LangChain文档教程https://docs.langchain.org.cn/oss/python/langchain/overview

详细教程请参照上述链接。下述内容仅为个人理解，无法保证即时性。

一个完整的 LangChain 智能体最小系统（最小系统的结构是完善的，但是实现是简易的、静态的。能跑通，但是无法应对复杂场景），通常由以下四大核心要素构成：

• 大语言模型（Model）—— 智能体的“大脑”
  负责理解用户指令、进行逻辑思考与规划，生成文本回复

• 系统提示词（System Prompt）—— 智能体的“人设与准则 ”
  用于定义 Agent 的角色身份、行为边界及输出规范。它决定了 Agent 的沟通语气、思考角度以及任务执行的约束条件。

• 工具集（Tools）—— 智能体的“手脚”
  赋予 Agent 与外部世界交互的能力。通过调用预定义的函数或 API（如网页搜索、数据查询、发送通知等），弥补大模型在实时信息和物理操作上的短板。

• 记忆存储（Checkpointer）—— 智能体的“记忆中枢”
  负责持久化存储多轮对话的上下文状态。

  • 无记忆系统：每次调用都是独立的，Agent 无法感知历史交互。
  • 有记忆系统：通过 Checkpointer 记录状态，使 Agent 能够基于历史上下文进行连贯的推理与回复。

代码示例

from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
from langchain.tools import tool
from langgraph.checkpoint.memory import InMemorySaver

# 配置模型
model = init_chat_model(
    # 模型名称，可以带厂商前缀（如 "openai:gpt-5.4"），也可以不带
    "openai:gpt-5.4",
    
    # --- 🎨 生成控制参数 ---
    temperature=0.5,      # 控制输出的随机性（0-1之间，越低越严谨，越高越有创意）
    max_tokens=25000,     # 限制模型单次回复生成的最大 Token 数量
    
    # --- 🌐 网络与请求配置 ---
    timeout=300,          # 设置 API 请求的最大等待时长（秒），超时会自动终止
    max_retries=3,        # 请求失败时的最大自动重试次数，提升网络波动时的稳定性
    # base_url="https://api.openai.com/v1",  # 自定义 API 请求地址（对接中转站或本地模型时常用）
    # api_key="sk-xxxxxxxx",                 # 直接传入 API 密钥（不传则默认读取系统环境变量）
    # stop=["\n"],                           # 设置“停止词”，遇到指定字符时模型会立刻停止生成
)

# 系统提示词
SYSTEM_PROMPT = """按需撰写系统提示词
你是一个XXX
必须遵守xxx
输出格式为XXX
"""

# 工具定义
@tool  
def tool_name(param1: str, param2: int = 10) -> str:
    """这里写工具的详细描述。
    
    这是 AI 判断是否调用该工具的最核心依据。建议清晰地说明：
    1. 这个工具具体是做什么的？
    2. 在什么场景或条件下应该使用它？
    
    Args:
        param1: 参数1的详细说明（例如：这是必填项，代表xxx）。
        param2: 参数2的详细说明（例如：这是选填项，默认为10，代表xxx）。
    """
    # 具体的业务逻辑实现写在这里...
    # 注意：最终返回给 AI 的内容，必须是字符串（str）格式！
    return "执行结果字符串"

# 记忆工具
checkpointer = InMemorySaver()

# 智能体定义
agent = create_agent(
    model=model,
    tools=[tool_name],
    system_prompt=SYSTEM_PROMPT,
    checkpointer=checkpointer,
)

# 智能体调用
# 智能体调用
agent_result = agent.invoke(
    {"messages": [{"role": "user", "content": "这里填入用户的指令或问题"}]},
    # config 用于配置运行时的动态参数
    # thread_id 是会话的唯一标识符（类似于微信的聊天窗口ID）
    # 只要保持 thread_id 相同，Agent 就能记住之前的对话历史，实现多轮交互
    config={"configurable": {"thread_id": "user_session_001"}},
)

# 打印 AI 的最终回复
print("🤖 AI 回复：", agent_result["messages"][-1].content)

调用流程

ModelRequest

ModelRequest是由Agent组织的数据对象，用来存储调用大模型的请求信息。ModelRequest对象的属性包括模型配置、消息（由系统提示词、历史信息、用户指令组成）、工具集等，简单定义如下：

@dataclass
class ModelRequest:
    """单次模型调用的输入参数封装"""
    
    # 核心属性
    model: Any                    # 当前要调用的大模型实例 (如 ChatOpenAI 对象)
    messages: List[Dict[str, str]] # 发送给模型的消息历史列表 (包含 role 和 content)
    tools: List[Any]              # 允许模型调用的工具清单 (BaseTool 对象列表)
    state: Dict[str, Any]         # Agent 的全局状态容器 (包含完整的对话历史等持久化数据)
    runtime: Any                  # 运行时上下文对象 (包含 context 等本次调用的全局信息)
    
    # 核心方法
    def override(self, **kwargs) -> "ModelRequest":
        """
        生成一个带着新配置的全新 ModelRequest 对象。
        底层调用了 dataclasses.replace，保证了对象的不可变性。
        """
        return dataclasses.replace(self, **kwargs)

ModelResponse

ModelResponse是由大模型响应的数据对象。ModelResponse中带有模型响应的文本内容、工具调用信息和元数据（如 Token 使用量 Usage、请求 ID 等）等。ModelResponse简单定义如下：

@dataclass
class ModelResponse:
    """单次模型调用的输出结果封装"""
    
    # 核心属性
    message: Any                  # 模型生成的单条消息 (通常是 AIMessage 对象)
    messages: List[Any]           # 模型生成的消息列表 (兼容批量或流式场景)
    usage: Optional[Dict[str, int]] # 本次调用的 Token 消耗统计 (如 prompt_tokens, completion_tokens)
    metadata: Dict[str, Any]      # 模型返回的额外元数据 (如模型名称、生成时间戳等)
    
    # 核心方法
    def override(self, **kwargs) -> "ModelResponse":
        """
        生成一个带着新配置的全新 ModelResponse 对象。
        常用于在中间件中拦截并修改模型的返回结果。
        """
        return dataclasses.replace(self, **kwargs)

ToolCallRequest

ToolCallRequest是工具调用对象。大模型会根据用户指令在ModelRequest的工具集中选择具体的工具，并提供参数。Agent收到模型输出的工具信息（ModelResponse.Message.ToolCall）后，将其解析并封装为 ToolCallRequest，以便执行器调用。

@dataclass
class ToolCallRequest:
    """单次工具调用的输入参数封装"""
    
    # 核心属性
    tool_call: Dict[str, Any]       # 模型发出的原始调用指令（包含工具名 name、参数 arguments 和唯一ID）
    tool: Optional[Callable] = None # (中间件核心) 绑定的真实 Python 函数对象，默认为 None
    state: Dict[str, Any] = field(default_factory=dict) # Agent 的全局状态容器
    runtime: Any = None             # 运行时上下文对象
    
    # 核心方法
    def override(self, **kwargs) -> "ToolCallRequest":
        """
        生成一个带着新配置的全新 ToolCallRequest 对象。
        底层同样调用了 dataclasses.replace，保证了对象的不可变性。
        """
        return dataclasses.replace(self, **kwargs)