LangChain 概览

LangChain 提供 create_agent：一个极简、高度可配置的 Agent 框架。从模型、工具、提示词到中间件，组合出你的用例所需的精确 Agent。

Agent = 模型 + 框架 (Harness)。LangChain 提供 create_agent：一个极简但高度可配置的框架。框架是模型循环之外的一切：提示词、工具，以及任何塑造行为的中间件。从基础组件开始，精确组合你的用例所需。支持 OpenAI、Anthropic、Google 等主流模型提供商。

LangChain vs LangGraph vs Deep Agents

Deep Agents —— "开箱即用"的 Agent，具备自动上下文压缩、虚拟文件系统和子 Agent 生成等特性。
LangChain（create_agent）—— 高度可定制的框架，轻松适配你的用例和数据。
LangGraph —— 底层编排框架，适用于需要组合确定性工作流和 Agent 工作流的进阶场景。

快速创建 Agent

python

# pip install -qU langchain "langchain[openai]"
from langchain.agents import create_agent

def get_weather(city: str) -> str:
    """获取指定城市的天气"""
    return f"{city}今天天气晴朗！"

agent = create_agent(
    model="openai:gpt-4o",
    tools=[get_weather],
    system_prompt="你是一个乐于助人的助手",
)

result = agent.invoke(
    {"messages": [{"role": "user", "content": "上海今天天气怎么样？"}]}
)
print(result["messages"][-1].content_blocks)

查看安装指南和快速入门开始构建你自己的 Agent。

核心优势

标准模型接口

不同的模型提供商有各自独特的 API。LangChain 标准化了与模型的交互方式，使你能够无缝切换提供商，避免锁定。

→ 了解模型接口

高度可配置的框架

create_agent 是一个极简框架：模型、工具、提示词、循环。通过中间件扩展它：每一块处理一个关注点，自由组合。

→ 了解 Agents

基于 LangGraph 构建

LangChain 的 Agent 构建在 LangGraph 之上，这使得我们可以利用 LangGraph 的持久化执行、人工审批、记忆等能力。

→ 了解 LangGraph

可观测性与调试

使用 LangSmith 追踪请求、调试 Agent 行为和评估输出结果。

下一步

安装与环境 —— 开始安装 LangChain
Agents 智能体 —— 深入了解 Agent 的核心概念
Tools 工具调用 —— 学习如何定义和使用工具
RAG 应用设计 —— 构建知识库问答系统

LangChain 概览 ​

快速创建 Agent ​

核心优势 ​

标准模型接口 ​

高度可配置的框架 ​

基于 LangGraph 构建 ​

可观测性与调试 ​

下一步 ​