如何使用LangChain构建AI智能体：分步指南

创建安全的临时工作目录

从仅能生成文本的大型语言模型（LLM）到能够采取行动的 AI 智能体的转变，是现代软件工程中最重要的发展之一。智能体系统能够感知环境、做出决策，并使用工具来实现特定目标，超越了简单的问答式聊天机器人。LangChain 作为一个开源框架，通过将 LLM 与外部数据、工具以及其他 LLM 连接起来，已成为构建这些复杂应用的标准。

本教程提供了一份全面、分步的指南，教你如何使用 LangChain 构建 AI 智能体。你将学习基础概念，并通过实际实现进行实践，从而能够创建自己的自主智能体，执行现实世界中的任务。

你将学到什么

在本教程结束时，你将理解智能体 AI 和 LangChain 框架的核心原理。你将能够设置开发环境、连接到 LLM、定义自定义工具，并使用现代的 create_agent API 构建一个功能完整的智能体。你将构建并运行一个完整的 AI 智能体，能够根据自然语言命令与本地文件系统交互，为你创建更复杂的自动化任务打下实践基础。

1. LangChain 基础与核心概念

在深入代码之前，理解什么是 AI 智能体以及 LangChain 如何简化其创建过程至关重要。智能体的核心是一个使用 LLM 作为其推理引擎的系统。智能体接收用户请求，提示 LLM 决定采取何种行动，执行该行动（通常通过调用工具），然后处理结果以生成响应。这个循环会持续进行，直到任务完成。

LangChain 提供了一个标准框架来实现这个推理循环，最显著的是通过其对 ReAct（推理+行动）框架的支持。LangChain 是一个构建在 LangGraph 之上的高级工具，LangGraph 是一个更低层级的编排框架，让你能够对智能体的工作流和状态进行精细控制。

要使用 LangChain 构建智能体，你需要四个主要组件：

1. LLM： 智能体的推理引擎。
2. 工具： 允许智能体与外部世界交互的函数，例如 API、数据库或文件系统。
3. 智能体循环： 管理 LLM、工具和状态的“大脑”编排层。
4. 记忆（检查点）： 持久化智能体状态的能力，使其能够在对话线程中记住过去的交互。

2. 设置开发环境

首先，你需要安装 LangChain 及其核心依赖项。本教程使用 Python 演示该过程，但概念和高级模式对于 TypeScript 用户来说是相似的。

首先，确保你的系统上安装了 Python 3 和 Pip。对于基于 Debian/Ubuntu 的系统，你可以使用以下命令。对于其他操作系统，请遵循相应的安装方法。

sudo apt update
sudo apt install python3 python3-pip

接下来，安装主要的 LangChain 包。langchain 包是核心框架。langchain-community 包含由社区维护的工具，而 langgraph 是现代智能体创建 API 所需的。

pip install langchain langgraph langchain-community

3. 集成大型语言模型

构建智能体的第一步是将其连接到 LLM。LangChain 支持数十个模型提供商，包括 Google Gemini、OpenAI、Anthropic 等。在本教程中，我们将使用 Google 的 Gemini 模型。

你需要从 Gemini 控制台获取一个 API 密钥。获得密钥后，你可以安装 Google GenAI 集成包并设置环境。

pip install -qU "langchain[google-genai]"

现在，你可以编写 Python 代码来初始化模型。getpass 模块用于安全地提示输入 API 密钥。

import getpass
import os
from langchain.chat_models import init_chat_model
from langchain_core.messages import HumanMessage, SystemMessage

if not os.environ.get("GOOGLE_API_KEY"):
    os.environ["GOOGLE_API_KEY"] = getpass.getpass("输入 Google Gemini 的 API 密钥：")

model = init_chat_model("gemini-2.0-flash", model_provider="google_genai")

你可以通过一个简单的查询来测试设置是否成功。

response = model.invoke("法国大革命是什么时候开始的？")
print(response.content)

4. 为智能体定义工具

工具是智能体强大的关键。它们允许 LLM 执行超出文本生成范围的操作。在本教程中，我们将使用 LangChain 的 FileManagementToolkit 构建一个能够管理本地计算机上文件的智能体。

FileManagementToolkit 是 langchain-community 包的一部分，你已经安装了这个包。该工具包允许你指定智能体可以执行哪些文件操作，例如读取、写入和列出文件。

导入必要的模块并定义工具。一个关键的安全实践是将智能体限制在临时目录中，而不是让它完全控制整个文件系统。

from langchain_community.agent_toolkits import FileManagementToolkit
from tempfile import TemporaryDirectory

working_directory = TemporaryDirectory()

# 使用选定的工具和根目录初始化工具包
tools = FileManagementToolkit(
    root_dir=str(working_directory.name),
    selected_tools=["read_file", "write_file", "list_directory"],
).get_tools()

