通过 langchain 开发一个很 small 的 agent 来了解基本流程 - py 版本

LangChain 是一个开源框架（Python / JS），用来快速开发「基于大语言模型 LLM」的 AI 应用，使用 LangChain（ create_agent）可构建高度可定制的运行框架，能够轻松适配业务场景与数据。

uv初始化项目到 LLM 调用搭建了基本的环境和了解了 uv 的基本使用，本片文章主要介绍的是 langchain 的能力以及通过代码来调用 langchain 的能力

1. LangChain 的核心能力

统一模型接口

服务商是托管 AI 模型并通过 API 对外提供模型服务的公司或平台（例如 OpenAI、Anthropic、Google）。许多服务商都提供专属的 langchain-<provider>(如 deepseek 就是 langchain-deepseek, 更多提供商可点击查看)，该软件包实现了 LangChain 的一项或多项标准接口 ------ 对话模型、嵌入模型、向量数据库等。这让你可以使用统一的 API，无需关心底层服务商。你只需安装对应软件包，选定模型名称，即可在不修改代码的情况下切换服务商
外部数据连接与检索增强（RAG) LangChain 提供了强大的 RAG 支持：
- 文档加载器（Document Loaders）：读取 PDF、Word、网页、数据库等各种格式的数据。
- 文本分割器（Text Splitters）：把大文档切成适合模型处理的小片段。
- 向量数据库集成（Vector Stores）：将文本转化为向量并存储，用于高效检索。当用户提问时，先从外部数据中找到相关内容，再喂给大模型，让大模型基于真实资料回答。
工作流编排 允许将多个组件串联起来。例如："第一步从数据库查资料 -> 第二步让大模型总结 -> 第三步翻译成英文"，像流水线一样自动化执行。
记忆（Memory) : 大模型本身是"无状态"的（每次对话都是独立的）。LangChain 提供了记忆模块，能够帮程序记住之前的对话历史，实现像真人一样的多轮连续对话。

主要基本步骤：

参考 docs.langchain.com/oss/python/... 顺便一提， python 的版本最好在 3.11 ～ 3.14 之间，原因有：

Python 3.11之后异步性能有显著提升，能够满足消息网关以单进程事件循环同时管理多个平台连接的需求； - 完善的类型注解系统使得Agent引擎中数十个配置参数能以清晰的类型签名表达语义；
Python在AI生态中的主导地位，确保了与大语言模型SDK、向量数据库等周边工具的集成。

csharp 复制代码

# 固定使用 Python 3.13
uv python pin 3.13
uv add langchain

# 安装 langchain 的 provider， 比如你要使用 langchain 来调用 deepseek 那么，你就安装
uv add langchain-deepseek

新建一个 notebook 名字叫做 lc-create-basic-agent.ipynb,内容如下：注意：如果不知道某个函数的参数是啥，可以直接右键选择 "跳转到定义的"查看参数的类型

当用户向 Agent 发起一个复杂任务时，底层通常会经历以下循环：

过程：将工具执行返回的结果重新喂给大模型作为上下文（Context）。
动作：模型看到了天气结果 25°C，进入下一轮循环："第一步完成了，拿到了 25°C。接下来我要执行第二步：计算 $25×1.8+3225 \times 1.8 + 32$ 25×1.8+32。"