LangChain Agent 开发总览

原文：LangChain 总览

一句话

LangChain 提供了 create_agent：一个最小化、高度可配置的 agent harness，可通过组合 model、tools、prompt 和 middleware 来精确构建您的用例所需的 agent。

什么时候翻这页

当您需要了解 LangChain Agent 的基本架构和核心概念时
当您想使用 create_agent 构建自定义 agent 时
当您需要比较 LangChain、LangGraph 和 Deep Agents 的区别时
当您需要了解如何集成不同模型提供商（OpenAI、Anthropic、Google 等）到您的 agent 中时

核心概念

Agent = Model + Harness

LangChain 的核心是将模型（Model）与框架（Harness）分离：

Model：底层语言模型，可以是 OpenAI、Anthropic、Google 等提供商的模型
Harness：围绕模型循环的一切，包括 prompt、tools 和任何塑造行为的 middleware

create_agent

create_agent 是 LangChain 提供的最小化、高度可配置的 agent harness。它允许您从基本组件开始，精确组合您的用例所需的内容，不多不少。

Middleware

Middleware 是可插入的组件，用于扩展 agent 的行为。每个 middleware 处理一个关注点，可以自由组合，从而实现高度定制化的 agent 行为。

Tools

Tools 是 agent 可以调用的函数，用于扩展 agent 的能力。例如，天气查询工具、计算工具、API 调用工具等。

怎么做

创建基本 Agent

使用 create_agent 创建一个简单的 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="openai:gpt-5.4",
    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)

支持的模型提供商

LangChain 支持多种模型提供商：

OpenAI
Anthropic (Claude)
Google (Gemini)
OpenRouter
Fireworks
Baseten
Ollama
Azure OpenAI
AWS Bedrock
HuggingFace

每个提供商需要安装相应的包并使用特定的模型格式。

命令 / API 速查

安装

# 基础安装
pip install -qU langchain

# 带特定提供商的安装
pip install -qU langchain "langchain[openai]"
pip install -qU langchain "langchain[anthropic]"
pip install -qU langchain "langchain[google-genai]"
# 其他提供商类似

创建 Agent

from langchain.agents import create_agent

agent = create_agent(
    model="provider:model-name",
    tools=[your_tool_function],
    system_prompt="Your system prompt here",
    # 可选参数
    temperature=0.7,
    max_tokens=1024,
    # 特定提供商参数
    azure_deployment="your-deployment-name",  # Azure OpenAI
    model_provider="huggingface",  # HuggingFace
)

调用 Agent

result = agent.invoke(
    {"messages": [{"role": "user", "content": "Your question here"}]}
)

与 LangGraph / RAG 手册的联系

LangChain：提供高层级的 harness，专注于快速构建和定制 agent
LangGraph：提供底层的编排框架，适合需要结合确定性和 agent 工作流的复杂场景
RAG：可以与 LangChain agent 结合使用，为 agent 提供检索增强能力

LangChain 的 agent 构建在 LangGraph 之上，利用了 LangGraph 的持久执行、人工参与支持和持久化等功能。

初学者易错点

混淆 LangChain 和 LangGraph：LangChain 是高层级的 harness，LangGraph 是底层的编排框架
忽略模型提供商前缀：每个模型需要指定提供商前缀，如 openai:gpt-5.4
错误的消息格式：invoke 方法需要特定的消息格式，包含 role 和 content
未安装必要的包：使用特定提供商时需要安装相应的包，如 langchain[openai]
过度配置：从最小配置开始，根据需要添加 middleware 和复杂功能

语义检索