专栏系列第 2 篇 · 智能体纪元
在上一篇文章中我们介绍了 AI Agent 的基本概念和生态全景，这一篇我们将动手实战：用 LangChain 构建你人生中的第一个 AI Agent！
01. 为什么选择 LangChain？
LangChain 是一个专门为构建 LLM 应用（特别是 Agent）而设计的框架，它的核心优势在于：
- ✅ 组件丰富：内置 Prompt 模板、记忆机制、工具调用等模块
- ✅ 灵活组合：像乐高一样拼出你想要的 Agent
- ✅ 支持多模型：OpenAI、ChatGLM、Claude、Gemini、文心一言等都能接
- ✅ 社区活跃：生态完善、教程丰富
LangChain 就像是 AI Agent 的“游戏引擎”，特别适合入门使用。
02. 最小可用 Agent 框架：4 个核心组件
LangChain 中，一个最小的 Agent 由以下部分构成：
| 组件 | 作用 | 示例 |
|---|---|---|
| LLM | 语言模型 | ChatOpenAI() 或 ChatGLM() |
| Prompt | 提示词模板 | ChatPromptTemplate.from_messages(...) |
| Tool | 工具（函数） | 搜索、计算器、文件读写等 |
| Agent | 智能体控制逻辑 | initialize_agent(...) |
03. 实战：构建一个带工具调用的 Agent
我们来动手实现一个「能自动查资料 + 回答问题」的 Agent。
📦 环境准备
pip install langchain openai duckduckgo-search
🔧 步骤 1：定义工具函数
from langchain_community.tools import DuckDuckGoSearchRun
search = DuckDuckGoSearchRun()
tools = [search]
🧠 步骤 2：配置语言模型（DeepSeek API 与 OpenAI API 格式兼容）
from langchain_community.chat_models import ChatOpenAI
llm = ChatOpenAI(
model='deepseek-chat',
openai_api_key=YOUR_API_KEY,
openai_api_base='https://api.deepseek.com',
max_tokens=1024
)
🧩 步骤 3：初始化 Agent
from langchain.agents import initialize_agent, AgentType
agent = initialize_agent(
tools=tools,
llm=llm,
agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
verbose=True,
handle_parsing_errors=True
)
✅ 步骤 4：运行 Agent！
response = agent.invoke({"input": "请用中文回答这个问题：最近有哪些关于AI Agent的新研究？"})
print(response)
效果预期：Agent 会自动搜索并整合内容回答你，非常适合做知识助手！
全部代码及输出：
# 导入 DuckDuckGo 搜索工具，用于联网搜索信息
from langchain_community.tools import DuckDuckGoSearchRun
# 导入 ChatOpenAI 类，用于与兼容 OpenAI 接口的语言模型交互
from langchain_community.chat_models import ChatOpenAI
# 导入 initialize_agent 和 AgentType，用于创建 LangChain 智能体
from langchain.agents import initialize_agent, AgentType
# 实例化 DuckDuckGo 搜索工具，作为 agent 可用的工具之一
search = DuckDuckGoSearchRun()
tools = [search] # 工具列表，目前只包含搜索工具
API_KEY = 'sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxx'
# 创建一个 LLM（大型语言模型）客户端，连接到 DeepSeek 的 OpenAI 兼容接口
llm = ChatOpenAI(
model='deepseek-chat', # 指定使用 deepseek-chat 模型
openai_api_key=API_KEY, # 使用你的 API 密钥进行认证
openai_api_base='https://api.deepseek.com', # DeepSeek 的 API 接口地址
max_tokens=1024 # 最大生成 token 数
)
# 初始化智能体 Agent，使用 Zero-Shot ReAct 模式（零样本推理 + 工具调用）
agent = initialize_agent(
tools=tools,
llm=llm,
agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, # agent 类型：基于 ReAct 的 Zero-Shot 智能体
verbose=True, # 输出 agent 的推理过程，便于调试和观察
handle_parsing_errors=True # 容错处理，避免格式解析出错时中断
)
response = agent.invoke({"input": "请用中文回答这个问题：最近有哪些关于AI Agent的新研究？"})
print(response)
04. 拓展方向：打造你的「专属智能体」
LangChain 还支持非常多的高级能力，你可以：
- 加入记忆机制：让 Agent 记住上下文
- 自定义工具函数：如调用数据库、写文件、调用 API
- 多 Agent 协作：多个角色协同处理复杂任务
05. 小结与预告
今天我们使用 LangChain 快速构建了一个能联网查资料的 AI Agent，体验了最小 Agent 架构的魅力。
下一篇文章，我们将探索如何让 Agent 具备长期记忆，构建更像“人”的智能体，敬请期待！
