Part 4. LangChain 1.0 Agent 开发流程（Markdown 笔记）

主题：LangChain 1.0 全新 Agent 框架、create_agent 的模型接入、工具接入（内置/自定义）、ReAct 循环、记忆管理

关键词：Agent Runtime / LangGraph / Tools / Tool Calling / ReAct Loop / Checkpointer / thread_id

---

0. 总览：LangChain 1.0 的 Agent 发生了什么变化？

LangChain 1.0 最大的变化之一：Agent 体系被"重做"并"统一"。

• 从"碎片化 Agent" → "统一 create_agent API"

  • 0.x 时代：各种 Agent 创建函数分散（不同范式不同入口），学习与维护成本高。

  • 1.0 时代：官方主推统一入口 create_agent(...)，把 Agent 的创建方式"收敛"为一个更统一、可插拔的框架。

• 从"链式脚本" → "Agent Runtime（运行时）"

  • Agent 不只是模型调用脚本，而更像一个可持续运行、能维护状态、能调度工具、能循环推理的"运行体"。

• 底层以 LangGraph 为核心

  • 1.0 开始 LangGraph 更像"底座"：用图结构组织 Agent 的节点与边（推理、工具调用、状态更新等），使 Agent 更可控、更工程化。

---

1. LangChain 1.0 最大更新：全新 Agent 框架介绍

1.1 Agent API "大一统"：统一为 create_agent

LangChain 1.0 把 Agent 的核心创建方式统一到：

• create_agent(model=..., tools=[...], system_prompt=..., checkpointer=...)

相比过去"要记住不同 Agent 工厂函数/不同范式"，1.0 的目标是：

• 接口统一：减少分支、降低心智负担

• 可插拔：模型/工具/记忆都可以灵活替换

• 可扩展：更适合工程化与生产落地

1.2 create_agent 极简调用流程（核心代码骨架）

Notebook 给出的最小创建流程：模型 + 工具 + system_prompt → agent

from langchain.agents import create_agent
from langchain_deepseek import ChatDeepSeek
from langchain_community.tools.tavily_search import TavilySearchResults

web_search = TavilySearchResults(max_results=2)
model = ChatDeepSeek(model="deepseek-chat")

agent = create_agent(
    model=model,
    tools=[web_search],
    system_prompt="你是一名多才多艺的智能助手，可以调用工具帮助用户解决问题。"
)

result = agent.invoke(
    {"messages": [{"role": "user", "content": "请帮我查询2024年诺贝尔物理学奖得主是谁？"}]}
)

要点：

• 输入输出遵循 messages 结构（类似 Chat Completions 的对话消息）

• Agent 内部会根据需要决定是否调用工具，并把工具结果纳入后续推理

1.3 底层架构：LangGraph 作为 Agent Runtime 的支撑

从 1.0 开始：

• Agent 不再是"线性链式执行"

• 而是"图结构运行"（节点/边/状态）

带来典型优势：

1. 接口统一，降低心智负担：开发者更少关心内部差异

2. 跨生态兼容增强：更容易与不同模型/工具体系对接

3. 工程化增强：状态管理、循环控制、可观察性更自然

1.4 与 Agents SDK / ADK 的关系（笔记观点）

Notebook 提到：LangChain 1.0 的 create_agent() 在形式上与某些 Agent SDK 风格接近：
"传入模型 + 工具 + 说明 → 返回可交互 Agent 实例"。

---

2. create_agent API：模型接入方法（静态 / 动态）

2.1 Agent Loop（智能体循环）的核心理解

Agent 并非"一次模型调用结束"，而是一个循环结构（Agent Loop）：

• 模型读入当前上下文（messages + 状态）

• 推理是否要调用工具

• 调用工具、获得 observation（工具返回）

• 结合 observation 再推理

• 不断迭代，直到满足停止条件（给出最终回答）

2.2 两种模型接入模式

A) 静态模型（Static Model）

特点：模型固定，适合快速 demo 与多数稳定生产场景。

方式 1：直接传字符串（框架自动映射/补全标识的思路）

• 你只需要传一个模型名，LangChain 会推断完整标识（Notebook 举了 deepseek 的例子）。

方式 2：先实例化模型对象，再传入

model = ChatDeepSeek(model="deepseek-chat")
agent = create_agent(model=model, tools=[...])

