前面我们基于原生LangGraph完成了基础React的设置与使用，从工具定义、节点逻辑到图结构搭建都需要手动配置，可以看到，采用全手动实现虽然能精准控制流程，但步骤相对烦琐。
为我们后续的智能体开发提供了更高效的捷径。而LangGraph中的create_agent模块已封装ReAct模式的核心循环（思考－行动－观察），内置了工具调用、状态管理等关键逻辑，无须再手动定义节点衔接和条件判断，能快速实现具备工具调用能力的智能体，大幅简化开发流程的同时，保留了灵活扩展的特性。
5.3.1 creat_agent的基础使用
在创建和使用上，LangChain的create_agent是构建智能体的核心接口，它封装了大模型与工具调用的联动逻辑，能快速实现"接收指令－分析需求－生成响应"的基础能力。需要注意的是，该接口的完整调用需包含大模型实例、工具列表（可选，无工具时为纯对话智能体）、智能体类型等关键参数，仅传入模型会导致初始化失败。下面我们从基础对话智能体入手，逐步掌握其使用方法。
1. 基础对话智能体：最小化实现
若仅需构建"无工具"的纯对话智能体，需确保传入 model（大模型实例）和 agent_type（智能体类型，指定为纯对话模式）。以下是完整的基础实现代码：
from langchain.agents import create_agent
import bigmodel
agent = create_agent(
model=bigmodel.llm
)
reply = agent.invoke({"messages":"你好"})
print(reply"messages"-1.content)
在以上代码中，我们使用create_agent调用了大模型并进行封装和整合，直接借助大模型的语义理解能力生成回复。
2. 添加工具支持的智能体
除了上面的纯对话智能体外，我们还可以通过对create_agent智能体绑定实用工具（如天气查询、计算器等），让其从"纯对话"升级为"能办事"的智能体。以下是添加"天气查询工具"的完整示例：
from langchain_core.tools import tool
2. 定义工具(Tools)
@tool("get_weather_info")
def get_weather_info(city: str) -> str:
"""
根据城市名称查询当前天气状况
Args:
city (str): 城市的中文全称
"""
weather_data = {
"上海": "城市：上海 | 天气：晴 | 温度：18℃ | 风向：东南风 | 湿度：65%",
"南京": "城市：南京 | 天气：多云 | 温度：15℃ | 风向：北风 | 湿度：70%",
"杭州": "城市：杭州 | 天气：小雨 | 温度：12℃ | 风向：西北风 | 湿度：80%",
}
return weather_data.get(city, f"未查询到{city}的天气信息")
@tool
def get_weather_tips(city: str) -> str:
"""
根据城市名称返回3条天气相关的生活建议
Args:
city (str): 城市的中文全称
"""
tips_data = {
"上海": "天气晴朗，适合户外活动；紫外线较强，注意防晒；早晚温差大",
"南京": "多云天气，适宜出行；风力不大，适合晾晒衣物；空气较干燥",
"杭州": "有小雨，出门记得带伞；路面湿滑，注意行车安全；气温较低，适当添衣",
}
return tips_data.get(city, f"暂无{city}的相关天气建议")
from langchain.agents import create_agent
import bigmodel
agent = create_agent(
model=bigmodel.llm,
system_prompt="你需要回答来自于用户的提问, 在需要的时候还可以使用工具帮助你完成这些任务。",
tools=get_weather_info, get_weather_tips
)
result = agent.invoke({"messages":"上海的天气是什么？"})
result = result"messages"-1.content
print(result)
在以上代码中，我们在使用create_agent时，除了原有的注入模型外，还额外添加了系统定义提示词system_prompt以及tools工具的定义，从而在使用时可以对其进行直接调用，输出结果如下：
上海当前的天气是晴天，气温为18℃，风向为东南风，湿度为65%。
读者可以自行尝试运行。
5.3.2 使用create_agent构建React
