LangChain 从0入门：模型、消息、Prompt、Tools、记忆、Agent与LangSmith实战

大模型原生能力只支持单次问答、没有记忆、无法联网、不能调用外部接口。LangChain 是一套LLM应用编排开源框架，它把模型调用、提示词、会话记忆、工具调用、Agent智能体、链路观测能力封装成标准化组件，让开发者可以快速搭建对话机器人、知识库RAG、联网搜索Agent、自动化工作流等应用，而不用从零处理消息拼接、工具解析、上下文管理等重复逻辑。

本文环境：Python、langchain-core / langchain-openai / langchain-community / langgraph、OpenAI ChatModel（GPT3.5/GPT4），所有代码兼容新版LangChain（推荐0.2+）

一、认识LangChain

LangChain核心思想：把大模型当成一个可编排的服务，串联各类外部能力。核心组件清单（本文依次讲解）：

Chat Model：聊天大模型（LLM封装）
Message：结构化消息（System / Human / AI / ToolMessage）
PromptTemplate：提示词模板，提示词工程载体
Tools：工具，给模型调用外部能力（搜索、接口、数据库）
Agent：智能体，由LLM自主判断什么时候调用哪个工具，循环执行直到任务完成
Memory：记忆，维持多轮对话上下文；分短期会话记忆、持久化记忆
LangSmith：LangChain官方链路追踪、调试、评估平台，用于排查Agent、链路耗时、Prompt效果

早期LangChain以Chain（链）为主，新版架构转向 LangGraph状态图 + Agent，更适合复杂循环逻辑（Agent反复调用工具）。

二、快速入门 & Agent原理

Agent是什么？

Agent = LLM推理引擎 + 工具列表 + 提示词 + 状态记忆。和固定Chain最大区别：Chain是硬编码顺序执行；Agent让大模型自己做决策：判断当前任务是否需要调用工具、选哪个工具、传什么参数；拿到工具返回结果后，再次交给模型继续推理，直到任务可以直接回答用户。

Agent循环流程（核心）

用户输入 + 历史消息送入LLM
LLM判断：直接回答，还是需要调用工具
如果选择调用工具：输出结构化tool_call（工具名、参数）
框架捕获tool_call，执行对应Tool，拿到工具返回内容，包装为ToolMessage
ToolMessage追加到消息列表，再次丢回LLM
循环往复，直到LLM决定不再调用工具，直接输出最终答案给用户

这个循环就是Agent最核心的闭环，LangGraph负责维护循环状态、分支跳转、检查点持久化。

三、初始化模型 & 调用模型

安装依赖

复制代码

pip install langchain langchain-core langchain-openai python-dotenv

基础初始化代码

复制代码

from dotenv import load_dotenv
import os
from langchain_openai import ChatOpenAI

load_dotenv()

# 初始化聊天模型（ChatModel，区别于老式文本LLM）
llm = ChatOpenAI(
    model="gpt-3.5-turbo",
    temperature=0,  # 0=确定性强，适合Agent/工具调用；越大越发散
    api_key=os.getenv("OPENAI_API_KEY")
)

# 直接调用模型，传入字符串
resp = llm.invoke("简单介绍LangChain")
print(resp.content)

temperature：生成随机性，做Agent、工具调用、问答检索强烈建议设置0，减少幻觉和乱调用工具
ChatOpenAI返回的不是字符串，是AIMessage对象，.content 取文本内容

四、Message（消息对象）

LangChain不推荐手动拼接字符串prompt，而是使用结构化消息，这是所有对话、Agent的基础。 4种最常用消息类型：

SystemMessage：系统角色设定，告诉模型身份、规则、约束
HumanMessage：用户输入消息
AIMessage：大模型输出消息（包含tool_calls工具调用字段）
ToolMessage：工具执行返回结果，必须绑定tool_call_id，回传给模型

代码示例：

复制代码

from langchain_core.messages import SystemMessage, HumanMessage, AIMessage

messages = [
    SystemMessage(content="你是专业的LangChain讲师，回答简洁易懂"),
    HumanMessage(content="Agent和Chain有什么区别？")
]

res = llm.invoke(messages)
print(type(res))
print(res.content)
# 如果是工具调用场景，res.additional_kwargs["tool_calls"] 存放工具调用信息

流式输出消息：

复制代码

for chunk in llm.stream(messages):
    print(chunk.content, end="")

关键点：整个Agent、记忆、Prompt体系底层都是在维护一个 List[BaseMessage] 消息数组。

五、提示词工程 & ChatPromptTemplate

PromptTemplate 作用：模板化提示词，支持变量占位、消息组组装，避免硬编码字符串。

PromptTemplate：纯文本模板
ChatPromptTemplate：消息列表模板（Agent、对话机器人首选）

from langchain_core.prompts import ChatPromptTemplate

构建消息模板

prompt = ChatPromptTemplate.from_messages([
("system", "你是{role}，回答控制在{words}字以内"),
("human", "{query}")
])

填充变量

input_msg = prompt.invoke({
"role": "AI框架工程师",
"words": "100",
"query": "什么是LangChain Agent"
})

