30 行代码 langChain.js 开发你的第一个 Agent

大家好，我是双越老师，也是 wangEditor 作者。

我正开发一个 Node 全栈 AIGC 知识库划水AI，包括 AI 写作、多人协同编辑。复杂业务，真实上线，大家可以去注册试用，围观项目研发过程。

文章同时被发布到【划水AI】欢迎点赞 www.huashuiai.com/pub/langcha...

开始

LangChain 是一个开发 LLM 应用的框架，是目前 LLM 开发最流行的解决方案之一。最早是 Python 开发的，后来也出来 JS 语言的，现在已经更新到 v0.3 版本。

本文将使用 LangChain 开发一个简单的 AI Agent，可使用自然语言来查询天气。再使用 LangGraph 进行自定义流程。

开发第一个 Agent

首先创建一个 nodejs 项目，并安装 langchain 和 dotenv ，后面我们需要使用环境变量。

css 复制代码

npm i langchain dotenv

使用 Tavily 搜索功能

Tavily 是一个搜索引擎，可以让你的 LLM 和 Agent 有联网搜索的能力，例如搜索天气。

你需要注册登录并创建一个 API key ，Tavily 可免费使用 1000 次，足够学习使用。

把 API key 放在代码库 .env 文件中

env 复制代码

TAVILY_API_KEY=xxx

安装 langchain tavily 插件

css 复制代码

npm i @langchain/tavily

然后创建一个 agent.js 文件，代码如下

js 复制代码

import 'dotenv/config'
import { TavilySearch } from '@langchain/tavily'

// 定义 tools
const agentTools = [
    new TavilySearch({
        maxResults: 3 // 最多查询 3 个结果
    })
]

选择一个大模型

langChain 集成了有很多 LLM 可供选择 js.langchain.com/docs/integr...

它默认推荐的是 OpenAI 但是在国内我们没法直接调用它的 API ，所以我当前选择的是 DeepSeek 。

注册登录 DeepSeek 创建一个 API key 并把它放在 .env 文件中

env 复制代码

DEEPSEEK_API_KEY=xxx

安装 langChain deepseek 插件

css 复制代码

npm i @langchain/deepseek

然后继续写 agent.js 代码

javascript 复制代码

import { ChatDeepSeek } from '@langchain/deepseek'


// 定义 llm
const agentModel = new ChatDeepSeek({ model: 'deepseek-chat', temperature: 0 })

使用 langGraph 创建 Agent

langGraph 是基于 langChain 的框架，用于构建可控制的 Agent ，是现代开发 Agent 最流行的解决方案之一。

安装 langGraph 必要插件

bash 复制代码

npm install @langchain/langgraph @langchain/core

然后继续写 agent.js 代码

js 复制代码

import { MemorySaver } from '@langchain/langgraph'
import { createReactAgent } from '@langchain/langgraph/prebuilt'

// Initialize memory to persist state between graph runs
const agentCheckpoint = new MemorySaver()

// Create agent
const agent = createReactAgent({
  llm: agentModel, // 使用之前创建的 llm
  tools: agentTools, // 使用之前创建的 tools
  checkpointSaver: agentCheckpoint, // 记忆，保存状态数据
})

使用 createReactAgent 来创建一个 Re-Act Agent 智能体。Re-Act 即 Reason + Act 推理和执行，它可以使用 llm 自主推理并选择调用哪个 tool 获取结果。这也是 Agent 的特点之一。

agentCheckpoint 可以存储近期对话记录，让 llm 有记忆能力。否则你刚说自己叫张三，再问它我的名字，它就忘了。

调用 Agent

继续写 agent.js 代码，使用 agent.invoke 方法调用 agent ，传入 HumanMessage 即 prompt 提示词

js 复制代码

import { HumanMessage } from '@langchain/core/messages'

// test1
const agentFinalState = await agent.invoke(
  { messages: [new HumanMessage('what is the current weather in sf')] },
  { configurable: { thread_id: '1' } }
)
console.log(
  agentFinalState.messages[agentFinalState.messages.length - 1].content
)

// test2
const agentNextState = await agent.invoke(
  { messages: [new HumanMessage('what about Beijing')] },
  { configurable: { thread_id: '1' } }
)
console.log(agentNextState.messages[agentNextState.messages.length - 1].content)

执行 node agent.js 可以看到控制台打印结果，可以查询到 San Francisco 和 Beijing 的天气。

这里的 { thread_id: '1' } 是 Memory 存储记忆的索引， thread_id 相同的才是同一个对话记录，才能共享记忆。例如这里第二次调用时 prompt 是 'what about Beijing' 并没有问天气，但是 llm 也能根据上一次对话判断出这里是问天气，所以才能给出正确答案。

