LangChain1.0速通指南（二）——LangChain1.0 create_agent api 基础知识

2025-12-22 13:08:06
文章摘要
本篇深入解析LangChain 1.0的create_agent API，涵盖智能体三要素消息类型及四种流模式。通过天气助手实例演示智能体完整执行流程，帮助大家快速掌握新一代智能体开发标准。

前言

上篇分享LangChain1.0速通指南（一）——LangChain1.0核心升级笔者分享了Langchain1.0三大核心升级：全新智能体构建 API create_agent、标准化内容块接口和精简的包结构。从笔者的分享中大家也能感受到在这些新特性中，create_agent 作为新一代智能体构建的标准 API，凭借其灵活的中间件机制和内置的结构化输出能力，不仅大幅提升了开发效率，也进一步拓展了智能体的功能边界。本期分享开始笔者将正式讲解create_agent, 本篇将聚焦于 create_agent 的基本使用方法，帮助大家快速掌握这一核心 API 的基础操作。


一、环境搭建

LangChain 1.0 的环境搭建过程较为简单。笔者推荐使用 anaconda 创建一个新的虚拟环境（这里命名为 langchainenvnew），并建议将 Python 版本设置为 3.12 。创建环境的命令如下：


conda create -n langchainenvnew python=3.12



环境创建完成后，安装本实验所需的依赖包。请执行以下命令：

pip install -u langchain langchain-community langchain-deepseek



完成上述步骤后环境准备就绪，接下来开始编写今天的代码。

二、create_agent三要素：提示词，大模型和工具函数

在笔者文章深入浅出LangGraph AI Agent智能体开发教程（二）—LangGraph预构建图API快速创建Agent中提到，要利用create_react_agent api 构建一个基础的智能体，提示词，大模型和工具函数三要素必不可少。作为升级版，create_agent 同样基于这三个要素构建。接下来笔者使用经典的天气助手案例为大家详细说明create_agent的基本使用方法。


1. 首先导入代码所需依赖，并通过自定义函数的方式编写一个模拟天气查询函数，注意工具函数必须包含清晰的函数说明，这是大模型判断是否调用自定义函数的重要依据。从依赖包的导入方式大家可以看出langchain的依赖包命名更加简洁明了。


from langchain.chat_models import init_chat_model
from langchain.tools import tool
from langchain.agents import create_agent

@tool
def get_weather(loc:str)->str:
"""
根据地点参数可以返回该地点的天气情况
"""
return f"{loc} 天气是晴！气温23°"


2. 现在已经具备了工具函数，接下来需要准备提示词和大语言模型，然后使用这三要素创建智能体：


SYSTEM_PROMPT = "你是一个天气助手，具备调用get_weather天气函数获取指定地点天气的能力"

model = init_chat_model(
model="deepseek-chat",
base_url="https://api.deepseek.com",
api_key="你注册的deepseek api key"
)

agent = create_agent(
model=model,
tools=[get_weather],
system_prompt=SYSTEM_PROMPT
)


3. 编写问题"北京天气怎么样"来测试智能体，并使用 agent.stream 方法实现流式输出，通过 pretty_print() 方法格式化显示每次的输出结果：


question="北京的天气怎么样?"

for step in agent.stream(
{'messages': question},
stream_mode="values"
):
step["messages"][-1].pretty_print()


4. 运行上述代码后，我们可以清晰地观察到 LangChain 1.0 智能体的完整执行流程：

  1. 用户提问
  2. 接收到问题"北京天气怎么样"
  3. 模型分析
  4. 大语言模型识别出自身无法直接回答，决定调用工具函数 get_weather，并自动生成调用参数 {loc: 北京}
  5. 工具执行
  6. 执行工具函数并获取返回结果
  7. 结果整合
  8. 大语言模型根据工具函数的执行结果，生成格式化的最终回答


三、模型与消息机制


3.1 LangChain模型支持

在上述代码中，笔者使用了 DeepSeek 模型。LangChain 1.0 已经集成了超过 100 个模型供应商，为开发者提供了极大的灵活性。不同模型的具体使用方法都可以在 LangChain 官网的 Chat 模型集成页面 找到详细的文档说明，包括我们上面使用的DeepSeek 模型配置方法：





现代大语言模型（LLMs）不仅能够生成文本，还支持多种高级功能，包括工具调用（调用外部工具如数据库查询或API）、结构化输出（使模型响应遵循预定义格式）、多模态处理（处理图像、音频等非文本数据）以及多步推理能力。

3.2 LangChain消息类型解析

观察前面程序的运行结果，可以看到 create_agent 执行过程中产生了多种类型的消息。LangChain 定义了一套完整的消息类型系统，主要包括以下几种

  1. SystemMessage
  2. 系统消息，用于设定智能体的角色定位与工具能力。精心设计的系统提示对智能体性能至关重要，它可以定义模型行为、回复风格，并对应答格式进行约束。
  3. HumanMessage
  4. 人类消息，通常是用户的初始提问，也可以是必要的反馈或人为干预（例如决定是否继续执行特定操作）。
  5. ToolMessage
  6. 工具消息，封装了函数调用结果的相关数据，显示工具调用的执行结果。
  7. AIMessage
  8. AI消息，包含大模型生成的所有响应内容。

create_agent 的消息管理机制与笔者在 深入浅出LangGraph AI Agent智能体开发教程（八）—LangGraph底层API实现ReACT智能体 中讲解的 messages 系统一脉相承。所有对话产生的历史消息都会被智能体完整保存下来，形成完整的对话上下文。智能体在决策时会综合分析所有历史消息，包括原始问题、工具调用记录和观察结果，并基于这些信息进行逐步推理。这种设计使得 create_agent 智能体天然具备多轮对话的能力，能够处理复杂的多步骤任务。


