LangChain 是最快速入门构建基于 LLM 的智能代理和应用的方法。下面会先整理langchain的依赖，然后通过实践来逐步了解langchain的使用方法。下面举例的代码还未涉及智能体高级功能（记忆功能、中间件、mcp等）并且知识点整理得也不是很全面，主要整理太细也记不住，打算先学会基础功能再深入，有问题可以查看langchain官网doc。

依赖

核心库

pip install langchain langchain-core langchain-community

Langchain-core

        langchain-core是langchain的核心库，包含 LangChain 生态系统中使用到的核心接口和抽象。大多数用户主要与langchain包进行交互，该包建立在langchain-core之上，并为所有核心接口提供实现。

Langchain

        主包，包含核心功能模块，一般直接与langchain包交互。

Langchain-community

        社区维护的通用集成，包含大部分模型 / 工具的基础适配。

扩展库

        扩展库是对接外部服务的专用插件，按需安装，核心作用是让 LangChain 能调用具体的模型、工具、数据源。下面会分类例举部分扩展库。

模型接口类

扩展库	对接的模型 / 服务	适用场景
langchain-openai	OpenAI/GPT-3.5/4、通义千问（OpenAI 兼容）、DeepSeek 等	用 OpenAI 兼容接口的模型
langchain-anthropic	Anthropic Claude	对接 Claude 系列模型
langchain-dashscope	通义千问（阿里原生接口）	不用 OpenAI 兼容，直接对接通义千问
langchain-google-vertexai	Google Gemini/PaLM	对接谷歌大模型

工具类

扩展库	对接的工具 / 数据源	适用场景
langchain-mysql	MySQL 数据库	从 MySQL 查数据
langchain-pinecone langchain-chroma	Pinecone、chroma 向量数据库	存储 / 检索向量（RAG 场景）
langchain-serpapi	Google 搜索引擎	联网搜索信息
langchain-requests	HTTP/API 调用	调用第三方 API

进阶功能类

扩展库	核心功能	适用场景
langchain-experimental	实验性功能（如高级 Agent、多模态）	尝新功能（非生产环境）
langchain-text-splitters	文本分割工具（如按字符 / 按语义分割）	RAG 场景拆分长文本

分组安装

# 多个扩展：装 OpenAI + 向量数据库 + 搜索引擎 扩展
pip install "langchain[openai,pinecone,serpapi]"

# 装所有常用扩展（不推荐，体积大）
pip install "langchain[all]"

Langchain调用大模型

        “从零开始搭建AI智能体 3”中通过OpenAI库调用了千问大模型，现在用langchain框架实现。

       首先下载langchain-openai库（也可以用阿里原生接口langchain-dashscope） ，确保配置好环境变量，确定base_url，采用流式输出，暂不考虑temperature等其他属性。最简单的大模型调用代码如下：

pip install langchain langchain-openai

from langchain_openai import ChatOpenAI
from langchain.messages import HumanMessage
import os

model = ChatOpenAI(
        model="qwen3.5-plus",
        api_key=os.getenv("DASHSCOPE_API_KEY"),
        base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
        streaming=True
    )

messages = [HumanMessage(content="你是谁")]

print("\n" + "=" * 20 + "完整回复" + "=" * 20)
for chunk in model.stream(messages):
    if chunk.content:
        print(chunk.content, end="", flush=True)

ChatOpenAI

        ChatOpenAI是langChain-openai 中创建OpenAI 风格对话模型（包括通义千问、GPT 等兼容接口模型）的标准化客户端类。

• 封装模型初始化参数（model /api_key /base_url /streaming等），统一不同模型的调用方式；
• 提供invoke() / stream()  等方法，直接调用模型；
• 自动处理请求格式转换、响应解析（比如把原生delta 封装成AIMessageChunk）。

invoke() / stream()

        这两个方法分别针对大模型的流式输出和非流式输出。

方法	核心定位	返回类型	使用场景	特点
invoke()	一次性对话	完整的AIMessage对象	批量处理、不需要实时展示回复的场景	等待模型思考完成后，一次性返回完整回复
stream()	实时流式对话	生成器AIMessageChunk	聊天机器人、实时展示回复的场景	逐字 / 逐段返回回复，有「打字机效果」

AIMessage/AIMessageChunk

        两者都是大模型回复的标准化载体，区别主要在于，非流式调用得到的AIMessage是完整回复，content是完整文本；流式调用得到的AIMessageChunk是碎片，其中的content是单个字符/词。关键属性有：

• content：模型回复的核心文本；
• role：固定为“assistant” （无需手动设置）；
• additional_kwargs：扩展属性；
• response_metadata：原生 API 响应元数据（如模型耗时、token 数）。

