一文入门LangChain：从框架认知到构建你的第一个AI Agent

个人主页：夏天拐跑了西瓜

专栏传送门：《Redis入门到精通》、《Spring 生态全家桶体系化实战》、《Python AI Agent开发实战》

学习方向：Java 后端｜AI‑Agent 大模型应用开发爱好者

⭐人生格言：路虽远，行则将至

【Python AI Agent实战01】LangChain入门：核心概念+天气查询Agent完整实现

🔥 本文是《Python AI Agent开发实战》系列教程的第一篇，带你全面了解LangChain框架的前世今生、核心能力和适用场景，并通过一个完整的Agent实战案例快速上手。

一、LangChain是什么？

LangChain是一个用于开发由大语言模型（LLM）驱动的应用程序的开源框架。

它并非仅是对模型API的简单封装，而是提供了一套完整的智能体（Agent）架构和丰富的工具集成，使开发者无需从零搭建复杂架构，就能快速构建基于LLM的高级AI应用。

1.1 诞生背景

LangChain诞生于2022年10月 ，由哈佛大学的 Harrison Chase（哈里森·蔡斯）创建。

其名称来源于 "Language"（语言模型）+ "Chain"（链式连接） 的组合，体现了核心设计理念------将大语言模型与外部计算资源和数据源以链式方式连接，构建功能更强大的AI应用。

1.2 为什么需要LangChain？

单一的大语言模型虽然能力强大，但在实际应用中存在明显局限：

局限性	说明
知识时效性	LLM的知识受限于训练数据，无法获取训练时点之后的信息
无法交互外部系统	模型无法直接与数据库、API等外部系统交互
无状态	模型本身不具备状态保持能力，难以进行连贯的多轮对话

因此，要构建真正实用的AI应用，必须将大语言模型与外部工具、数据源和记忆机制有机结合------这正是LangChain框架诞生的原因。

1.3 发展历程

2022年10月：Harrison Chase 创建 LangChain 开源项目
2024年：推出 LangGraph 作为底层智能体编排框架，原有链和智能体标记为弃用
2025年10月20日 ：正式发布 LangChain v1.0.0 与 LangGraph v1.0.0，标志着框架成熟和标准化

📚 官方文档地址

英文文档：https://docs.langchain.com/oss/python/langchain/overview

中文文档：https://docs.langchain.org.cn/oss/python/langchain/overview

二、LangChain核心特点

2.1 统一的模型接口

各大模型提供商（OpenAI、Anthropic、DeepSeek、Google等）都有各自独特的API接口和参数规范。

LangChain通过统一的API抽象层解决了这个问题：

开发者可以无缝切换不同模型而无需重写大量代码
降低技术锁定风险
轻松利用最新最先进的模型，加速实验和创新

2.2 模块化架构

LangChain采用高度模块化架构，核心组件包括：

开发者可以像搭积木一样组合各种功能，快速构建AI应用。

组件的可组合性体现在 LCEL（LangChain表达式语言） 中，允许通过管道操作符 | 将多个组件连接成复杂工作流：

python 复制代码

# LCEL 示例：检索增强生成流程
chain = retriever | prompt_template | llm

这种方式代码简洁，且天然支持流式输出、异步调用和并行执行。

2.3 智能体与工具调用

智能体（Agent）是LangChain最强大的特性之一，它将LLM从被动的文本生成器转变为能够主动决策和执行任务的智能系统。

核心机制：

智能体支持集成丰富的外部工具：搜索引擎、数据库、API接口等。工具是标准的函数接口，包含名称、描述和执行函数三个基本要素。

2.4 记忆管理机制

LangChain的记忆系统解决了纯LLM应用的无状态性问题：

短期记忆：维护当前会话上下文
长期记忆：记住用户偏好和历史交互
多种存储后端：内存、文件、数据库

开发者可以根据应用需求灵活选择记忆类型和检索策略。

三、LangChain使用场景

3.1 检索增强生成（RAG）

LangChain最经典的应用场景，解决了大模型知识滞后和幻觉问题。

原理： 将外部知识源（文档、数据库等）向量化存储，在生成答案前先检索相关信息，使模型基于最新、最相关的数据生成回答。

3.2 Agent智能体构建

将LLM作为推理引擎，自主规划并执行复杂任务。

典型应用：

🧳 智能旅行规划：依次调用航班查询、酒店预订、景点推荐等工具
📊 市场调研：自动搜索行业报告、分析数据并生成简报
🗄️ 数据分析：连接数据库，根据自然语言生成SQL并执行分析

3.3 对话系统与聊天机器人

通过记忆管理系统构建上下文感知的对话应用：

电商客服：连接订单数据库，提供个性化推荐和售后支持
教育助手：结合教材内容，解答学生学习问题

3.4 数据连接与处理

使LLM能够与各种数据源交互：

从PDF合同中自动提取关键信息（各方、金额、条款）
将自然语言转换为SQL查询数据库
基于Excel数据生成趋势分析和报告

3.5 内容生成与自动化写作

通过提示模板和输出解析器确保生成内容符合特定格式：

周报生成：从业务系统提取数据，按固定格式生成报告
法律文书：基于模板和用户输入，产出符合规范的法律文件

3.6 多模态应用开发

处理图像、音频、视频等非文本数据：

图像分析：上传图片 → 图像识别API → LLM基于描述回答问题
语音交互：语音转文本 → LLM处理 → 文本转语音输出

四、快速上手实战

4.1 Python环境准备

LangChain 1.2版本要求 Python 3.10+。这里使用 Anaconda 来创建和管理Python环境。

bash 复制代码

# 创建名为 langchain_v1.2 的环境，指定Python版本3.13
conda create --name langchain_v1.2 python=3.13.11

# 查看已安装的Python环境
conda env list

# 切换到目标环境
conda activate langchain_v1.2

# 验证Python版本
python -V
# 输出: Python 3.13.11

# 退出当前环境
conda deactivate

# 删除环境（如需要）
conda remove --name langchain_v1.2 --all

4.2 创建项目及配置

Step 1：安装必要依赖

bash 复制代码

# 确保已切换到目标环境
conda activate langchain_v1.2

# 安装核心依赖
pip install langchain==1.2.0 langchain-deepseek==1.0.1 dotenv==0.9.9 -i https://pypi.tuna.tsinghua.edu.cn/simple