B) 动态模型（Dynamic Model）

特点：可根据上下文/阶段切换模型（成本与效果平衡）

• 例如：

  • 对话初期用小模型省钱

  • 推理变复杂再切到强模型

Notebook 更强调概念与价值：动态模型更适合"复杂任务与成本优化"。

---

3. create_agent 接入内置工具与 Agent 创建流程

3.1 为什么工具接入是 Agent 的关键？

Notebook 直接点明：

• 如果只是模型调用，用 model.invoke 就够了

• 要做 Agent（能行动、能执行任务）就必须接入工具 Tools

3.2 LangChain 常见内置工具类型（Notebook 表格总结）

领域	工具示例	功能说明
搜索与检索	DuckDuckGo / Brave / Bing	联网问答、检索网页摘要与链接
网页浏览提取	Playwright / Selenium	自动化访问、抓取文本、截图等
生产力集成	Slack / Jira / Google Drive	读写消息、工单、文档、文件检索
数据库与向量检索	SQLDatabase / Faiss/Chroma/Milvus	SQL 查询、向量相似检索（RAG）
代码与终端执行	Python REPL / Shell / Requests	运行代码、执行命令、发 HTTP 请求
多模态	DALL·E / Image Search / Whisper	文生图、图片搜索、语音转文本
知识检索增强	VectorStoreRetriever / MultiQuery	文档片段检索、多查询扩展
云与 AI 服务	OpenAI/Azure Functions / Anthropic	调用函数、工具调用能力集成
文件与数据处理	CSV Toolkit / Pandas DF Tool	表格分析、过滤、统计等

示例中重点演示：TavilySearchResults（联网搜索工具）

3.3 内置工具示例：Tavily 搜索工具

初始化工具并直接调用工具：

from langchain_community.tools.tavily_search import TavilySearchResults
web_search = TavilySearchResults(max_results=2)

web_search.invoke("请问截至目前，2025年诺贝尔奖颁发了几个？")

3.4 把内置工具接入 Agent（完整流程）

from langchain.agents import create_agent
from langchain_deepseek import ChatDeepSeek
from langchain_community.tools.tavily_search import TavilySearchResults

web_search = TavilySearchResults(max_results=2)
model = ChatDeepSeek(model="deepseek-chat")

agent = create_agent(
    model=model,
    tools=[web_search],
    system_prompt="你是一名多才多艺的智能助手，可以调用工具帮助用户解决问题。"
)

result = agent.invoke(
    {"messages": [{"role": "user", "content": "请帮我查询2024年诺贝尔物理学奖得主是谁？"}]}
)

3.5 result["messages"]：理解 Agent 的"过程输出"

Notebook 后面逐个查看了：

• result['messages']

• len(result['messages'])

• result['messages'][0/1/2/3]

这暗示一个重要点：

• Agent 输出不仅有最终回答，还可能包含：

  • 用户输入消息

  • 模型的中间响应

  • 工具调用请求（tool call）

  • 工具返回（observation）

  • 最终总结回答

调试 Agent 时，messages 是最关键的可观察对象。

---

4. create_agent 接入自定义工具 & ReAct 循环介绍

4.1 自定义工具的本质

工具 = 一个可被 Agent 调用的函数（带清晰输入输出约束）

Notebook 给了两个工具案例：

1. get_weather(loc)：调用 OpenWeather API 查天气

2. write_file(content)：写入本地文件

4.2 自定义工具示例 1：天气查询（requests 调 API）

（原始函数版本）

def get_weather(loc):
    url = "https://api.openweathermap.org/data/2.5/weather"
    params = {
        "q": loc,
        "appid": os.getenv("OPENWEATHER_API_KEY"),
        "units": "metric",
        "lang": "zh_cn"
    }
    response = requests.get(url, params=params)
    data = response.json()
    return json.dumps(data)

关键点：

• 通过环境变量读取 OPENWEATHER_API_KEY

• 返回 JSON（字符串化）作为工具输出，便于模型消费

4.3 用 @tool 把函数"工具化"

LangChain 需要知道：

• 这个函数可以被工具调用

• 其参数与返回值是什么

Notebook 的做法：

from langchain.tools import tool

@tool
def get_weather(loc):
    ...

