LangChain 入门和Agent原理

安装依赖
添加环境变量
加载环境变量
定义工具
[创建 Agent](#创建 Agent)
发起调用

Python - UV 为每个项目创建独立、干净的Python工作空间
UV 中文文档：https://uv.doczh.com/

安装依赖

复制代码

cd D:\OpenSource\Python\VipLangChain

# 初始化 uv 项目（可选）
uv init

# 1. 创建虚拟环境
uv venv

# 2. 激活虚拟环境（Windows）
.venv\Scripts\activate

# 3. 安装环境变量
uv add python-dotenv --default-index https://pypi.tuna.tsinghua.edu.cn/simple

# LangChain 支持各种不同的模型，而且提供了对应的兼容SDK,不过也都需要安装对应依赖，
# 4. 安装 LangChain 依赖
# -v 可以显示 debug 日志
uv add langchain -v --default-index https://pypi.tuna.tsinghua.edu.cn/simple

# 5. 集成 DeepSeek
uv add langchain-deepseek --default-index https://pypi.tuna.tsinghua.edu.cn/simple

# 如果需要集成 OpenAI
uv add langchain-openai --default-index https://pypi.tuna.tsinghua.edu.cn/simple

# 如果需要集成 Anthropic
uv add langchain-anthropic --default-index https://pypi.tuna.tsinghua.edu.cn/simple

为了测试环境，创建一个 notebook (jupyter)

复制代码

uv add notebook

pyproject.toml

复制代码

[project]
name = "vip-langchain"
version = "0.1.0"
description = "Add your description here"
readme = "README.md"
requires-python = ">=3.12"
dependencies = [
    "langchain>=1.3.4",
    "langchain-deepseek>=1.0.1",
    "notebook>=7.5.6",
    "python-dotenv>=1.2.2",
]

[[tool.uv.index]]
url = "https://pypi.tuna.tsinghua.edu.cn/simple"
default = true

python 复制代码

print("Hello LangChain")

Hello LangChain

添加环境变量

创建 .env 文件

复制代码

DEEPSEEK_API_KEY=sk-7c0asdffasd.........

加载环境变量

python 复制代码

# 1. 加载环境变更
from dotenv import load_dotenv

load_dotenv()

定义工具

Agent 的核心能力之一是 Tool Calling（工具调用）。

python 复制代码

# 2. 定义工具
from langchain.tools import tool

# 定义一个工具，其实就是定义一个方法通过 @tool 进行修饰
@tool
def getWeather(city: str) -> str:
    """
    通过调用第三方接口，将天气进行返回
    """
    return f"{city} 今天是晴天，气温25度"

创建 Agent

接下来创建一个 Agent，并指定使用 deepseek 模型。

LangChain 会自动加载.env 文件中的 DEEPSEEK_API_KEY ，并根据指定的模型，去访问对应的接口地睛，无需要指定接口地址

模型不能调工具，但它可以返回的内容里包含想要调的工具名 tool_calls，这时候 LangChain 会自动去调工具

python 复制代码

# 3. 创建 Agent
from langchain.agents import create_agent

agent = create_agent(
    # 前面加上 "openai:qwen-plus" 前缀，指定模型
    "deepseek-chat",
    tools=[getWeather],
    system_prompt="You are a helpful assistant"
)

发起调用

LangChain 会自动调用 get_weather 方法，并返回结果。

python 复制代码

# 调用 Agent
print("正在调用大模型...")
response = agent.invoke(
    {
      "message": [
        {"role": "user", "content": "苏州今天的天气如何？"}
      ]
    }
)
print(response)

# 格式化打印
for message in response["messages"]:
    print(message.model_dump_json(indent=2))

复制代码

正在调用大模型...
{'messages': [AIMessage(content='您好！我是智能助手，请问有什么可以帮您的？比如查询天气等。', additional_kwargs={'refusal': None}, response_metadata={'token_usage': {'completion_tokens': 18, 'prompt_tokens': 280, 'total_tokens': 298, 'completion_tokens_details': None, 'prompt_tokens_details': {'audio_tokens': None, 'cached_tokens': 256}, 'prompt_cache_hit_tokens': 256, 'prompt_cache_miss_tokens': 24}, 'model_provider': 'deepseek', 'model_name': 'deepseek-v4-flash', 'system_fingerprint': 'fp_8b330d02d0_prod0820_fp8_kvcache_20260402', 'id': '6f0ff3be-4172-430f-a30a-d5a5d25ab5c9', 'finish_reason': 'stop', 'logprobs': None}, id='lc_run--019e8d6d-08e4-7bf0-8fb5-13610f76b071-0', tool_calls=[], invalid_tool_calls=[], usage_metadata={'input_tokens': 280, 'output_tokens': 18, 'total_tokens': 298, 'input_token_details': {'cache_read': 256}, 'output_token_details': {}})]}

此时 Agent 会：

解析用户问题
判断是否需要调用工具
自动调用 get_weather
返回最终答案

如果跑不起来，看下 PyCharm 的运行环境是否正确