Agent 是当前应用开发的最终形态；与前面模型调用不同，Agent 可以自主规划调用工具，然后再返回内容
通过 create_agent 创建智能体
py
from dotenv import load_dotenv
from langchain.chat_models import init_chat_model
from langchain.agents import create_agent
load_dotenv()
model = init_chat_model("deepseek:deepseek-v4-flash")
# 创建 agent 第一个参数模式 model
# 也可以是字符串 deepseek:deepseek-v4-flash 底层还是会调用 ChatDeepSeek
agent = create_agent(model)
# 传递的数据，需要时一个 messages 的对象，各种类型的消息通过数组传递
# 单个字符串则标识 HumanMessage
# 支持字典、元组、消息对象类型的传递
# {"messages": [{"role": "user", "content": "你好"}]}
# {"messages": [("user", "你好")]}
# {"messages": [HumanMessage("你好")]}
result = agent.invoke({"messages": ["你好"]})
# 返回的数据是一个对象，同样被 messages 包裹
# 数组的最后一个就是对话的最后一条消息
print(result["messages"][-1].content)
# {
# 'messages': [
# HumanMessage(content='你好', additional_kwargs={}, response_metadata={}, id='ff259f86-ec59-4148-a3ba-920389298e66'),
# AIMessage(
# content='你好！很高兴见到你！我是DeepSeek，随时准备为你提供帮助。无论是解答问题、讨论想法，还是协助完成任务，我都在这里。有什么可以为你做的吗？😊',
# additional_kwargs={
# 'refusal': None,
# 'reasoning_content':
# '嗯，用户发来了一句简单的问候"你好"。这是一个非常基础的社交开场，没有附带任何具体问题或指令。用户可能是在测试我是否在线，或者准备发起后续对话。\n\n我需要给出一
# 个友好、开放、热情的回应，以建立良好的互动氛围。可以用一个温暖的问候回复，并主动提供帮助，引导用户说出具体需求。想到了用"你好！很高兴见到你"开头，然后说明我的
# 身份和功能，最后用开放式提问结束，邀请用户进一步交流。\n\n这样既回应了问候，又为对话的继续创造了空间。'
# },
# response_metadata={
# 'token_usage': {
# 'completion_tokens': 156,
# 'prompt_tokens': 5,
# 'total_tokens': 161,
# 'completion_tokens_details': {
# 'accepted_prediction_tokens': None,
# 'audio_tokens': None,
# 'reasoning_tokens': 115,
# 'rejected_prediction_tokens': None
# },
# 'prompt_tokens_details': {'audio_tokens': None, 'cache_write_tokens': None, 'cached_tokens': 0},
# 'prompt_cache_hit_tokens': 0,
# 'prompt_cache_miss_tokens': 5
# },
# 'model_provider': 'deepseek',
# 'model_name': 'deepseek-v4-flash',
# 'system_fingerprint': 'fp_8b330d02d0_prod0820_fp8_kvcache_20260402',
# 'id': 'a48b3239-9255-4184-a541-ae495c168805',
# 'finish_reason': 'stop',
# 'logprobs': None
# },
# id='lc_run--019f6eeb-af71-7ea3-945e-e470ebecdeab-0',
# tool_calls=[],
# invalid_tool_calls=[],
# usage_metadata={
# 'input_tokens': 5,
# 'output_tokens': 156,
# 'total_tokens': 161,
# 'input_token_details': {'cache_read': 0},
# 'output_token_details': {'reasoning': 115}
# }
# )
# ]
# }create_agent 常用参数
model字符串或者init_chat_model的返回值tools工具列表，from langchain.tools import toolsystem_prompt系统提示词，不会在返回的result["message"]中显示middleware中间件列表interrupt_before: list[str]在某些工具前暂停（人机协作）interrupt_after: list[str]在某些工具后暂停debug: bool调试开关name: str | None模型名称response_format结构化输出
system_propmt & tools & name 参数
py
@tool
def get_weather(city: str) -> str:
"""获取天气状况"""
return f"{city} 有雨，可以缓解最近三伏天的闷热天气"
agent = create_agent(
model,
tools=[get_weather],
system_prompt="你是一个堪比国家级的天气播报专家", # 可以是消息对象或者字符串
name="天气助手 Agent 1号"
)
result = agent.invoke({"messages": [HumanMessage("今天上海的天气怎么样？")]})
for message in result["messages"]:
print(message.pretty_print())
# ================================ Human Message =================================
# 今天上海的天气怎么样？
# None
# ================================== Ai Message ==================================
# Name: 天气助手 Agent 1号
# 好的，让我查询一下上海今天的天气情况！
# Tool Calls:
# get_weather (call_00_rgtIdRjaISgSO9smOtit2315)
# Call ID: call_00_rgtIdRjaISgSO9smOtit2315
# Args:
# city: 上海
# None
# ================================= Tool Message =================================
# Name: get_weather
# 上海 有雨，可以缓解最近三伏天的闷热天气
# None
# ================================== Ai Message ==================================
# Name: 天气助手 Agent 1号
# 好的，现在的天气播报来啦！🌤️
# ... 认为省略
# 以上就是今天上海的天气情况，希望这场雨能给你带来一份清凉舒爽的好心情！😊 如需查询其他城市天气，随时告诉我哦~
# None从原始对象的打印看，每个 AI 消息都会拥有一个 name 字段；并且在第一个 AI 消息中包含 tool_calls 字段说明要调用的工具，紧接着就开始调用工具，然后再由 AI 整合信息后返回最终数据
py