在5.2.2节中，我们通过手动定义工具节点、思考节点、条件判断逻辑，完整搭建了一个遵循React模式的智能体------整个过程需要手动串联"接收需求→判断是否调用工具→执行工具→整合结果"的全流程，虽能清晰理解React的核心原理，但开发效率较低。
而LangChain的create_agent接口恰好解决了这一问题：它内置了React模式的核心逻辑，能自动完成"需求分析→工具决策→结果整合"的闭环，我们只需传入大模型、工具列表等核心组件，即可快速构建出具备工具调用能力的React智能体，大幅简化了开发流程。
下面是使用create_agent构建天气查询React智能体的完整实现，代码保留了工具定义与智能体核心配置，可直接用于调试：
from langchain_core.tools import tool
2. 定义工具(Tools)
@tool("get_weather_info")
def get_weather_info(city: str) -> str:
"""
根据城市名称查询当前天气状况
Args:
city (str): 城市的中文全称
"""
weather_data = {
"上海": "城市：上海 | 天气：晴 | 温度：18℃ | 风向：东南风 | 湿度：65%",
"南京": "城市：南京 | 天气：多云 | 温度：15℃ | 风向：北风 | 湿度：70%",
"杭州": "城市：杭州 | 天气：小雨 | 温度：12℃ | 风向：西北风 | 湿度：80%",
}
return weather_data.get(city, f"未查询到{city}的天气信息")
@tool
def get_weather_tips(city: str) -> str:
"""
根据城市名称返回3条天气相关的生活建议
Args:
city (str): 城市的中文全称
"""
tips_data = {
"上海": "天气晴朗，适合户外活动；紫外线较强，注意防晒；早晚温差大",
"南京": "多云天气，适宜出行；风力不大，适合晾晒衣物；空气较干燥",
"杭州": "有小雨，出门记得带伞；路面湿滑，注意行车安全；气温较低，适当添衣",
}
return tips_data.get(city, f"暂无{city}的相关天气建议")
from langchain.agents import create_agent
import bigmodel
agent = create_agent(
model=bigmodel.llm,
system_prompt="你是一个智能体，可以使用工具完成任务，现在处理发来的信息内容。在需要的时候可以使用工具，在获得答案时需要对信息进行进一步处理。",
tools=get_weather_info, get_weather_tips
)
result = agent.invoke({"messages":"上海天气怎么样，有什么生活建议吗？"})
result = result"messages"-1.content
print(result)
对比5.2.2节的手动实现示例，本示例中create_agent的价值主要体现在以下三点：
- 无须手动定义思考节点：智能体自动封装大模型的"思考逻辑"，无须像手动实现时那样编写run_llm函数判断工具调用时机。
- 自动管理工具调用流程：支持多工具联动调用，无须手动编写工具执行后的跳转逻辑（如5.2.2节的should_continue条件函数）。
- 结果整合更智能：大模型会根据system_prompt的要求，将多个工具的返回结果整合为连贯的自然语言，无须手动处理结果拼接。
输出结果如下：
上海当前天气晴朗，气温为18℃，东南风，湿度65%。以下是几条生活建议：
-
适合户外活动：天气晴好，可以安排散步、运动或郊游。
-
注意防晒：紫外线较强，外出时建议涂抹防晒霜、戴帽子或太阳镜。
-
应对温差：早晚温差较大，建议适当增减衣物，避免着凉。
希望这些建议对您有帮助！
create_agent构建的智能体在使用中还需要注意以下两点。
- 消息格式规范：代码中直接传入字符串"上海天气怎么样......"不符合LangChain规范，会导致报错。正确用法是将其封装为HumanMessage对象，即{"messages": HumanMessage(content="上海天气怎么样，有什么生活建议吗？")}，这样才能被智能体正确识别为用户需求。
- 内置的React循环：调用后智能体会自动完成React流程------先分析需求（用户需要上海的天气和建议，需调用两个工具），再依次调用工具获取结果，最后整合结果生成自然语言回复，整个过程无须手动干预。