3.3 消息的多种表示方式

在实际编码中，LangChain 提供了灵活的消息表示方法。前面程序中的输出代码实际上是 HumanMessage(question) 的简写形式：

for step in agent.stream(
{'messages': HumanMessage(question)},
stream_mode="values"
):
step["messages"][-1].pretty_print()


除了直接使用消息对象外，还可以使用字典来表示消息，这种情况下需要明确指定消息的角色类型：


for step in agent.stream(
{'messages': {"role": "user", "content": question}},
stream_mode="values"
):
step["messages"][-1].pretty_print()


其他类型的消息用字典表示的格式如下：


{"role": "system", "content": system_prompt}
{"role": "assistant", "content": ai_response}



3.4 消息的元数据与详细信息

前面程序中使用的 pretty_print() 方法用一种美观的格式展示了不同消息的内容，但实际上每条消息都包含了丰富的元数据信息。如果改用以下代码：


for step in agent.stream(
{'messages': question},
stream_mode="values"
):
# step["messages"][-1].pretty_print()
print(step['messages'][-1])


查看输出的最后一条消息，可以看到 messages 消息列表中返回了详细的内容结构：其中content是模型的主要输出内容，usage_metadata包含了输入输出token的使用量统计，response_metadata包含了更详细的输入输出信息包括令牌使用，模型提供商，模型名称等。这些丰富的元数据为开发者监控智能体行为、优化性能和分析成本提供了宝贵的信息基础。



四、流式输出模式详解

在大语言模型或交互式智能体的应用中，由于计算复杂度较高，常常会遇到显著的响应延迟。为了提升用户体验，LangChain 提供了多种流式传输模式，让用户能够逐步获取生成内容，而不是等待完整响应。


4.1 不使用流模式

不使用流模式采用invoke方法，在这种情况下会等到产生最终结果后一次性显示出来，而不是逐个token传输:


question="北京的天气怎么样?"
print(agent.invoke(
{'messages': question},
)['messages'][-1].content)




4.2 值流模式

上面的示例程序中使用的是值流模式，该模式会在智能体的每个执行步骤完成后传输中间数据，让开发者能够观察到完整的决策过程，如上例所示，值流模式会分四次更新数据：HumanMessage（用户输入）、AIMessage（模型初始响应）、ToolMessage（工具调用结果）和最终的AIMessage（总结回答）。


for step in agent.stream(
{'messages': question},
stream_mode="values"
):
step['messages'][-1].pretty_print()



4.3 消息流模式

消息流模式会将模型的最终响应内容逐个token输出，而不是分步输出。


question="北京的天气怎么样?"
for token, metadata in agent.stream(
{'messages': question},
stream_mode="messages"
):
print(f"{token.content}", end="")





4.4 自定义模式


LangChain 还支持用户自定义流式传输，特别是在工具函数中插入自定义的输出内容。通过 get_stream_writer 可以获取图的流式传输对象，当流模式设置为 custom 时，输出将只包含在工具函数中自定义的内容：


from langgraph.config import get_stream_writer
@tool
def get_weather(loc:str)->str:
"""
根据地点参数可以返回该地点的天气情况
"""
writer = get_stream_writer()
writer(f"正在查询天气信息....")
return f"{loc} 天气是晴！气温23°"
for chunk in agent.stream(
{'messages': question},
stream_mode="custom"
):
print(chunk)



流模式还支持以数组形式指定多个模式，实现同时输出多种类型的内容：


for chunk in agent.stream(
{'messages': question},
stream_mode=["values", "custom"]
):
print(chunk)


可以看到，除了 values 模式的四个标准输出外，在工具函数调用阶段还输出了我们自定义的内容。系统通过元组对象对 values 和 custom 输出进行区分：



自定义流式传输的核心优势在于：用户能够在数据逐步生成的过程中就进行自定义处理（例如在工具函数中感知执行阶段），而无需等待所有内容生成完毕。这显著提升了应用的响应速度和用户体验。


五、总结

本篇深入解析LangChain 1.0的create_agent API，涵盖环境搭建、智能体三要素（提示词、模型、工具函数）、消息类型及四种流模式。通过天气助手实例演示智能体完整执行流程，帮助大家快速掌握新一代智能体开发标准。当然本文讲述的仅仅是create_agent的基础使用，这次更新还有更多的核心特性尤其是中间件机制，下期内容我们接着分享，大家敬请期待！



声明：该内容由作者自行发布，观点内容仅供参考，不代表平台立场；如有侵权，请联系平台删除。
标签：
大模型
自然语言处理（NLP）
具身智能
智能体（Agent）
模型开发平台