HumanMessage(content='今天上海的天气怎么样？', additional_kwargs={}, response_metadata={}, id='1f4532fb-c3d0-4b62-92a7-3479a4469851')
# 省略了部分属性的展示
AIMessage(
content='好的，我来为您查询上海今天的天气情况。',
additional_kwargs={'refusal': None, 'reasoning_content': '用户想知道今天上海的天气情况。我需要使用get_weather工具来获取上海的天气信息。'},
name='天气助手 Agent 1号',
id='lc_run--019f6f00-9dac-74e0-955e-ed4d5c9d5b26-0',
tool_calls=[{'name': 'get_weather', 'args': {'city': '上海'}, 'id': 'call_00_NLazeqSdWnnP3bUEvMyt8672', 'type': 'tool_call'}],
)
ToolMessage(
content='上海 有雨，可以缓解最近三伏天的闷热天气',
name='get_weather',
id='6545f442-37ff-445e-9763-de2d71712cad',
tool_call_id='call_00_NLazeqSdWnnP3bUEvMyt8672'
)
AIMessage(
content='好的，为您带来上海今日天气播报：\n\n---\n\n🌤 **上海今日天气速报**\n\n**天气状况：** 🌧 ....',
additional_kwargs={'refusal': None, 'reasoning_content': '好的，我已经获取到了上海的天气信息。现在让我以国家级的天气播报专家的身份来为用户播报。'},
name='天气助手 Agent 1号',
id='lc_run--019f6f00-a313-7371-ad63-7620830b38a4-0',
)Agent 结构化输出 response_format 参数
与模型的结构化输出基本一致；但场景不同，Agent 的结构化输出是智能体的最终的返回结果做结构化（也就是最终的结果）；
结构化输出包含四种策略
ProviderStrategy使用模型自带的 format 方案，deepseek、kimi 就不支持ToolStrategy使用function_calling方案，与之前提到的模型结构化输出需要传入method=function_calling一样的原理AutoStrategylangchain 自定判定使用上面哪一种None默认方案，正常对话输出
数据类型的定义与模型结构化一样 pydantic | TypeDict | json_schema | @dataclass
py
from langchain.agents.structured_output import ProviderStrategy, ToolStrategy, AutoStrategy
class Info(BaseModel):
unit: Literal['Celsius', 'Fahrenheit'] = Field('Celsius', description="温度单位")
temperature: int = Field(description="温度")
text: str = Field(description="天气状况")
wind: str = Field(description="风力等级及方向")
class Weather(BaseModel):
city: str = Field(description="城市")
precautions: str = Field(description="注意事项")
info: Info = Field(description="详细信息")
agent = create_agent(
model, # 记得关闭模型的思考能力
tools=[get_weather],
# 规范 agent 的输出
response_format=ToolStrategy(Weather)
)
result = agent.invoke({"messages": [HumanMessage("今天上海的天气怎么样？")]})
# 不在通过 result["messages"] 获取而是通过 structured_response 获取输出
rprint(result["structured_response"])
py
# ============ @dataclass ============
@dataclass
class Info():
unit: Literal['Celsius', 'Fahrenheit'] = Field('Celsius', description="温度单位")
temperature: int = Field(description="温度")
text: str = Field(description="天气状况")
wind: str = Field(description="风力等级及方向")
@dataclass
class Weather():
city: str = Field(description="城市")
precautions: str = Field(description="注意事项")
info: Info = Field(description="详细信息")
# ============ TypeDict ============
class Info(TypedDict):
unit: Annotated[Literal['Celsius', 'Fahrenheit'], "温度单位"]
temperature: Annotated[int, "温度"]
text: Annotated[str, "天气状况"]
wind: Annotated[str, "风力等级及方向"]
class Weather(TypedDict):
city: str = Annotated[str, "城市"]
precautions: str = Annotated[str, "注意事项"]
info: Info = Annotated[str, "详细信息"]
# ============ json_schema ============
# 同样需要原生支持这个能力，deepseek 不支持
Weather = {
"type": "json_schema",
"json_schema": {
"name": "weather_output",
