快速了解LangChain

Agent + Tools + Workflow + LangGraph

Get Started，开始

安装相应的库

第一步：创建Agent（智能体）

构建一个基本的智能体，A basic agent

from langchain.agents import create_agent

def get_weather(city: str) -> str:
    """Get weather for a given city."""
    return f"It's always sunny in {city}!"

agent = create_agent(
    model="google_genai:gemini-2.5-flash-lite",
    tools=[get_weather],
    system_prompt="You are a helpful assistant",
)

result = agent.invoke(
    {"messages": [{"role": "user", "content": "What's the weather in San Francisco?"}]}
)

print(result["messages"][-1].content_blocks)

AI Agent的四大组件：

Model      = 大脑
Tool       = 手脚
Prompt     = 规则人格
Invoke     = 执行动作

Docstring："""Get weather for a given city."""这是给LLM看的工具说明，模型会读它，然后理解：

这是一个查询天气的工具

不能做：

多步骤任务规划
长期记忆
多工具链协作
复杂推理流程
状态管理

Build a real-world agent

real-world agent:多工具 + memory + workflow

Detailed system prompts for better agent behavior 行为控制层

更强的系统提示词：从原先的”You are a helpful assistant”到而今的

定义角色 + 行为规范 + 输出结构 + 工具使用策略

你是谁 + 不能做什么 + 工具使用规则 + 输出格式 + 决策策略

这样就更像一个系统

本质：控制 AI 行为的“操作系统”
- 控制风格
- 控制是否调用 tool
- 控制输出结构
- 限制 hallucination
Create tools that integrate with external data外部能力层

本质：给 AI 接上现实世界能力

多工具相当于手，用来行动做事
Model configuration for consistent responses稳定控制层

本质：让 AI 稳定，而不是随机
```
temperature = 0.1
max_tokens = 2000
timeout = 60
```

降低胡说
控制输出长度
控制一致性
提升生产稳定性
1. Conversational memory for chat-like interactions状态记忆系统
本质：让 AI 有“状态”

记住你是谁 + 你刚才说了什么

LangChain 里其实分：
short-term memory（对话）
long-term memory（用户/数据库）
1. Deep Agents for built-in features规划加子任务
本质：从“单步工具调用”升级到“任务规划系统”
```
✔ 任务拆解（planning）
✔ 多步骤执行
✔ 子 Agent（sub-agent）
✔ 文件系统记忆
✔ 长任务运行
```
1. Testing your agent工程验证
本质：工程化验证（不是demo）
是否会乱调用工具
是否稳定输出
是否 memory 正确
是否 long task 崩溃
latency / cost

！agent是非确定性系统

必须进行测试