和模型链式调用 | Runnable语法（LangChain核心：| 管道符）

chain = prompt | llm
result = chain.invoke({
"role": "AI框架工程师",
"words": "100",
"query": "什么是LangChain Agent"
})
print(result.content)

Runnable | 管道：前一个组件输出作为后一个输入，是LangChain链式编排的基础写法。

六、Tools 工具基础

Tool 是给模型调用的能力单元，每个工具必须包含：

name：工具名称（模型识别）
description：工具描述（非常重要，模型靠描述判断要不要调用这个工具）
args schema：入参结构（pydantic，大模型按schema输出参数）

两种定义方式：@tool装饰器（最简单）、继承BaseTool。

复制代码

from langchain_core.tools import tool

@tool
def add(a: int, b: int) -> int:
    """两个数字相加
    Args:
        a: 第一个整数
        b: 第二个整数
    """
    return a + b

@tool
def multiply(a: int, b: int) -> int:
    """两个数字相乘
    Args:
        a: 第一个整数
        b: 第二个整数
    """
    return a * b

tools = [add, multiply]

# 把工具绑定到模型，模型就具备输出tool_call的能力
llm_with_tools = llm.bind_tools(tools)

query = "3加5再乘以2等于多少？"
res = llm_with_tools.invoke([HumanMessage(content=query)])
print(res.tool_calls)

bind_tools：把工具描述、schema注入给大模型，让模型知道可以调用哪些工具、参数格式是什么。

七、预定义工具：Tavily搜索工具

Tavily 是LangChain生态最常用的面向LLM的搜索引擎，专门为Agent优化，返回精简摘要，适合联网实时信息查询（新闻、最新资料）。

安装：

复制代码

pip install langchain-community tavily-python

代码示例：

复制代码

from langchain_community.tools.tavily_search import TavilySearchResults
import os
from dotenv import load_dotenv
load_dotenv()

# 环境变量 TAVILY_API_KEY
search_tool = TavilySearchResults(max_results=3)

tools = [search_tool]
llm_with_tools = llm.bind_tools(tools)

resp = llm_with_tools.invoke([HumanMessage("2026年LangChain最新版本是多少？")])
print(resp.tool_calls)

Tavily需要去官网申请API Key，写入环境变量 TAVILY_API_KEY

八、短期记忆（Short-term Memory）

短期记忆 = 单会话（thread）内的对话历史 ，同一个会话id下，多轮问答自动带上之前所有消息；不同会话隔离上下文。新版推荐基于 LangGraph + Checkpointer 实现会话记忆，替代老版ConversationBufferMemory。

简单带记忆对话示例（内存版短期记忆）：

复制代码

from langgraph.checkpoint.memory import MemorySaver
from langgraph.graph import MessagesState, StateGraph, START
from langchain_core.messages import HumanMessage

# 1. 构建图
builder = StateGraph(MessagesState)

def chat_node(state: MessagesState):
    return {"messages": llm.invoke(state["messages"])}

builder.add_node("chat", chat_node)
builder.add_edge(START, "chat")

# 内存检查点，开启短期记忆
checkpointer = MemorySaver()
graph = builder.compile(checkpointer=checkpointer)

# config里thread_id代表会话ID，同一个id共享记忆
config = {"configurable": {"thread_id": "session_001"}}

res1 = graph.invoke({"messages": [HumanMessage("我叫小明")]}, config=config)
print(res1["messages"][-1].content)

res2 = graph.invoke({"messages": [HumanMessage("我叫什么名字？")]}, config=config)
print(res2["messages"][-1].content)

更换 thread_id="session_002" 就是全新会话，不知道你叫小明。

九、短期记忆：持久存储

上面MemorySaver是内存存储，程序重启记忆丢失。生产环境需要持久化Checkpointer，LangGraph支持：

SqliteSaver（本地sqlite，单机轻量持久化，入门首选）
PostgresSaver（线上生产，分布式会话存储）

Sqlite持久化代码：

复制代码

from langgraph.checkpoint.sqlite import SqliteSaver

# 写入本地sqlite文件，重启程序仍然保留会话历史
conn = sqlite3.connect("chat_memory.db", check_same_thread=False)
checkpointer = SqliteSaver(conn)

graph = builder.compile(checkpointer=checkpointer)
config = {"configurable": {"thread_id": "session_001"}}

十、记忆管理策略

直接无脑保存全部历史会带来2个致命问题：token膨胀、上下文超限，所以必须做记忆裁剪策略：

Buffer策略（原始缓存）：全量保存消息，最简单，适合短对话；长对话容易爆token（老版ConversationBufferMemory）
Token Buffer策略：设置最大token上限，超出后丢弃最早消息，保留最近N条消息
Summary 摘要策略：每次轮次后调用LLM，把旧对话压缩成一段摘要，只保留摘要+最近几条消息，大幅节约token（ConversationSummaryMemory）
SummaryBuffer混合策略：保留最近消息+历史摘要，兼顾细节和长度控制，生产Agent最常用
向量检索记忆：把历史对话向量化存入向量库，只检索相关历史，适合超长会话、用户长期知识库

