5分钟组装一个LLM智能体应用：LangChain新手实战指南

5分钟组装一个LLM智能体应用：LangChain新手实战指南

【免费下载链接】langchainThe agent engineering platform.项目地址: https://gitcode.com/GitHub_Trending/la/langchain

假设今天的需求是：给内部工单系统加一个问答入口，用户描述问题，系统自动查知识库、必要时创建工单，再把结论回复给用户。如果从零手写模型调用、重试逻辑和工具分发，光骨架就得搭半天。下面的演示里，你只需要声明"用哪个模型、给它哪些工具"，剩下的循环控制交给 LangChain——这个构建 LLM 智能体（Agent）的 Python 框架。

一句话定位：把模型、工具、消息拼成一个智能体

LangChain 是用于构建 LLM 应用与 Agent 的官方 Python 框架，它把各家模型、消息对象、工具调用抽象成统一接口，让你专注业务逻辑而不是协议细节。装依赖只需一行：

uv add langchain

装完后整个项目可用的公共入口非常克制：一个初始化模型、一个创建智能体、几组消息与工具类型，新手不会被几百个 API 淹没。

用一行代码接入任意厂商的模型

模型在 LangChain 里就是一个字符串标识，形如openai:gpt-5.5、anthropic:claude-sonnet-4-5。init_chat_model会按前缀自动路由到对应厂商的实现，你不需要 import 任何具体提供商的类：

from langchain.chat_models import init_chat_model model = init_chat_model("openai:gpt-5.5") result = model.invoke("用一句话解释什么是智能体")

这意味着换模型的成本是改一个字符串。团队做 A/B 实验、或者某厂商限流时临时降级到另一家，都不用动业务代码。这个"前缀路由"逻辑的实现可以在 模型初始化入口 里直接看到。

给模型一双手：声明工具，循环自动跑

Agent 与普通问答的区别在于：模型可以决定"先调用哪个工具"。你用create_agent把工具和模型一起声明出来，"模型产出工具调用 → 执行工具 → 把结果喂回模型"这个循环由框架自动驱动，直到它认为可以给出最终答复：

from langchain.agents import create_agent agent = create_agent( "openai:gpt-5.5", tools=[search_docs, create_ticket], ) agent.invoke({"messages": [{"role": "user", "content": "查一下退款政策"}]})

search_docs、create_ticket只是普通的 Python 函数（带 docstring 和类型注解即可）。工具的执行细节封装在 工具节点模块 中，你一般无需关心。

不改主流程，也能加上重试、兜底和人工确认

真实环境里模型会超时、工具会报错、回复里可能带上敏感字段。LangChain 把这类横切需求做成了中间件：在create_agent的middleware参数里挂上模型重试、模型降级（主模型失败自动切备用模型）、工具重试、PII 脱敏、人工确认（human-in-the-loop）等组件即可，这些实现都集中在 agents/middleware/ 目录，每类一个文件，可以挑着用。

5分钟最小可跑路径

1. 📦 安装框架：uv add langchain
2. 🔑 配置模型厂商密钥：export OPENAI_API_KEY="sk-你的密钥"
3. 验证链路：init_chat_model("openai:gpt-5.5").invoke("你好")
4. 写两个带 docstring 的工具函数，传给create_agent
5. 提问一次，观察它先调工具还是直接回答

第五步跑通后，把模型字符串换成anthropic:开头再问一次，你会发现整段代码无需其他改动——这正是第 1 节抽象带来的红利。

延伸与选型：LangChain、LangGraph 和 Deep Agents 怎么选

这个 monorepo 里同时维护着多个包，分工是这样的：langchain-core（libs/core/）放消息、模型、工具等基础抽象；langchain（libs/langchain_v1/）是本文用的主力包；libs/partners/ 下则按厂商拆出 openai、anthropic、ollama 等独立集成包，各自独立发版。选型上可以记三条线：只想快速做出能用的 Agent，用 LangChain 本包；需要自己控制状态图、条件分支、检查点恢复这类低层编排，用 LangGraph（LangChain 的 Agent 本身就是构建在 LangGraph 之上的）；需要规划、子 Agent、文件系统这类"深度任务"能力，看更上层的 Deep Agents。反过来，如果你的场景是延迟要求极苛刻的固定流水线，LLM 只是其中一个节点，那直接用厂商 SDK 更轻，不必引入整个框架。

想要啃源码的话，仓库地址是 https://gitcode.com/GitHub_Trending/la/langchain ，克隆下来先看 libs/langchain_v1/langchain/agents/factory.py 里的create_agent文档串，比任何教程都完整。配合官方文档的概念章节，一个下午足够你搭出第一个能调用内部接口的智能体。

【免费下载链接】langchainThe agent engineering platform.项目地址: https://gitcode.com/GitHub_Trending/la/langchain