"description": "天气预报输出结构，包含城市、注意事项和当前天气详情",
"schema": {
"type": "object",
"properties": {
"city": {
"type": "string",
"description": "城市名称"
},
},
"required": ["city"],
}
}
}response_format 允许通过 Union 类型声明多个不同的类型输出，但是不会全部生效，是模型内部判定使用哪个类型
py
create_agent(
model,
response_format=ToolStrategy(Union[Weather, News])
)ToolStrategy 的参数
包含三个参数 schema 是类型约束，上面一直在用
tool_message_content
可选，如果打印 result["messages"] 会发现一条消息为 ToolMessage， 其中的 content 字段则由此属性进行修改
py
ToolMessage(
# tool_message_content 传递什么，这里就显示什么，不会影响最终的 structured_response 内容
content="Returning structured response: city='上海'
precautions='今天上海有雨，出门请记得携带雨具，注意防滑。降雨会缓解闷热，但雨天气温可能较低，适时增减衣物。' info=Info(unit='Celsius', temperature=28,
text='有雨', wind='东南风3-4级')",
name='Weather',
id='759cb13d-0fb8-4563-b593-01992db8e4ab',
tool_call_id='call_00_qV21jnnqB9G4cxwmX26H4763'
)handle_errors
可选，指定数据校验失败时的重试策略，默认为 True，捕获所有异常，反之则任何错误都会导致程序终止
还支持异常类型、自定义函数
py
# ============ handle_errors=ExceptionType ============
from langchain.agents import create_agent
from langchain.agents.structured_output import ToolStrategy, StructuredOutputValidationError, MultipleStructuredOutputsError
create_agent(
model,
response_format=ToolStrategy(
Union[Weather, News],
# 只有命中当前错误时，才会被捕获
handle_erros=(MultipleStructuredOutputsError, StructuredOutputValidationError)
)
)
# ============ handle_errors=function ============
def custom_error_handler(error: Exception):
print(error)
create_agent(
model,
response_format=ToolStrategy(
Union[Weather, News],
# 只有命中当前错误时，才会被捕获
handle_erros=custom_error_handler
)
)Agent 流式输出 stream 方法
包含 "values", "updates", "checkpoints", "tasks", "debug", "messages", "custom"
messages 常用
py
# ============ messages ============
result = agent.stream({"messages": ["你好，章鱼哥，要来一份蟹黄堡吗~"]}, stream_mode="messages")
for chunk in result:
if chunk[0].additional_kwargs.keys():
# 输出模型的思考信息
print(chunk[0].additional_kwargs["reasoning_content"], end="", flush=True)
if chunk[0].content:
print(chunk[0].content, end="", flush=True)
# 每个 chunk 都是一个元组，对象的 content 则是真正输出的内容
# (
# AIMessageChunk(
# content='母',
# additional_kwargs={},
# response_metadata={'model_provider': 'deepseek'},
# id='lc_run--019f6f91-6b7c-7a50-bdb1-ae2b7cedd790',
# tool_calls=[],
# invalid_tool_calls=[],
# tool_call_chunks=[]
# ),
# {
# 'ls_integration': 'langchain_chat_model',
# 'langgraph_step': 1,
# 'langgraph_node': 'model',
# 'langgraph_triggers': ('branch:to:model',),
# 'langgraph_path': ('__pregel_pull', 'model'),
# 'langgraph_checkpoint_ns': 'model:50ef54bc-0f2b-bc7b-a347-5bfde7843e08',
# 'checkpoint_ns': 'model:50ef54bc-0f2b-bc7b-a347-5bfde7843e08',
# 'ls_provider': 'deepseek',
# 'ls_model_name': 'deepseek-v4-flash',
# 'ls_model_type': 'chat',
# 'ls_temperature': None,
# 'lc_versions': {'langchain-core': '1.4.9', 'langchain': '1.3.12', 'langchain-openai': '1.3.4'}
# }
# )values 输出是循序渐进的，每一步都会带上之前所有的内容
updates 默认值 ，每次输出只显示增量的变化，并且会在外层套一个对象告知是 model | tool
tasks 会带上的输入和对应错误消息
debug 会带上每次输出的步骤、时间、类型
checkpoints 每次的输出都会把 messages 添加到相关的 value.messages 中。
py
from langgraph.checkpoint.memory import InMemorySaver
agent = creat_agent(
model,
checkpointer=InMemorySaver()
)
# 保证在同一个线程内，id 一致
config = {"configurable": {"thread_id": "1"}}
result = agent.stream(
{"messages": [HumanMessage("你好，章鱼哥，要来一份蟹黄堡吗~")]},
stream_mode="checkpoints",
config=config
)