💡 依赖说明：

langchain：LangChain核心框架

langchain-deepseek：DeepSeek大模型集成包

dotenv：从项目根目录 .env 文件加载环境变量

Step 2：创建 `.env` 配置文件

在项目根目录下创建 .env 文件，配置大模型的API密钥：

env 复制代码

DEEPSEEK_API_KEY=sk-xxxx
DEEPSEEK_BASE_URL=https://api.deepseek.com

Step 3：创建 `env_utils.py`（环境变量加载工具）

python 复制代码

import os
from dotenv import load_dotenv

# override=True 确保.env文件中的值优先
load_dotenv(override=True)

# 从环境变量读取配置
DEEPSEEK_API_KEY = os.getenv("DEEPSEEK_API_KEY")
DEEPSEEK_BASE_URL = os.getenv("DEEPSEEK_BASE_URL")

Step 4：创建 `my_llm.py`（模型初始化）

python 复制代码

from langchain_deepseek import ChatDeepSeek
from env_utils import DEEPSEEK_API_KEY, DEEPSEEK_BASE_URL

# 创建DeepSeek LLM实例
deepseek_llm = ChatDeepSeek(
    api_key=DEEPSEEK_API_KEY,
    api_base=DEEPSEEK_BASE_URL,
    model="deepseek-chat",
)

4.3 实战案例：Agent查询天气

下面通过一个完整的案例，使用LangChain创建一个能查询天气的Agent。

python 复制代码

from langchain.agents import create_agent
from my_llm import deepseek_llm


def get_weather(city: str) -> str:
    """获取给定城市的天气。"""
    # 模拟天气查询（实际项目中可接入真实天气API）
    return f"{city} 天气晴朗！"


# 创建Agent
agent = create_agent(
    model=deepseek_llm,
    tools=[get_weather],
    system_prompt="你是一个助手，你可以查询城市的天气。",
)

# 调用Agent
resp = agent.invoke(
    {"messages": [{"role": "user", "content": "查询北京的天气"}]}
)

print(resp)

运行结果解读

Agent执行完成后，返回的 messages 列表记录了完整的交互过程：

python 复制代码

# 1️⃣ 用户消息 - 用户的原始查询
HumanMessage(content='查询北京的天气')

# 2️⃣ AI决策 - LLM分析后决定调用天气工具
AIMessage(
    content='我来帮您查询北京的天气。',
    tool_calls=[{'name': 'get_weather', 'args': {'city': '北京'}}]
)

# 3️⃣ 工具执行结果 - get_weather函数的返回值
ToolMessage(content='北京 天气晴朗！', name='get_weather')

# 4️⃣ AI最终回复 - 基于工具结果生成自然语言回答
AIMessage(content='根据查询结果，北京今天的天气是晴朗的！')

🎯 关键观察： Agent自动完成了"理解意图 → 选择工具 → 执行调用 → 生成回答"的完整流程，开发者只需定义工具和提示词即可。

五、项目结构总览

完成以上步骤后，项目结构如下：

复制代码

LangchainProject/
├── .env              # 环境变量配置（API密钥等）
├── env_utils.py      # 环境变量加载工具
├── my_llm.py         # LLM模型初始化
└── quick_start.py    # Agent实战案例

六、总结

本文介绍了LangChain框架的核心知识：

模块	要点
框架定位	用于开发LLM驱动应用的开源框架
核心理念	Language + Chain，链式连接LLM与外部资源
四大特点	统一模型接口、模块化架构、智能体工具调用、记忆管理
适用场景	RAG、Agent、对话系统、数据处理、内容生成、多模态
快速上手	环境配置 → 依赖安装 → 模型初始化 → Agent创建

下一篇预告： 我们将深入LangChain的模型调用机制，学习如何使用统一接口对接多种大模型。

参考资料

📝 作者注： 本系列基于 LangChain v1.2 + Python 3.13 编写，所有代码均已验证可运行。如果对你有帮助，欢迎点赞收藏关注！有问题评论区交流～

一文入门LangChain：从框架认知到构建你的第一个AI Agent

【Python AI Agent实战01】LangChain入门：核心概念+天气查询Agent完整实现

一、LangChain是什么？

1.1 诞生背景

1.2 为什么需要LangChain？

1.3 发展历程

二、LangChain核心特点

2.1 统一的模型接口

2.2 模块化架构

2.3 智能体与工具调用

2.4 记忆管理机制

三、LangChain使用场景

3.1 检索增强生成（RAG）

3.2 Agent智能体构建

3.3 对话系统与聊天机器人

3.4 数据连接与处理

3.5 内容生成与自动化写作

3.6 多模态应用开发

四、快速上手实战

4.1 Python环境准备

4.2 创建项目及配置

Step 1：安装必要依赖

Step 2：创建 .env 配置文件

Step 3：创建 env_utils.py（环境变量加载工具）

Step 4：创建 my_llm.py（模型初始化）

4.3 实战案例：Agent查询天气

运行结果解读

五、项目结构总览

六、总结

参考资料

Step 2：创建 `.env` 配置文件

Step 3：创建 `env_utils.py`（环境变量加载工具）

Step 4：创建 `my_llm.py`（模型初始化）