新版LangGraph不推荐老Memory类硬耦合，推荐在graph节点里自己实现裁剪、摘要逻辑，灵活性更高。

十一、对接 LangSmith（链路追踪）

基础概念

LangSmith 是LangChain官方可观测平台，核心能力：

Trace追踪：每一次LLM调用、tool调用、prompt、子步骤耗时、入参出参全部可视化
Debug：Agent调用失败、幻觉、工具传参错误时，直接看每一步原始消息
Evaluation：批量评测Prompt、Agent效果
Prompt Hub：在线管理、版本化提示词

接入方式（只需要配置环境变量，代码几乎不用改动）

复制代码

import os
os.environ["LANGSMITH_TRACING"] = "true"
os.environ["LANGSMITH_API_KEY"] = "你的key"
os.environ["LANGSMITH_PROJECT"] = "langchain-demo"
# 国内区域用户按需配置 LANGSMITH_ENDPOINT

配置完成后，你前面所有llm.invoke、graph.invoke、tool调用都会自动上报Trace到LangSmith网页控制台，打开网页就可以看到完整执行链路，非常适合排查Agent为什么乱调用工具、为什么回答异常。

接入LangSmith后，之前所有Agent、记忆、工具代码不需要修改一行，自动埋点追踪。

十二、完整Agent整合Demo（工具+记忆+LangSmith追踪）

复制代码

import os
import sqlite3
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain_community.tools.tavily_search import TavilySearchResults
from langgraph.checkpoint.sqlite import SqliteSaver
from langgraph.graph import MessagesState, StateGraph, START
from langgraph.prebuilt import ToolNode, tools_condition

load_dotenv()
# LangSmith自动追踪
os.environ["LANGSMITH_TRACING"] = "true"
os.environ["LANGSMITH_PROJECT"] = "agent-demo"

llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)
search_tool = TavilySearchResults(max_results=3)
tools = [search_tool]
llm_with_tools = llm.bind_tools(tools)

# 节点：模型推理
def agent_node(state: MessagesState):
    return {"messages": [llm_with_tools.invoke(state["messages"])]}

builder = StateGraph(MessagesState)
builder.add_node("agent", agent_node)
builder.add_node("tools", ToolNode(tools))

# 分支：模型输出tool_call就进入tools节点，否则直接结束
builder.add_conditional_edges("agent", tools_condition)
builder.add_edge("tools", "agent")
builder.add_edge(START, "agent")

# Sqlite持久记忆
conn = sqlite3.connect("agent_memory.db", check_same_thread=False)
checkpointer = SqliteSaver(conn)
agent_graph = builder.compile(checkpointer=checkpointer)

# 同一个thread_id维持会话记忆
config = {"configurable": {"thread_id": "agent_session_001"}}

if __name__ == "__main__":
    while True:
        user_input = input("用户：")
        if user_input in ["exit", "quit"]:
            break
        res = agent_graph.invoke(
            {"messages": [("human", user_input)]},
            config=config
        )
        print("Agent：", res["messages"][-1].content)

这个Demo就是一个带联网搜索、会话持久记忆、LangSmith全链路追踪的标准Agent，是绝大多数业务Agent的基础骨架。

十三、总结

LangChain本质是LLM应用编排框架，核心不是模型本身，而是标准化组件串联外部能力
Message是底层基础，所有对话、Agent流转都是消息列表；不要手动拼接字符串Prompt
Agent核心是循环决策：模型判断是否调用工具 → 执行工具 → 结果回传模型，循环直到输出答案
Tools给模型赋予外部能力，Tavily是入门最常用搜索工具，工具描述词直接决定模型会不会正确调用
记忆分短期会话记忆、持久化存储；必须做好token裁剪策略，避免上下文溢出
LangSmith是开发Agent必备调试工具，打开追踪后可视化每一步调用，大幅降低Agent排错成本
新版架构优先学习LangGraph状态图，老版Chain、Memory API逐步迁移

掌握这套链路之后，你就可以基于这个骨架扩展RAG知识库Agent、业务接口Agent、多工具复杂工作流。

LangChain 从0入门：模型、消息、Prompt、Tools、记忆、Agent与LangSmith实战

前言

一、认识LangChain

二、快速入门 & Agent原理

Agent是什么？

Agent循环流程（核心）

三、初始化模型 & 调用模型

安装依赖

基础初始化代码

四、Message（消息对象）

五、提示词工程 & ChatPromptTemplate

构建消息模板

填充变量

和模型链式调用 | Runnable语法（LangChain核心：| 管道符）

六、Tools 工具基础

七、预定义工具：Tavily搜索工具

八、短期记忆（Short-term Memory）

九、短期记忆：持久存储

十、记忆管理策略

十一、对接 LangSmith（链路追踪）

基础概念

接入方式（只需要配置环境变量，代码几乎不用改动）

十二、完整Agent整合Demo（工具+记忆+LangSmith追踪）

十三、总结