作为一名开发者，在大模型这么热的今天，决定不能落下，开始学起来，有兴趣的朋友可以一起，今天在langchain官网，大致看了下，决定先来个例子感受一下，然后在学习概念，准备直接拿官方的计算器Agent来练手！官方例子代码如下：docs.langchain.com/oss/python/…。我把大模型替换成了千问，其他都没变。
环境准备
python：3.12 编译器：PyCharm python依赖包：langchain、langgraph、langchain_community、dashscope、dotenv
python依赖包通过PyCharm->Preferences->Project->Python Interpreter添加
完整代码
# Step 1: 定义工具和模型
import os
from langchain.tools import tool
from langchain_community.chat_models import ChatTongyi
from dotenv import load_dotenv
load_dotenv()
# 初始化 Qwen 模型（通过 DashScope 的 OpenAI 兼容接口）
model = ChatTongyi(
model="qwen-max",
temperature=0,
dashscope_api_key=os.getenv("DASHSCOPE_API_KEY")
)
# 定义工具
@tool
def multiply(a: int, b: int) -> int:
"""Multiply `a` and `b`.
Args:
a: First int
b: Second int
"""
return a * b
@tool
def add(a: int, b: int) -> int:
"""Adds `a` and `b`.
Args:
a: First int
b: Second int
"""
return a + b
@tool
def divide(a: int, b: int) -> float:
"""Divide `a` and `b`.
Args:
a: First int
b: Second int
"""
return a / b
# 模型绑定工具
tools = [add, multiply, divide]
tools_by_name = {tool.name: tool for tool in tools}
model_with_tools = model.bind_tools(tools)
# Step 2: 定义状态
from langchain.messages import AnyMessage
from typing_extensions import TypedDict, Annotated
import operator
class MessagesState(TypedDict):
messages: Annotated[list[AnyMessage], operator.add]
llm_calls: int
# Step 3: 定义模型Node
from langchain.messages import SystemMessage
import json
def llm_call(state: dict):
"""LLM decides whether to call a tool or not"""
return {
"messages": [
model_with_tools.invoke(
[
SystemMessage(
content="You are a helpful assistant tasked with performing arithmetic on a set of inputs."
)
]
+ state["messages"]
)
],
"llm_calls": state.get('llm_calls', 0) + 1
}
# Step 4: 定义工具Node
from langchain.messages import ToolMessage
def tool_node(state: dict):
"""Performs the tool call"""
result = []
for tool_call in state["messages"][-1].tool_calls:
tool = tools_by_name[tool_call["name"]]
observation = tool.invoke(tool_call["args"])
result.append(ToolMessage(content=observation, tool_call_id=tool_call["id"]))
return {"messages": result}
# Step 5: 定义逻辑决定是否结束，还是执行工具调用
from typing import Literal
from langgraph.graph import StateGraph, START, END
# Conditional edge function to route to the tool node or end based upon whether the LLM made a tool call
def should_continue(state: MessagesState) -> Literal["tool_node", END]:
"""Decide if we should continue the loop or stop based upon whether the LLM made a tool call"""
messages = state["messages"]
last_message = messages[-1]
# If the LLM makes a tool call, then perform an action
if last_message.tool_calls:
return "tool_node"
# Otherwise, we stop (reply to the user)
return END
# Step 6: Build agent
# Build workflow
agent_builder = StateGraph(MessagesState)
# 添加Node
agent_builder.add_node("llm_call", llm_call)
agent_builder.add_node("tool_node", tool_node)
# Add edges to connect nodes
agent_builder.add_edge(START, "llm_call")
agent_builder.add_conditional_edges(
"llm_call",
should_continue,
["tool_node", END]
)
agent_builder.add_edge("tool_node", "llm_call")
# 编译 the agent
agent = agent_builder.compile()
# Show the agent
# print(agent.get_graph(xray=True).draw_mermaid())
# Invoke
from langchain.messages import HumanMessage
from langchain_core.runnables.config import RunnableConfig
messages = [HumanMessage(content="Add 3 and 4.")]
