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。

from langchain.agents import create_agent

def get_weather(city: str) -> str:
    """获取指定城市的天气。"""
    return f"It's always sunny in {city}!"

agent = create_agent(
    model="claude-sonnet-4-6",
    tools=[get_weather],
    system_prompt="You are a helpful assistant",
)

# 运行智能体
agent.invoke(
    {"messages": [{"role": "user", "content": "what is the weather in sf"}]}
)

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：

   SYSTEM_PROMPT = """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 让模型能够通过调用你定义的函数与外部系统交互。 工具可以依赖于运行时上下文，并且也可以与智能体记忆交互。

   请注意下面的 get_user_location 工具如何使用运行时上下文：

   from dataclasses import dataclass
   from langchain.tools import tool, ToolRuntime
   
   @tool
   def get_weather_for_location(city: str) -> str:
       """获取指定城市的天气。"""
       return f"It's always sunny in {city}!"
   
   @dataclass
   class Context:
       """自定义运行时上下文模式。"""
       user_id: str
   
   @tool
   def get_user_location(runtime: ToolRuntime[Context]) -> str:
       """根据用户 ID 检索用户信息。"""
       user_id = runtime.context.user_id
       return "Florida" if user_id == "1" else "SF"
   

   工具应该有良好的文档记录：它们的名称、描述和参数名称会成为模型提示词的一部分。 LangChain 的 @tool 装饰器 添加了元数据，并通过 ToolRuntime 参数启用了运行时注入。 在工具指南中了解更多信息。

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：

   from langchain.chat_models import init_chat_model
   
   model = init_chat_model(
       "claude-sonnet-4-6",
       temperature=0.5,
       timeout=10,
       max_tokens=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。

   from dataclasses import dataclass
   
   # 我们在这里使用 dataclass，但也支持 Pydantic 模型。
   @dataclass
   class ResponseFormat:
       """智能体的响应模式。"""
       # 一个双关语回复（始终必需）
       punny_response: str
       # 如果有的话，关于天气的任何有趣信息
       weather_conditions: str | None = None
   
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。

   from langgraph.checkpoint.memory import InMemorySaver
   
   checkpointer = InMemorySaver()
   

   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！

   from langchain.agents.structured_output import ToolStrategy
   
   agent = create_agent(
       model=model,
       system_prompt=SYSTEM_PROMPT,
       tools=[get_user_location, get_weather_for_location],
       context_schema=Context,
       response_format=ToolStrategy(ResponseFormat),
       checkpointer=checkpointer
   )
   
   # `thread_id` 是给定对话的唯一标识符。
   config = {"configurable": {"thread_id": "1"}}
   
   response = agent.invoke(
       {"messages": [{"role": "user", "content": "what is the weather outside?"}]},
       config=config,
       context=Context(user_id="1")
   )
   
   print(response['structured_response'])
   # ResponseFormat(
   #     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。
   response = agent.invoke(
       {"messages": [{"role": "user", "content": "thank you!"}]},
       config=config,
       context=Context(user_id="1")
   )
   
   print(response['structured_response'])
   # ResponseFormat(
   #     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=None
   # )
   

Show 完整示例代码

from dataclasses import dataclass

from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
from langchain.tools import tool, ToolRuntime
from langgraph.checkpoint.memory import InMemorySaver
from langchain.agents.structured_output import ToolStrategy


# 定义系统提示词
SYSTEM_PROMPT = """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。"""

# 定义上下文模式
@dataclass
class Context:
    """自定义运行时上下文模式。"""
    user_id: str

# 定义工具
@tool
def get_weather_for_location(city: str) -> str:
    """获取指定城市的天气。"""
    return f"It's always sunny in {city}!"

@tool
def get_user_location(runtime: ToolRuntime[Context]) -> str:
    """根据用户 ID 检索用户信息。"""
    user_id = runtime.context.user_id
    return "Florida" if user_id == "1" else "SF"

# 配置模型
model = init_chat_model(
    "claude-sonnet-4-6",
    temperature=0
)

# 定义响应格式
@dataclass
class ResponseFormat:
    """智能体的响应模式。"""
    # 一个双关语回复（始终必需）
    punny_response: str
    # 如果有的话，关于天气的任何有趣信息
    weather_conditions: str | None = None

# 设置记忆
checkpointer = InMemorySaver()

# 创建智能体
agent = create_agent(
    model=model,
    system_prompt=SYSTEM_PROMPT,
    tools=[get_user_location, get_weather_for_location],
    context_schema=Context,
    response_format=ToolStrategy(ResponseFormat),
    checkpointer=checkpointer
)

# 运行智能体
# `thread_id` 是给定对话的唯一标识符。
config = {"configurable": {"thread_id": "1"}}

response = agent.invoke(
    {"messages": [{"role": "user", "content": "what is the weather outside?"}]},
    config=config,
    context=Context(user_id="1")
)

print(response['structured_response'])
# ResponseFormat(
#     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。
response = agent.invoke(
    {"messages": [{"role": "user", "content": "thank you!"}]},
    config=config,
    context=Context(user_id="1")
)

print(response['structured_response'])
# ResponseFormat(
#     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=None
# )

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.