LangChain技能入门指南：从零构建你的第一个AI代理

1次阅读

共计 1990 个字符，预计需要花费 5 分钟才能阅读完成。

在传统 AI 应用开发中，我们通常直接调用大模型 API（如 OpenAI）并自行拼接输入输出。这种方式存在几个明显痛点：

流程碎片化：每次调用都需要手动维护会话状态
功能单一：缺乏工具扩展能力（如查询数据库 / 网络）
调试困难：复杂逻辑需要编写大量胶水代码

LangChain 通过模块化设计解决了这些问题。它像乐高积木一样，将 AI 应用拆解为可组合的标准化组件。举个例子，当我们需要实现一个天气查询机器人时：

传统方式：用户输入 → 手动解析意图 → 调用天气 API → 格式化响应 → 拼接历史对话 → 调用 OpenAI → 返回结果

LangChain 方式：用户输入 → 预构建的 Agent 自动处理全流程

Chain（链）：基础执行单元，如问答链、摘要链。可以串联形成复杂工作流
Agent（代理）：智能调度中心，决定何时调用哪些工具或链
Memory（记忆）：保存对话历史，实现多轮交互
Tool（工具）：扩展能力边界，比如：
计算器
搜索引擎
数据库查询

组件交互示意图：

[用户输入] 
   → [Agent] 
   → 决策是否需要使用[Tool]
   → 调用 [Chain] 处理
   → 更新[Memory]
   → 返回响应

from langchain.llms import OpenAI
from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate

# 注意：实际使用请替换为你的 OpenAI 密钥
llm = OpenAI(model_name="text-davinci-003", temperature=0.7)

prompt = PromptTemplate(input_variables=["question"],
    template="请用中文回答以下问题：{question}"
)

qa_chain = LLMChain(llm=llm, prompt=prompt)

# 执行链
question = "如何用 Python 读取 CSV 文件？"
response = qa_chain.run(question=question)
print(response)

from langchain.memory import ConversationBufferMemory

memory = ConversationBufferMemory()

# 改造原有 Chain
chat_chain = LLMChain(
    llm=llm,
    prompt=PromptTemplate(input_variables=["history", "input"],
        template=""" 以下是对话历史：{history}

用户新输入：{input}"""
    ),
    memory=memory
)

# 模拟多轮对话
chat_chain.run(input="推荐一道家常菜")
chat_chain.run(input="需要准备哪些食材？")  # 这里会自动带入上文

from langchain.agents import Tool
from datetime import datetime

def get_current_time() -> str:
    return f"当前时间：{datetime.now().strftime('%Y-%m-%d %H:%M:%S')}"

tools = [
    Tool(
        name="时间查询",
        func=get_current_time,
        description="当需要知道当前时间时使用"
    )
]

# 创建带工具的 Agent
from langchain.agents import initialize_agent

agent = initialize_agent(
    tools,
    llm,
    agent="zero-shot-react-description",
    verbose=True
)

agent.run("现在几点钟？")