用LangChain 1.0的create_agent函数10行代码构建AI助手实战指南

当你第一次听说LangChain时，可能被那些抽象概念搞得一头雾水——链、智能体、记忆、工具……文档里充斥着各种术语，仿佛在告诉你：“这不是给新手准备的。”但今天，我要告诉你一个秘密：用LangChain 1.0最新推出的create_agent函数，你完全可以在10行代码内构建一个功能完整的AI助手，而不需要理解那些复杂的概念。

想象一下这样的场景：你正在开发一个个人助理应用，希望它能帮你查询天气、管理待办事项，甚至分析数据。传统方法可能需要数百行代码和复杂的架构设计，但有了LangChain 1.0，这一切变得异常简单。下面，我将带你一步步实现这个看似不可能的任务。

1. 环境准备与基础配置

在开始之前，确保你已经安装了Python 3.8或更高版本。LangChain 1.0对包结构进行了重大调整，安装方式也有所变化：

pip install langchain-core langchain-community langchain-openai

这里我们使用langchain-openai作为LLM提供者，但你也可以选择其他兼容的模型服务。安装完成后，创建一个新的Python文件，比如my_agent.py，然后导入必要的模块：

from langchain.agents import create_agent
from langchain.agents.tools import Tool
from langchain_openai import ChatOpenAI

2. 构建你的第一个AI助手

现在到了最激动人心的部分——用create_agent函数构建你的第一个AI助手。这个函数是LangChain 1.0的核心创新，它抽象了所有复杂的概念，让你只需关注三个关键要素：

1. 模型：处理自然语言理解和生成
2. 工具：让AI能够执行具体操作
3. 系统提示：定义AI的行为和角色

让我们从一个简单的天气查询助手开始：

# 定义工具函数
def get_weather(city: str) -> str:
    """获取指定城市的天气信息"""
    # 这里应该是调用天气API的实际代码
    return f"{city}的天气是晴朗，25°C"

# 创建工具实例
weather_tool = Tool(
    name="get_weather",
    func=get_weather,
    description="获取指定城市的天气信息，输入是城市名称"
)

# 创建AI助手
agent = create_agent(
    llm=ChatOpenAI(model="gpt-3.5-turbo"),
    tools=[weather_tool],
    system_prompt="你是一个友好的天气助手，专门回答关于天气的问题"
)

这就是全部代码！不到10行，你就创建了一个具备ReAct循环能力的AI助手。create_agent函数内部已经处理了所有复杂的逻辑，包括：

• 理解用户意图
• 决定是否需要调用工具
• 处理工具返回结果
• 生成自然语言响应

3. 与AI助手交互

现在，让我们测试一下这个助手。添加以下代码来与你的AI助手对话：

response = agent.invoke("北京今天的天气怎么样？")
print(response)

你会看到类似这样的输出：

让我为您查询北京的天气...北京今天的天气是晴朗，25°C。

更神奇的是，这个助手已经具备了基本的推理能力。试试问：

response = agent.invoke("上海和北京哪个城市更暖和？")

助手会自动调用两次天气查询工具，比较结果后给出回答：

根据最新天气数据：北京25°C，上海28°C。因此上海比北京更暖和。

4. 扩展助手功能

单一功能显然不够酷，让我们为助手添加更多能力。比如，增加一个待办事项管理功能：

todos = []

def add_todo(task: str) -> str:
    """添加待办事项"""
    todos.append(task)
    return f"已添加：{task}"

def list_todos() -> str:
    """列出所有待办事项"""
    return "\n".join(f"{i+1}. {t}" for i, t in enumerate(todos)) if todos else "没有待办事项"

# 创建工具实例
todo_tools = [
    Tool(
        name="add_todo",
        func=add_todo,
        description="添加新的待办事项，输入是任务描述"
    ),
    Tool(
        name="list_todos",
        func=list_todos,
        description="列出所有待办事项，不需要输入"
    )
]