AIMessage(
    content="J'adore la programmation.",
    response_metadata={
        "token_usage": {
            "completion_tokens": 5,
            "prompt_tokens": 31,
            "total_tokens": 36,
        },
        "model_name": "gpt-4o",
        "system_fingerprint": "fp_43dfabdef1",
        "finish_reason": "stop",
        "logprobs": None,
    },
    id="run-012cffe2-5d3d-424d-83b5-51c6d4a593d1-0",
    usage_metadata={"input_tokens": 31, "output_tokens": 5, "total_tokens": 36},
)

HumanMessage

        HumanMessage是用户消息的标准化载体，代表用户说的话。关键属性有：

• content：用户输入的核心文本；
• role：固定为“user” ；
• additional_kwargs：扩展属性。

        此外，还有系统信息载体：SystemMessage。

多轮对话

        基于前面的内容，可以通过循环实现在终端和大模型进行对话。

from langchain_openai import ChatOpenAI
from langchain.messages import HumanMessage, AIMessage 
import os
import re

model = ChatOpenAI(
        model="qwen3.5-plus",
        api_key=os.getenv("DASHSCOPE_API_KEY"),
        base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
        temperature=0.2,
        streaming=True
    )

chat_history = []

while True:
    h_msg = input("[请输入]: ").strip()
    if re.search(r'exit', h_msg, re.IGNORECASE):
        break

    chat_history.append(HumanMessage(content=h_msg))

    full_text = ""
    print("[qwen3.5-plus]: ", end="")
    for chunk in model.stream(chat_history):
        if chunk.content:
            full_text = full_text + chunk.content
            print(chunk.content, end="", flush=True)

    chat_history.append(AIMessage(content=full_text))
    print('/n')

Langchain创建智能体

        智能体将语言模型与工具结合，创建能够对任务进行推理、决定使用哪些工具并迭代寻求解决方案的系统。

        在大模型的基础上创建要给最简单的智能体（关闭streaming，不考虑流式输出），代码如下：

from langchain_openai import ChatOpenAI
from langchain.agents import create_agent
from langchain.tools import tool
import os
from langchain.messages import AIMessageChunk

@tool
def check_weather(location: str) -> str:
    '''Return the weather forecast for the specified location.'''
    return f"It's always sunny in {location}"

model_qwen = ChatOpenAI(
        model="qwen3.5-plus",
        api_key=os.getenv("DASHSCOPE_API_KEY"),
        base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
        temperature=0.2,
        streaming=False
    )

graph = create_agent(
    model=model_qwen,
    tools=[check_weather],
    system_prompt="You are a helpful assistant"
)

inputs = {
    "messages": [{"role": "user", "content": "what is the weather in Hangzhou"}]
}

print(graph.invoke(inputs, stream_mode='values'))

    

tool

        创建工具最简单的方法是通过@tool装饰器；类型提示是必需的，因为它们定义了工具的输入架构；函数的文档字符串（docstring）作为工具的描述，应该信息丰富且简洁，以帮助模型理解工具的用途。

        @tool装饰器可以指定工具名和工具描述：@tool("calculator", description="Performs arithmetic calculations. Use this for any math problems.")

create_agent()

        create_agent()函数用于快速构建智能体，核心是封装大模型 + 工具 + 系统提示词为 LangGraph 状态机（返回graph对象），部分参数如下：

参数名	是否必选	类型	核心作用
model	是	ChatOpenAI/BaseChatModel	绑定智能体使用的大模型
tools	是	List[Tool / Callable]	智能体可调用的工具列表（支持@tool装饰的函数或普通函数，但最好都用装饰器）
system_prompt	否	str	定义智能体角色 / 行为准则（默认无）
prompt	否	ChatPromptTemplate	自定义完整提示词模板（覆盖system_prompt）
agent_type	否	str	指定智能体类型（如react，默认自动适配）

input格式

        create_agent()生成的智能体，inputs必须是字典，且核心键为messages，格式固定为：

inputs = {
    "messages": [
        # 消息列表：角色-内容
        {"role": "user", "content": "用户的问题"},           # 必选：用户消息
        {"role": "system", "content": "覆盖create_agent的 system_prompt"},     # 可选
        {"role": "assistant", "content": "历史回复"},        # 可选：对话历史
    ]
}

        input{"message": []} 本质就是会话历史列表，可以包含多轮user/assistant消息，智能体 / 大模型会按时序（列表顺序） 解析上下文。为了防止token过长，在实际使用时注意限制列表长度。