5. 使用 create_agent 构建智能体

准备好 LLM 和工具后，你现在可以构建智能体了。在 LangChain 中构建智能体的现代且推荐的方法是使用 create_agent 函数。

该函数接收你的模型和一个工具列表，并创建一个管理推理循环的智能体执行器。它简化了流程，无需手动创建 ReAct 智能体和执行器。

from langchain.agents import create_agent

# “model”和“tools”变量来自前面的步骤。
agent = create_agent(
    model=model,
    tools=tools
)

这一行代码创建了一个复杂的智能体。该智能体使用模型根据用户输入决定调用哪个工具。它可以处理将多个工具调用链接在一起以完成复杂任务的情况。

⚠️ 重要提示： 虽然 LangChain 可以与较旧的智能体创建方法（如 create_react_agent）一起使用，但 create_agent API 是现代推荐的方法，应该是你构建新智能体的默认选择。

6. 运行你的第一个智能体

智能体构建完成后，你可以通过向其发送用户消息来运行它。以下命令将演示智能体与文件系统交互的能力。

首先，让智能体列出当前工作目录中的文件。此时，目录是空的。

input_message = {"role": "user", "content": "列出当前工作目录中的文件"}
response = agent.invoke({"messages": [input_message]})

for message in response["messages"]:
    message.pretty_print()

接下来，指示智能体创建一个名为 sample-file.txt 的文件。

input_message = {"role": "user", "content": "创建一个名为 sample-file.txt 的文件"}
response = agent.invoke({"messages": [input_message]})

for message in response["messages"]:
    message.pretty_print()

最后，再次让智能体列出文件。它将显示 sample-file.txt 存在。

input_message = {"role": "user", "content": "列出当前工作目录中的文件"}
response = agent.invoke({"messages": [input_message]})

for message in response["messages"]:
    message.pretty_print()

如你所见，智能体成功解释了自然语言命令，调用了适当的工具（list_directory、write_file），并对所采取的行动提供了反馈。这是一个基本但强大的演示，展示了如何使用 LangChain 构建 AI 智能体。

7. 为智能体添加记忆

无状态智能体的一个关键限制是，它在一次调用完成后会忘记所有上下文。要创建一个能够记住过去交互的对话式智能体，你需要添加记忆。这通过一个“检查点器”来实现，它可以保存智能体的状态。

LangGraph 提供了一个 MemorySaver 类，这是一个简单的内存检查点器。在生产环境中，你会使用更健壮的选项，如 PostgresSaver 或基于 MongoDB 的检查点器，但 MemorySaver 非常适合测试和开发。

首先，导入并初始化检查点器。

from langgraph.checkpoint.memory import MemorySaver

checkpointer = MemorySaver()

接下来，重新创建你的智能体，并将 checkpointer 作为参数传递。

agent_with_memory = create_agent(
    model=model,
    tools=tools,
    checkpointer=checkpointer
)

要使用记忆，你必须在配置中指定一个 thread_id。这个 thread_id 充当对话 ID，允许智能体为每个不同的对话维护独立的记忆。

config = {"configurable": {"thread_id": "user-123"}}

agent_with_memory.invoke(
    {"messages": [{"role": "user", "content": "我叫 Alice"}]},
    config=config
)

result = agent_with_memory.invoke(
    {"messages": [{"role": "user", "content": "我叫什么名字？"}]},
    config=config
)
# 智能体回应：“你的名字是 Alice。”
print(result["messages"][-1].content)

这个简单的添加使你的智能体能够进行有上下文的对话，使其感觉更加智能和有用。

8. 超越基础：多智能体系统

随着你的进步，你可能会遇到单个智能体无法处理的复杂任务。LangChain 支持构建复杂的多智能体系统，其中专门的智能体协作解决问题。这是处理复杂工作流的一种强大架构模式。

子智能体 是一种核心的多智能体模式，其中主监督智能体协调多个专门的子智能体，将它们作为工具调用。例如，一个子智能体可能负责研究，另一个负责内容创作，第三个负责审查工作。

模式	工作原理
子智能体	主智能体将子智能体作为工具进行协调。所有路由都通过主智能体，由它决定何时调用每个子智能体。
交接	行为根据状态动态变化，工具调用会触发切换到不同的智能体或配置。
技能	专门的提示和知识按需加载到单个智能体的上下文中。
路由器	路由步骤对输入进行分类，并将其定向到一个或多个专门的智能体进行处理。

选择正确的模式至关重要。例如，子智能体架构非常适合并行执行和分布式开发，而交接模式对于单个对话中的重复用户请求更高效。在个人助理应用中使用子智能体模式可以实现上下文隔离——每个子智能体在一个干净的上下文窗口中处理任务，防止主智能体的记忆膨胀。

来源

1. Chris Tozzi. "Build an AI agent with LangChain in this beginner tutorial." TechTarget, 2025年9月。
2. "Quickstart" LangChain 官方文档。
3. "Multi-agent" LangChain 官方文档。
4. "Workflows and agents" LangChain 官方文档。
5. "langchain-fundamentals" LangChain Skills 文档，GitHub。
6. "How to Build an AI Agent with LangChain and LangGraph: Build an Autonomous Starbucks Agent." freeCodeCamp, 2025年12月。
7. "Subagents" LangChain 官方文档。
8. "LangChain Python Tutorial: A Complete Guide for 2026." The JetBrains Blog, 2026年3月。

— Editorial Team