还可以使用 agent.stream 方式流式输出，配合前端可实现打字效果

javascript 复制代码

// streaming
const stream = await agent.stream(
  { messages: [new HumanMessage('what is the current weather in sf')] },
  { configurable: { thread_id: '1' }, streamMode: 'updates' }
)
for await (const step of stream) {
  console.log(JSON.stringify(step))
}

以上就是一个最基本的 AI ReAct Agent，核心代码不到 30 行。它包含三个要素：llm + tools + memory ，可以根据自然语言自主推理并调用 tool 获取结果，最后组合为自然语言，返回给用户。

自定义 Agent 行为

ReAct Agent 可以自主推理并执行，但如果你想自己控制这个流程呢？ LangGraph 可以让你自定义 Agent 行为。

定义 toolNode

继续修改你的 agent.js代码。定义一个 toolNode ，并且在创建 model 时绑定 tools 。

js 复制代码

import { ToolNode } from '@langchain/langgraph/prebuilt'

// Define the tools for the agent to use
const tools = [new TavilySearch({ maxResults: 3 })]
const toolNode = new ToolNode(tools)

// Create a model and give it access to the tools
const model = new ChatDeepSeek({
  model: 'deepseek-chat',
  temperature: 0,
}).bindTools(tools)

定义节点函数

然后定义一个函数 shouldContinue 用于判断 llm 是否要发起一个 tool 调用？

js 复制代码

// Define the function that determines whether to continue or not
function shouldContinue({ messages }) {
  const lastMessage = messages[messages.length - 1]

  // If the LLM makes a tool call, then we route to the "tools" node
  if (lastMessage.tool_calls?.length) {
    return 'tools'
  }
  // Otherwise, we stop (reply to the user) using the special "__end__" node
  return '__end__'
}

再定义一个函数 callModel 用于调用 llm 并返回结果

js 复制代码

// Define the function that calls the model
async function callModel(state) {
  const response = await model.invoke(state.messages)

  // We return a list, because this will get added to the existing list
  return { messages: [response] }
}

定义工作流

最后定义工作流 workflow ，并编译为一个 app 。这个 app 可以被触发执行。

js 复制代码

// Define a new graph
const workflow = new StateGraph(MessagesAnnotation)
  .addNode('agent', callModel) // 添加节点 agent ，对应 callModel 函数
  .addEdge('__start__', 'agent') // 添加"边"，流程开始就指向 agent 节点
  .addNode('tools', toolNode) // 添加节点 tools ，对应 toolNode
  .addEdge('tools', 'agent') // 添加边，tools 节点指向 agent 节点
  .addConditionalEdges('agent', shouldContinue) // 添加条件边，根据 shouldContinue 函数里的逻辑，有 tool_calls 返回 'tools' 即指向 tools 节点，否则返回 '__end__' 即流程结束

// Finally, we compile it into a LangChain Runnable.
const app = workflow.compile()

工作流的定义过程看以上代码的注释，整体的流程图如下：开始，先执行 agent，再执行 shouldContinue 判断，然后要么结束、要么去执行 tools ，tools 再到 agent 。

arduino 复制代码

/* workflow diagram
           ┌──────────┐
           │ __start__│
               ↓
          ┌──────────┐
          │  agent   │ ←────────┐
          └────┬─────┘          │
               ↓                │
        ┌───────────  ─┐        │
        │shouldContinue│── tools│
        └────┬───────  ┘        │
             ↓                  ↓
         __end__        ┌──────────┐
                        │  tools   │
                        └──────────┘

*/

调用工作流

同样可以使用 invoke 方法触发工作流，传入 HumanMessage 即用户 prompt 信息

js 复制代码

const finalState = await app.invoke({
  messages: [new HumanMessage('what is the weather in sf')],
})
console.log(finalState.messages[finalState.messages.length - 1].content)

const nextState = await app.invoke({
  // Including the messages from the previous run gives the LLM context.
  // This way it knows we're asking about the weather in NY
  messages: [...finalState.messages, new HumanMessage('what about ny')],
})
console.log(nextState.messages[nextState.messages.length - 1].content)

控制台执行 node agent.js 返回结果如下

最后

使用 ReAct Agent 会更加灵活，使用 StateGraph 可以自定义控制 Agent 行为，langChain 提供了强大的 LLM 开发能力。

最后，前端想学全栈 + AI 开发，可以看看我做的划水AI 项目，AI 写作、多人协同编辑。复杂业务，真实上线，可注册试用。