Agent开发：LangChain1.0快速入门（一）

本期与各位看官分享如何基于LangChain1.0开发Agent。如上一期的介绍，在LangChain1.0中， langchain包的重心围绕Agent这一抽象概念展开，提供了create_agent这一统一的Agent创建高级接口。作为入门，我们先看一个基础的Agent开发例子。

python 复制代码

from langchain.chat_models import init_chat_model
from langchain.agents import create_agent
from config import api_key, api_base

# 模型接入
def init_model():
    model = init_chat_model(
        api_key = api_key,
        base_url = api_base,
        model = "Qwen/Qwen3-8B",
        model_provider = "openai",
        temperature = 0.7,
    )
    return model

# 工具定义
def get_weather(city: str) -> str:
    """获取指定城市的天气"""
    return f"{city} 的天气是晴朗的"

# 模型初始化
model = init_model()
# 创建Agent
agent = create_agent(
    model=model,
    tools=[get_weather],
    system_prompt="你是一个智能个人助理",
)
input = {"messages": [{"role": "user", "content": "北京天气如何？"}]}
# 运行Agent
resp = agent.invoke(input)
print(resp['messages'][-1].content)

从这个简单的例子我们看到，仅仅通过create_agent这个接口，我们就可以实现一个简单的Agent。这对开发者来说太友好了。事实上，create_agent接口可以通过传入各种参数，实现各种Agent功能的拓展。下面我们对create_agent接口进行进一步详细的解析。

一、create_agent接口参数

create_agent参数列表如下：

python 复制代码

    model: str | BaseChatModel,
    tools: Sequence[BaseTool | Callable | dict[str, Any]] | None = None,
    *,
    system_prompt: str | None = None,
    middleware: Sequence[AgentMiddleware[AgentState[ResponseT], ContextT]] = (),
    response_format: ResponseFormat[ResponseT] | type[ResponseT] | None = None,
    state_schema: type[AgentState[ResponseT]] | None = None,
    context_schema: type[ContextT] | None = None,
    checkpointer: Checkpointer | None = None,
    store: BaseStore | None = None,
    interrupt_before: list[str] | None = None,
    interrupt_after: list[str] | None = None,
    debug: bool = False,
    name: str | None = None,
    cache: BaseCache | None = None,

1、model（模型）

智能体依赖的对话模型，类型为字符串或者BaseChatModel。可以是有一个标识大模型的字符串，如"openai:gpt-4"；也可以是一个chat model实例，如langchain_openai.ChatOpenAI 或者通过init_chat_model接口自定义的chat model实例。

2、tools（工具集）

一个可供大模型调用的工具列表，列表元素类型为BaseTool，Callable或者字典。

3、system_prompt（系统提示词）

可选参数，参数类型为字符串。系统提示词被转换为一个langchain.messages.SystemMessage实例添加到消息列表的开始位置。

4、middleware（中间件）

一个应用于Agent的中间件实例列表。中间件可在不同阶段拦截并修改智能体的行为。后续我们会详细介绍中间件的使用。

5、response_format（响应格式）

可选配置项，用于格式化输出。可以是ToolStrategy, ProviderStrategy, 或者Pydantic的模型类。若提供相关配置，智能体将在对话流程中处理结构化输出。原始模式会根据模型能力，通过合适的策略进行封装。

6、state_schema（状态元信息）

一个可选的 TypedDict 模式，用于扩展 AgentState。

如果提供了该模式，它将替代 AgentState 作为基础模式，与中间件状态模式进行合并。这使得用户无需创建自定义中间件，就能添加自定义状态字段。通常情况下，建议通过中间件使用 state_schema 扩展，以确保相关扩展的作用域与对应的钩子 / 工具保持一致。

该模式必须是 AgentState $ResponseT$ 的子类。

7、context_schema（上下文元信息）

可选项，运行时上下文的元信息。

8、checkpointer（检查点）

可选项，检查点存储对象。

9、store（存储）

可选项，用于夸线程存储持久化数据。

10、interrupt_before

可选项，一个节点名称列表，在节点运行前被打断。若你希望在执行某个操作前添加用户确认或其他中断流程的步骤，此功能会非常实用。

11、interrupt_after

可选项，一个节点列表，在节点运行结束后被打断。若你希望直接返回输出结果，或对输出结果执行额外处理，此功能会非常实用。

12、debug

是否为图执行启用详细日志记录。启用后，会在智能体运行期间打印关于每个节点执行、状态更新及状态转换的详细信息。此功能对于调试中间件行为和理解智能体执行流程非常实用。

13、name

可选项，CompiledStateGraph的名称。当将智能体图作为子图节点添加到另一个图中时，此名称会被自动使用 ------ 这在构建多智能体系统时尤其有用。

14、cache

可选项，一个BaseCache实例，用于启用图执行的缓存功能。

二、create_agent接口返回类型

一个已编译的 StateGraph（状态图），可用于对话交互场景。

智能体节点会（在应用系统提示词后）结合消息列表调用语言模型。若生成的 $AIMessage$ $langchain.messages.AIMessage$ （AI 消息）中包含 tool_calls（工具调用指令），则该状态图会进而调用工具。工具节点会执行这些工具，并将工具响应以 $ToolMessage$ $langchain.messages.ToolMessage$ （工具消息）对象的形式添加至消息列表。随后，智能体节点会再次调用语言模型。此过程会重复进行，直至响应中不再包含 tool_calls（工具调用指令）为止。最终，智能体将返回完整的消息列表。

三、智能体调用

你可以通过向智能体的状态（State）传递更新来调用智能体。所有智能体的状态中都包含一系列消息；若要调用智能体，只需传递一条新消息即可：

python 复制代码

result = agent.invoke(
    {"messages": [{"role": "user", "content": "北京天气如何?"}]}
)

如需从智能体获取流式步骤和 / 或流式令牌（token），请参考流式处理指南（streaming guide）。

除此之外，该智能体遵循 LangGraph 图 API（LangGraph Graph API）规范，并支持所有相关关联方法。

四、总结

本期我们了解了LangChain1.0基本Agent的开发，并详细了解了create_agent接口。这些是我们基于LangChain1.0开发Agent的MVP知识点。