messages = agent.invoke(
{"messages": messages},
config=RunnableConfig(run_name="Arithmetic Agent - Add 3+4")
)
for m in messages["messages"]:
m.pretty_print()
替换为千问大模型
上面代码，大模型部分已经被替换成了千问的模型，下面是替换过程
安装必要包：
pip install langchain-core langchain-community dashscope
获取 DashScope API Key：
- 访问 阿里云 DashScope 控制台
- 获取 API Key（如 sk-xxxxxx）
设置环境变量（推荐）
用户目录下.env文件，增加
DASHSCOPE_API_KEY= 你的千问模型api key
替换模型部分代码
from dotenv import load_dotenv
load_dotenv()# 加载环境变量
from langchain_community.chat_models import ChatTongyi
model = ChatTongyi(
model="qwen-max",
temperature=0,
dashscope_api_key=os.getenv("DASHSCOPE_API_KEY")
)
执行流程分析
从打印日志可以看出：请求了两次大模型：
第一次调用：
- 发送消息：[System, Human("Add 3 and 4.")]
- 返回消息：tool_calls = [{"name": "add", ...}]
第二次调用：
- 发送消息：[System, Human("Add 3 and 4."), AI(tool_calls), Tool("7")]
- 返回消息：content = "The result is 7."
我们想办法看看整个执行过程到底是如何进行的
方法一：打印成mermaid格式
被注释掉的代码 # print(agent.get_graph(xray=True).draw_mermaid()) 可以打印mermaid格式的流程图，在mermaid.live中可以生成执行流程图
graph TD;
__start__([<p>__start__</p>]):::first
llm_call(llm_call)
tool_node(tool_node)
__end__([<p>__end__</p>]):::last
__start__ --> llm_call;
llm_call -.-> __end__;
llm_call -.-> tool_node;
tool_node --> llm_call;
添加图片注释，不超过 140 字（可选）
方法二：接入LangSmith
可以接入langchain官网的LangSmith，接入非常简单。
✅ 第一步：注册并获取 LangSmith 凭据
- 访问 smith.langchain.com/
- 用 GitHub / Google 账号登录
- 进入 Settings → API Keys
- 创建一个新 API Key（或复制已有）
- 同时记下你的 Project Name（默认是 default）
✅ 第二步：安装 LangSmith SDK
bash编辑
pip install langsmith
注意：langchain >= 0.1.0 已内置对 LangSmith 的支持，无需额外安装 langchain-core。
✅ 第三步：设置环境变量
在项目根目录创建 .env 文件（如果你还没做）：
env编辑
# DashScope API（你已配置）
DASHSCOPE_API_KEY=sk-xxxxxx
# 👇 新增 LangSmith 配置
LANGCHAIN_TRACING_V2=true
LANGCHAIN_API_KEY=lsk_xxxxxx # 从 LangSmith 控制台复制
LANGCHAIN_PROJECT=default # 或你自定义的项目名
🔑 关键变量说明：
- LANGCHAIN_TRACING_V2=true：启用追踪
- LANGCHAIN_API_KEY：你的 LangSmith API Key
- LANGCHAIN_PROJECT：数据归集到哪个项目（可选，默认 default）
然后在代码开头加载：
python编辑
from dotenv import load_dotenv
load_dotenv() # 确保这行在最前面
✅ 第四步：为你的 Agent 添加唯一 traceable 名称（可选但推荐）
LangSmith 会自动追踪所有 LangChain 调用，但你可以给 agent.invoke 加个名字便于识别：
python编辑
result = agent.invoke(
{"messages": [HumanMessage(content="Add 3 and 4.")]},
config={"run_name": "Arithmetic Agent"}
)
✅ 第五步：运行你的脚本
只要设置了环境变量，所有 LangChain 操作（LLM 调用、工具调用、节点执行）都会自动上报到 LangSmith。
✅ 第六步：在 LangSmith 查看可视化流程图
- 打开 smith.langchain.com/
- 进入 Datasets → Traces（或直接点左侧 "Traces"）
- 找到你刚运行的 trace（按时间排序）
- 点击进入，你会看到：
添加图片注释，不超过 140 字（可选）