Runnable接口

        Runnable 方式定义了一个标准接口，允许 Runnable 组件：

• Invoked：将单个输入转换为输出。
• Batched：多个输入被有效地转换为输出。
• streamed（流式）：输出在生成时进行流式处理。

        create_agent()返回的是Langchain框架中标准的Runnable对象（graph对象），核心方法有：

• invoke(inputs, stream_mode)：一次性执行智能体，返回完整结果（字典）；
• stream(inputs, stream_mode)stream(inputs, stream_mode)：流式执行，逐步骤 / 逐字返回结果；
• batch(input_list)：批量执行多个输入；
• ainvoke()/astream()：异步执行（高并发场景）。

stream_mode

        invoke和stream方法下都可以设置stream_mode参数。 invoke方法中stream_mode可选'values'和'updates'。steams方法中stream_mode选项更多，常用的有'values'、‘updates'、'message'等，其他的用得少就省略了。

values

       values模式下完整记录用户提问→模型决定调用工具→工具返回结果→模型生成最终回复的过程，输出结构是单个大字典，核心键是'message'。

        invoke方法仅输出一个完整的大字典，但是stream方法下会流式输出大字典（结构相同），需要通过循环来获取。

{
  "messages": [
    # 1. 用户消息（HumanMessage）
    HumanMessage(
      content='what is the weather in Hangzhou',  # 用户输入
      id='86dc8e29-c7f7-4934-a318-59f7b2f7a525'
    ),
    
    # 2. 模型第一次回复（AIMessage：工具调用指令）
    AIMessage(
      content='',  # 无文本回复，仅返回工具调用指令
      tool_calls=[{  # 核心：智能体决定调用的工具
        'name': 'check_weather',  # 工具名
        'args': {'location': 'Hangzhou'},  # 工具参数
        'id': 'call_38f32c149f9944aaa2af7b15'  # 工具调用ID（关联后续ToolMessage）
      }],
      finish_reason='tool_calls',  # 回复终止原因：触发工具调用
      response_metadata={  # 模型调用元数据
        'token_usage': {'completion_tokens': 78, 'prompt_tokens': 283, 'total_tokens': 361},
        'reasoning_tokens': 46  # 模型思考消耗的tokens（通义千问特有）
      }
    ),
    
    # 3. 工具返回结果（ToolMessage）
    ToolMessage(
      content="It's always sunny in Hangzhou",  # 工具执行结果
      name='check_weather',  # 对应调用的工具名
      tool_call_id='call_38f32c149f9944aaa2af7b15'  # 关联第二步的工具调用ID
    ),
    
    # 4. 模型第二次回复（AIMessage：最终文本回复）
    AIMessage(
      content='The weather in Hangzhou is sunny! It looks like you can expect clear skies and sunshine there.',  # 最终回复
      tool_calls=[],  # 无工具调用（已完成回复）
      finish_reason='stop',  # 回复终止原因：正常结束
      response_metadata={
        'token_usage': {'completion_tokens': 70, 'prompt_tokens': 335, 'total_tokens': 405},
        'reasoning_tokens': 45
      }
    )
  ]
}

updates

         'updates'模式为分步模式，按模型→工具→模型的执行节点拆分，每个步骤只返回当前节点的结果。节点类型的键为：model（模型节点）/tools（工具节点），智能体的执行路径清晰，适用于调试。输出格式为列表，列表中元素为字典。

        invoke方法仅输出一个完整的列表，列表内按照执行节点区分字典，但是stream方法下会流式输出执行节点区分字典（结构相同），需要通过循环来获取。

[
  # 步骤1：模型节点（model）- 生成工具调用指令
  {
    "model": {  # 节点类型：模型节点
      "messages": [
        AIMessage(
          content='',  # 无文本回复，仅工具调用
          tool_calls=[{'name': 'check_weather', 'args': {'location': 'Hangzhou'}}],
          finish_reason='tool_calls',
          response_metadata={'token_usage': {...}}  # 同values模式
        )
      ]
    }
  },
  
  # 步骤2：工具节点（tools）- 执行工具并返回结果
  {
    "tools": {  # 节点类型：工具节点
      "messages": [
        ToolMessage(
          content="It's always sunny in Hangzhou",  # 工具返回结果
          tool_call_id='call_86182af1cb124726a4d398cf'  # 关联步骤1的工具调用ID
        )
      ]
    }
  },
  
  # 步骤3：模型节点（model）- 生成最终文本回复
  {
    "model": {  # 节点类型：模型节点
      "messages": [
        AIMessage(
          content="The weather in Hangzhou is sunny! It's always sunny there according to the forecast.",  # 最终回复
          tool_calls=[],
          finish_reason='stop'
        )
      ]
    }
  }
]

messages

        这是stream方法特有的stream_mode，流式返回Tuple，可以理解为，将updates模式返回的AIMessage/ToolMessage结果提取出来，不区分模型节点，只返回message。