排框架模型负责思考工具负责执行Agent 负责决策。无论是 DeepSeek 还是通过 langchain_openai 接入 OpenAI 等模型都可以在同一套架构下灵活替换而业务逻辑基本不变。当我们从“写 Prompt”升级到“设计流程”LangChain 才真正成为构建智能应用的基础设施。这里给大家精心整理了一份全面的AI大模型学习资源包括AI大模型全套学习路线图从入门到实战、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等资料免费分享扫码免费领取全部内容1. 成长路线图学习规划要学习一门新的技术作为新手一定要先学习成长路线图方向不对努力白费。这里我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。2. 大模型经典PDF书籍书籍和学习文档资料是学习大模型过程中必不可少的我们精选了一系列深入探讨大模型技术的书籍和学习文档它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。书籍含电子版PDF3. 大模型视频教程对于很多自学或者没有基础的同学来说书籍这些纯文字类的学习教材会觉得比较晦涩难以理解因此我们提供了丰富的大模型视频教程以动态、形象的方式展示技术概念帮助你更快、更轻松地掌握核心知识。4. 2026行业报告行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。5. 大模型项目实战学以致用当你的理论知识积累到一定程度就需要通过项目实战在实际操作中检验和巩固你所学到的知识同时为你找工作和职业发展打下坚实的基础。6. 大模型面试题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我们将提供精心整理的大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。7. 资料领取全套内容免费抱走学 AI 不用再找第二份不管你是 0 基础想入门 AI 大模型还是有基础想冲刺大厂、了解行业趋势这份资料都能满足你现在只需按照提示操作就能免费领取扫码免费领取全部内容