4.4 自定义工具示例 2：写文件工具（强调健壮性）

@tool
def write_file(content: str) -> str:
    try:
        timestamp = datetime.now().strftime("%Y%m%d_%H%M%S")
        filename = f"output_{timestamp}.txt"

        with open(filename, "w", encoding="utf-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)}"

这里有个工程细节非常重要（Notebook 特意标注 ✅）：

• 先定义 filename/timestamp，避免异常路径下变量未绑定

4.5 把多个自定义工具接入 Agent，并触发"多步任务"

agent = create_agent(
    model=model,
    tools=[get_weather, write_file],
    system_prompt="你是一名多才多艺的智能助手，可以调用工具帮助用户解决问题。"
)

result = agent.invoke(
    {"messages": [{"role": "user", "content": "请帮我查询天津、石家庄、上海等地天气，并写入本地文件。"}]}
)

这类任务通常会触发典型的 ReAct / Agent Loop：

• 先规划：要查多个城市

• 多次调用 get_weather

• 汇总成一段内容

• 调用 write_file 写入落盘

• 最后把结果路径/摘要回复用户

4.6 ReAct 循环（你需要把它当成"运行机制"而不是"提示词技巧"）

虽然 Notebook 没把 ReAct 展开成公式，但从"工具调用 + observation + 再推理"的 messages 过程可以直接理解：

• Reason（推理）：决定下一步做什么

• Act（行动）：调用哪个工具、传什么参数

• Observe（观察）：读取工具返回

• 循环直到完成目标

---

5. create_agent 记忆管理（Memory / Checkpointer）

5.1 为什么需要记忆？

真实 Agent 场景里必须解决：

• 多轮对话上下文

• 状态持久化（同一会话 thread）

• 多用户/多线程隔离

Notebook 用 LangGraph 的 checkpointer 做记忆保存。

5.2 InMemorySaver：最小可用的"内存型 checkpoint"

from langgraph.checkpoint.memory import InMemorySaver
checkpointer = InMemorySaver()

tools = [get_weather]
agent = create_agent(model=model, tools=tools, checkpointer=checkpointer)

要点：

• checkpointer 负责保存/恢复状态

• InMemorySaver 适合 demo（进程重启就没了），生产一般换持久化实现

5.3 用 thread_id 区分会话（同一 thread 才能"记得你"）

同一 thread：记忆生效

config = {"configurable": {"thread_id": "1"}}

response = agent.invoke(
    {"messages": [{"role": "user", "content": "你好，我叫陈明，好久不见！"}]},
    config
)

response = agent.invoke(
    {"messages": [{"role": "user", "content": "你好，请问你还记得我叫什么名字么？"}]},
    config
)

并可读取当前线程状态：

latest = agent.get_state(config)

不同 thread：重新开一段新对话（记忆隔离）

config2 = {"configurable": {"thread_id": "2"}}

response2 = agent.invoke(
    {"messages": [{"role": "user", "content": "你好，你还记得我叫什么名字么？"}]},
    config2
)

核心结论：

• thread_id 是"记忆作用域"的关键开关

• 同 thread = 共享记忆；不同 thread = 互相隔离

---

6. 开发清单（按 Notebook 流程提炼）

1. 准备环境变量

   • 模型 key / 工具 key（如 OpenWeather、Tavily 等）

2. 选择模型接入方式

   • 静态模型（简单稳定）

   • 动态模型（成本/能力自适应）

3. 准备工具

   • 先用内置工具验证流程（如 Tavily）

   • 再写自定义工具（用 @tool 包装）

4. 创建 Agent

   • create_agent(model, tools, system_prompt, checkpointer)

5. 调试与可观察性

   • 重点看 result["messages"] 的全过程

6. 上线前补齐记忆/状态

   • checkpointer + thread_id 做多轮会话隔离与记忆