1. LangChain 1.0 Agent开发入门指南
最近在开发一个智能客服系统时,我深入研究了LangChain 1.0的Agent机制。与旧版本相比,1.0版本带来了革命性的变化——从黑盒执行的AgentExecutor转向了基于状态机的LangGraph架构。这种转变让Agent的开发变得更加透明和可控。
1.1 新版Agent的核心变化
LangChain 1.0最大的突破在于将Agent建模为有向图结构。每个Agent现在本质上都是一个状态机,由节点(动作)和边(决策路径)组成。这种设计带来了几个关键优势:
- 执行过程可视化:可以清晰看到Agent的决策路径
- 状态持久化:支持中断和恢复执行
- 灵活定制:可以自由修改中间逻辑
在实际项目中,这种架构特别适合需要长时间运行或分步执行的复杂任务。比如我开发的客服系统就需要处理多轮对话,状态机模型完美匹配这种需求。
1.2 Agent的三大核心组件
构建一个1.0版本的Agent需要关注三个关键部分:
-
LLM(推理引擎):选择支持Tool Calling的模型,如GPT-4或本地部署的Qwen。这是Agent的"大脑",负责解析意图和决策。
-
Tools(能力集):通过
StructuredTool或@tool装饰器定义。在我的客服系统中,就包含了天气查询、订单检索、FAQ匹配等多个工具。 -
Prompt(指令集):明确Agent的角色定位和行为准则。好的提示词能显著提升Agent的表现。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 构建你的第一个Agent
2.1 基础环境搭建
首先需要准备Python环境和必要的依赖:
bash复制pip install langchain langgraph
对于本地模型部署,我推荐使用Ollama。它支持多种开源模型,部署简单:
bash复制ollama pull qwen3-next:80b-cloud
ollama serve
2.2 最小化Agent实现
下面是一个最基本的Agent实现代码:
python复制from langchain.agents import create_agent
from langchain.chat_model
