快速入门

本快速入门将引导你在几分钟内从简单设置到构建一个功能完整的 AI 智能体。

正在使用 AI 编程助手？

• 安装 LangChain Docs MCP 服务器，让你的智能体能够访问最新的 LangChain 文档和示例。
• 安装 LangChain Skills，以提升你的智能体在 LangChain 生态系统任务上的表现。

要求

对于这些示例，你需要：

• 安装 LangChain 包
• 设置一个 Claude (Anthropic) 账户并获取 API 密钥
• 在你的终端中设置 ANTHROPIC_API_KEY 环境变量

虽然这些示例使用 Claude，但你可以通过更改代码中的模型名称并设置相应的 API 密钥来使用任何支持的模型。

构建一个基础智能体

首先创建一个能够回答问题并调用工具的简单智能体。该智能体将使用 Claude Sonnet 4.6 作为其语言模型，一个基础的天气函数作为工具，以及一个简单的提示词来指导其行为。

import { createAgent, tool } from "langchain";
import * as z from "zod";

const getWeather = tool(
  (input) => `It's always sunny in ${input.city}!`,
  {
    name: "get_weather",
    description: "获取指定城市的天气",
    schema: z.object({
      city: z.string().describe("要获取天气的城市"),
    }),
  }
);

const agent = createAgent({
  model: "claude-sonnet-4-6",
  tools: [getWeather],
});

console.log(
  await agent.invoke({
    messages: [{ role: "user", content: "What's the weather in Tokyo?" }],
  })
);

要了解如何使用 LangSmith 追踪你的智能体，请参阅 LangSmith 文档。

构建一个真实场景的智能体

接下来，构建一个实用的天气预报智能体，展示关键的生产概念：

1. 详细的系统提示词，以获得更好的智能体行为
2. 创建工具，与外部数据集成
3. 模型配置，以获得一致的响应
4. 结构化输出，以获得可预测的结果
5. 对话记忆，以实现类似聊天的交互
6. 创建并运行智能体，以测试功能完整的智能体

让我们逐步进行：

1. 定义系统提示词

   系统提示词定义了你的智能体的角色和行为。请保持其具体且可操作：

   const systemPrompt = `你是一位擅长说双关语的天气预报专家。
   
   你可以使用两种工具：
   
   - get_weather_for_location：用于获取特定地点的天气
   - get_user_location：用于获取用户的位置
   
   如果用户询问天气，请确保你知道地点。如果你能从问题中判断他们指的是他们所在的位置，请使用 get_user_location 工具来查找他们的位置。`;
   
2. 创建工具

   工具 是你的智能体可以调用的函数。通常，工具会希望连接到外部系统，并依赖运行时配置来实现。请注意这里的 getUserLocation 工具正是这样做的：

   import { tool, type ToolRuntime } from "langchain";
   import * as z from "zod";
   
   const getWeather = tool(
     (input) => `It's always sunny in ${input.city}!`,
     {
       name: "get_weather_for_location",
       description: "获取指定城市的天气",
       schema: z.object({
         city: z.string().describe("要获取天气的城市"),
       }),
     }
   );
   
   type AgentRuntime = ToolRuntime<unknown, { user_id: string }>;
   
   const getUserLocation = tool(
     (_, config: AgentRuntime) => {
       const { user_id } = config.context;
       return user_id === "1" ? "Florida" : "SF";
     },
     {
       name: "get_user_location",
       description: "根据用户 ID 检索用户信息",
     }
   );
   

   Zod 是一个用于验证和解析预定义模式的库。你可以用它来定义工具的输入模式，以确保智能体只使用正确的参数调用工具。

   或者，你可以将 schema 属性定义为一个 JSON 模式 对象。请注意，JSON 模式不会在运行时进行验证。

   示例：使用 JSON 模式定义工具输入

   const getWeather = tool(
     ({ city }) => `It's always sunny in ${city}!`,
     {
       name: "get_weather_for_location",
       description: "获取指定城市的天气",
       schema: {
         type: "object",
         properties: {
           city: {
             type: "string",
             description: "要获取天气的城市"
           }
         },
         required: ["city"]
       },
     }
   );
   
3. 配置你的模型

   根据你的用例设置合适的参数来配置你的语言模型：

   import { initChatModel } from "langchain";
   
   const model = await initChatModel(
     "claude-sonnet-4-6",
     { temperature: 0.5, timeout: 10, maxTokens: 1000 }
   );
   

   根据所选模型和提供商的不同，初始化参数可能会有所不同；请参阅其参考页面以获取详细信息。

4. 定义响应格式

   如果需要智能体响应匹配特定的模式，可以选择定义一个结构化响应格式。

   const responseFormat = z.object({
     punny_response: z.string(),
     weather_conditions: z.string().optional(),
   });
   