# 更新助手
agent = create_agent(
    llm=ChatOpenAI(model="gpt-3.5-turbo"),
    tools=[weather_tool, *todo_tools],
    system_prompt="你是一个多功能个人助手，可以帮助查询天气和管理待办事项"
)

现在你的助手可以同时处理天气查询和待办事项管理了：

agent.invoke("添加一个明天上午10点的会议")
agent.invoke("再添加下午3点写报告")
agent.invoke("列出我的所有待办事项")

输出会是：

您的待办事项有：
1. 明天上午10点的会议
2. 下午3点写报告

5. 生产环境注意事项

虽然我们的代码很简单，但create_agent背后已经包含了许多生产级特性。不过，在实际应用中，你可能还需要考虑以下几点：

1. 错误处理：工具调用可能会失败
2. 安全性：防止注入攻击
3. 性能：缓存常用查询结果

LangChain 1.0提供了中间件机制来处理这些问题。例如，添加一个简单的错误处理中间件：

from langchain.agents.middleware import ToolRetryMiddleware

agent = create_agent(
    llm=ChatOpenAI(model="gpt-3.5-turbo"),
    tools=[weather_tool, *todo_tools],
    system_prompt="...",
    middlewares=[ToolRetryMiddleware(retries=3)]
)

这个中间件会在工具调用失败时自动重试，大大提高了系统的健壮性。

6. 更复杂的应用场景

让我们看一个稍微复杂点的例子——数据分析助手。假设我们想让AI能够查询和分析销售数据：

import pandas as pd

# 模拟销售数据
sales_data = pd.DataFrame({
    "date": ["2023-01-01", "2023-01-02", "2023-01-03"],
    "product": ["A", "B", "A"],
    "amount": [100, 200, 150]
})

def query_sales(query: str) -> str:
    """查询销售数据"""
    try:
        # 简单演示，实际应用中这里可以是SQL查询等
        if "product A" in query.lower():
            return str(sales_data[sales_data["product"] == "A"])
        return str(sales_data)
    except Exception as e:
        return f"查询失败：{str(e)}"

def analyze_sales(metric: str) -> str:
    """分析销售数据"""
    if metric == "total":
        return f"总销售额：{sales_data['amount'].sum()}"
    elif metric == "average":
        return f"平均销售额：{sales_data['amount'].mean()}"
    return "未知指标"

# 创建工具
sales_tools = [
    Tool(
        name="query_sales",
        func=query_sales,
        description="查询原始销售数据，输入是查询条件"
    ),
    Tool(
        name="analyze_sales",
        func=analyze_sales,
        description="分析销售数据，输入是指标名称如'total'或'average'"
    )
]

# 创建数据分析助手
sales_agent = create_agent(
    llm=ChatOpenAI(model="gpt-3.5-turbo", temperature=0),
    tools=sales_tools,
    system_prompt="你是一个数据分析助手，帮助用户查询和分析销售数据"
)

现在你可以用自然语言与销售数据交互了：

response = sales_agent.invoke("产品A的总销售额是多少？")
print(response)

助手会自动调用query_sales和analyze_sales工具，最终给出类似这样的回答：

产品A的总销售额是250（1月1日100，1月3日150）

7. 调试与优化

当你开发更复杂的AI助手时，可能会遇到一些问题。LangChain 1.0提供了强大的调试工具：

1. LangSmith：可视化跟踪每次调用的完整流程
2. Verbose模式：打印详细的执行日志

启用verbose模式非常简单：

agent = create_agent(
    llm=ChatOpenAI(model="gpt-3.5-turbo", verbose=True),
    tools=[...],
    system_prompt="..."
)

这样你就能看到助手内部的思考过程，包括：

• 是否决定调用工具
• 选择了哪个工具
• 如何处理工具返回结果

这种透明度对于调试复杂场景非常有帮助。