LangChain Agent 从入门到实战：创建与调用参数全解析

本文基于 LangChain v1 / LangGraph 的 Agent 体系，系统梳理 create_agent 创建时和 invoke 调用时的关键参数，帮你彻底搞懂"记忆"和"会话隔离"是怎么实现的。

一、从一个例子说起

先看一段很多教程里都会出现的代码：

python

python 复制代码

from langchain.messages import HumanMessage

# 设定 thread_id，作为会话标识
config = {"configurable": {"thread_id": "thread_1"}}

# 第一次调用，告知 AI 我的信息
response = agent.invoke(
    {"messages": [HumanMessage(content="你好，我叫虎哥，我最喜欢猫猫。")]},
    config  # 调用时添加 thread_id，区分不同会话
)

print(response)

这段代码的核心是 会话记忆（Memory）/ 多轮对话 。它通过 thread_id 区分不同会话，让 AI 能记住上下文。

但很多初学者会有疑问：

thread_id 到底是什么？为什么能记住我说的话？
创建 Agent 时哪些参数必须传？
invoke 时又能传哪些参数？

下面逐个拆解。

二、创建 Agent 时的关键参数

结论先行：只有 model 是强制必须传的 。tools 虽然通常都会传，但技术上可以为空，此时 Agent 会退化为一个普通 LLM 调用。

1. model（必传）

必须传入一个支持工具调用的 LangChain 聊天模型。可以是：

模型字符串标识，如 "openai:gpt-4o"
模型实例，如 ChatOpenAI(...)

传实例时，可以在实例化阶段配置温度、API Key 等所有底层参数。

2. tools（强烈建议传）

工具列表，可以是 BaseTool、普通函数或字典。如果不传或传空列表，Agent 就没有工具调用循环，基本等同于普通 LLM。

3. checkpointer（记忆的关键）

这是实现会话记忆的核心。 如果不传 checkpointer，那么 invoke 时传的 thread_id 没有任何意义，Agent 不会记住任何历史。

常见的 checkpointer：

MemorySaver：内存存储，适合开发调试
SqliteSaver / PostgresSaver：持久化存储，适合生产环境

python

python 复制代码

from langgraph.checkpoint.memory import MemorySaver

agent = create_agent(
    model="openai:gpt-4o",
    tools=[...],
    checkpointer=MemorySaver(),  # 创建时就传，之后 invoke 配 thread_id 才生效
)

4. 其他重要可选参数

参数	作用
`system_prompt`	设定 Agent 角色和行为准则，字符串会自动转 SystemMessage
`response_format`	需要结构化输出时传入（如 Pydantic 模型）
`middleware`	LangChain v1 扩展机制，用于人在回路、脱敏、对话摘要等
`state_schema` / `context_schema`	自定义状态字段或运行上下文
`interrupt_before` / `interrupt_after`	在 `"agent"` 或 `"tools"` 节点前后中断，用于用户确认流程

典型生产级写法

python

python 复制代码

from langchain.agents import create_agent
from langgraph.checkpoint.memory import MemorySaver

agent = create_agent(
    model="openai:gpt-4o",          # 必传
    tools=[search, calculator],      # 通常必传
    system_prompt="你是一个助手",     # 建议传
    checkpointer=MemorySaver(),      # 需要记忆时必传
)

三、invoke 调用时的关键参数

agent.invoke() 的参数分两块：输入状态 （必须传）和运行时配置 config（可选但常用）。

1. 输入状态：messages 是核心

输入必须是一个包含 messages 键的字典，支持几种写法。

最简写法------消息对象列表：

python

python 复制代码

from langchain_core.messages import HumanMessage
response = agent.invoke({"messages": [HumanMessage(content="你好")]})

字典写法------更简洁：

python

python 复制代码

response = agent.invoke({"messages": [{"role": "user", "content": "你好"}]})

动态 system prompt：

python

python 复制代码

agent.invoke({
    "messages": [
        {"role": "system", "content": "你是一个金融顾问"},
        {"role": "user", "content": "什么是ETF？"}
    ]
})

完整对话历史： 把全部消息按顺序传入，Agent 能感知完整上下文。

2. config：控制运行时行为

config 是第二个参数，thread_id 就在这里面。

thread_id（会话隔离）：

python 复制代码

config = {"configurable": {"thread_id": "thread_1"}}

python

复制代码

同一个 id 共享历史，不同 id 相互隔离。这是多用户/多会话各自独立记忆的标准做法。

recursion_limit（递归限制）：

控制 Agent 的最大循环次数，默认 25 次。任务复杂、需要多轮工具调用时可能触顶，可以调大：

python

python 复制代码

config = {
    "configurable": {"thread_id": "thread_1"},
    "recursion_limit": 50
}

其他字段： config 本质是 LangGraph 的 RunnableConfig，还支持 callbacks、tags、metadata 等通用运行时配置。

3. 返回的是什么

invoke 返回的也是字典，核心是 messages 列表，包含本次执行产生的全部消息：输入、AI 工具调用消息、工具返回结果、最终 AI 回答。

通常取最后一条即可拿到最终答案：

python

python 复制代码

response["messages"][-1].content

四、完整示例：验证记忆效果

python

python 复制代码

from langchain.agents import create_agent
from langchain_core.messages import HumanMessage
from langgraph.checkpoint.memory import MemorySaver

# 创建带记忆的 Agent
agent = create_agent(
    model="openai:gpt-4o",
    tools=[],
    checkpointer=MemorySaver(),
)

config = {"configurable": {"thread_id": "thread_1"}}

# 第一次：告诉它信息
agent.invoke(
    {"messages": [HumanMessage(content="你好，我叫虎哥，我最喜欢猫猫。")]},
    config
)

# 第二次：同一 thread_id，它应该记得
response = agent.invoke(
    {"messages": [HumanMessage(content="我叫什么？喜欢什么？")]},
    config
)
# 预期回答：你叫虎哥，最喜欢猫猫

# 换一个 thread_id，它就"失忆"了
config2 = {"configurable": {"thread_id": "thread_2"}}
agent.invoke({"messages": [HumanMessage(content="我叫什么？")]}, config2)
# 预期回答：不知道

五、核心要点速查表

创建 Agent 时

参数	是否必传	作用
`model`	✅ 必传	底层聊天模型
`tools`	强烈建议	工具列表，缺失则退化为普通 LLM
`checkpointer`	需要记忆时必传	按 thread_id 存取历史消息
`system_prompt`	建议	角色与行为准则
`response_format`	按需	结构化输出
`middleware`	按需	人在回路、脱敏等扩展

invoke 调用时

参数位置	关键字段	作用
第一个参数（输入字典）	`messages`	对话内容，必须传
第二个参数（config）	`configurable.thread_id`	会话隔离与记忆
第二个参数（config）	`recursion_limit`	控制最大循环次数

六、一句话总结

创建时 决定"Agent 有什么能力、记不记得住"------model 必传，checkpointer 决定记忆。
调用时 决定"这次问什么、属于哪个会话"------messages 必传，thread_id 决定会话隔离。
只有创建时配了 checkpointer，调用时的 thread_id 才有意义。

搞懂这两组参数，就掌握了 LangChain Agent 的核心用法。

如果本文对你有帮助，欢迎点赞、收藏、关注三连～有问题欢迎评论区交流！