5. 添加记忆

   为你的智能体添加记忆，以在交互之间保持状态。这允许智能体记住之前的对话和上下文。

   import { MemorySaver } from "@langchain/langgraph";
   
   const checkpointer = new MemorySaver();
   

   在生产环境中，请使用持久的检查点保存器，将消息历史记录保存到数据库中。 有关更多详细信息，请参阅添加和管理记忆。

6. 创建并运行智能体

   现在，用所有组件组装你的智能体并运行它！

   import { createAgent } from "langchain";
   
   const agent = createAgent({
     model: "claude-sonnet-4-6",
     systemPrompt: systemPrompt,
     tools: [getUserLocation, getWeather],
     responseFormat,
     checkpointer,
   });
   
   // `thread_id` 是给定对话的唯一标识符。
   const config = {
     configurable: { thread_id: "1" },
     context: { user_id: "1" },
   };
   
   const response = await agent.invoke(
     { messages: [{ role: "user", content: "what is the weather outside?" }] },
     config
   );
   console.log(response.structuredResponse);
   // {
   //   punny_response: "Florida is still having a 'sun-derful' day ...",
   //   weather_conditions: "It's always sunny in Florida!"
   // }
   
   // 注意，我们可以使用相同的 `thread_id` 继续对话。
   const thankYouResponse = await agent.invoke(
     { messages: [{ role: "user", content: "thank you!" }] },
     config
   );
   console.log(thankYouResponse.structuredResponse);
   // {
   //   punny_response: "You're 'thund-erfully' welcome! ...",
   //   weather_conditions: undefined
   // }
   

Show 完整示例代码

import { createAgent, tool, initChatModel, type ToolRuntime } from "langchain";
import { MemorySaver } from "@langchain/langgraph";
import * as z from "zod";

// 定义系统提示词
const systemPrompt = `你是一位擅长说双关语的天气预报专家。

你可以使用两种工具：

- get_weather_for_location：用于获取特定地点的天气
- get_user_location：用于获取用户的位置

如果用户询问天气，请确保你知道地点。如果你能从问题中判断他们指的是他们所在的位置，请使用 get_user_location 工具来查找他们的位置。`;

// 定义工具
const getWeather = tool(
  ({ city }) => `It's always sunny in ${city}!`,
  {
    name: "get_weather_for_location",
    description: "获取指定城市的天气",
    schema: z.object({
      city: z.string(),
    }),
  }
);

type AgentRuntime = ToolRuntime<unknown, { user_id: string }>;

const getUserLocation = tool(
  (_, config: AgentRuntime) => {
    const { user_id } = config.context;
    return user_id === "1" ? "Florida" : "SF";
  },
  {
    name: "get_user_location",
    description: "根据用户 ID 检索用户信息",
    schema: z.object({}),
  }
);

// 配置模型
const model = await initChatModel(
  "claude-sonnet-4-6",
  { temperature: 0 }
);

// 定义响应格式
const responseFormat = z.object({
  punny_response: z.string(),
  weather_conditions: z.string().optional(),
});

// 设置记忆
const checkpointer = new MemorySaver();

// 创建智能体
const agent = createAgent({
  model,
  systemPrompt,
  responseFormat,
  checkpointer,
  tools: [getUserLocation, getWeather],
});

// 运行智能体
// `thread_id` 是给定对话的唯一标识符。
const config = {
  configurable: { thread_id: "1" },
  context: { user_id: "1" },
};

const response = await agent.invoke(
  { messages: [{ role: "user", content: "what is the weather outside?" }] },
  config
);
console.log(response.structuredResponse);
// {
//   punny_response: "Florida is still having a 'sun-derful' day! The sunshine is playing 'ray-dio' hits all day long! I'd say it's the perfect weather for some 'solar-bration'! If you were hoping for rain, I'm afraid that idea is all 'washed up' - the forecast remains 'clear-ly' brilliant!",
//   weather_conditions: "It's always sunny in Florida!"
// }

// 注意，我们可以使用相同的 `thread_id` 继续对话。
const thankYouResponse = await agent.invoke(
  { messages: [{ role: "user", content: "thank you!" }] },
  config
);
console.log(thankYouResponse.structuredResponse);
// {
//   punny_response: "You're 'thund-erfully' welcome! It's always a 'breeze' to help you stay 'current' with the weather. I'm just 'cloud'-ing around waiting to 'shower' you with more forecasts whenever you need them. Have a 'sun-sational' day in the Florida sunshine!",
//   weather_conditions: undefined
// }

要了解如何使用 LangSmith 追踪你的智能体，请参阅 LangSmith 文档。

恭喜！你现在拥有一个能够：

• 理解上下文并记住对话
• 智能地使用多种工具
• 以一致的格式提供结构化响应
• 通过上下文处理用户特定信息
• 在交互之间维护对话状态

的 AI 智能体。

---

Edit this page on GitHub or file an issue.

Connect these docs to Claude, VSCode, and more via MCP for real-time answers.