LangChain实战：构建AIAgent应用教程

本文详细介绍了如何利用LangChain框架从零构建一个功能完备的AI Agent应用，涵盖环境配置、LLM与工具集成、ReAct风格智能体编排、RAG知识增强以及FastAPI接口部署五大关键环节，为开发者提供了一条清晰、模块化、可复用的实战路径——无论你是想让AI实时查询天气、调用私有数据，还是快速封装成生产级API服务，LangChain都能以简洁统一的抽象支撑复杂Agent能力的灵活组装与落地。

如果您希望基于大语言模型快速构建具备工具调用、记忆与工作流能力的AI Agent应用，LangChain框架提供了一套模块化、可组合的开发范式。以下是使用LangChain构建AI Agent应用的具体操作路径：

一、配置基础环境与核心依赖

LangChain运行依赖Python生态及主流LLM接入能力，需先完成运行时与模型连接层的初始化。该步骤确保后续链（Chain）、代理（Agent）与检索器（Retriever）组件具备可执行基础。

1、创建独立虚拟环境并激活：
python -m venv langchain_env && source langchain_env/bin/activate（Linux/macOS）或 langchain_env\Scripts\activate.bat（Windows）

2、安装LangChain核心库及适配器：
pip install langchain langchain-community langchain-core

3、根据所选模型服务商安装对应集成包：
若使用OpenAI：pip install openai
若使用智谱AI：pip install zhipuai
若使用Ollama本地模型：pip install langchain-ollama

二、定义语言模型与工具集合

Agent行为由大语言模型驱动，其决策质量直接受模型能力与工具可用性影响。需显式声明LLM实例，并将外部功能封装为LangChain标准Tool对象，供模型动态选择调用。

1、初始化LLM对象：
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-4o", temperature=0.3)

2、定义一个天气查询工具：
from langchain.tools import StructuredTool
def get_weather(city: str) -> str:
  return f"{city}当前晴，气温22℃，湿度65%"
weather_tool = StructuredTool.from_function(
  func=get_weather,
  name="weather_query",
  description="用于查询指定城市的实时天气信息"

3、将多个Tool组成工具列表：
tools = [weather_tool]

三、构建ReAct风格Agent执行器

ReAct（Reasoning + Acting）是LangChain默认支持的Agent类型，通过提示词模板引导模型交替进行推理与工具调用，形成闭环决策链。该模式无需预设流程，适用于目标明确但路径不确定的任务场景。

1、导入Agent相关类：
from langchain.agents import AgentExecutor, create_react_agent
from langchain import hub

2、加载标准ReAct提示模板：
prompt = hub.pull("hwchase17/react-chat")

3、创建Agent实例：
agent = create_react_agent(llm, tools, prompt)

4、封装可执行代理器：
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

四、集成RAG增强知识上下文

当Agent需依据私有资料回答问题时，仅靠LLM参数化知识存在局限。通过LangChain的RetrievalQA链或RunnablePassthrough机制，可将向量数据库检索结果注入Agent输入上下文，实现领域知识动态注入。

1、准备文档并切分：
from langchain.text_splitter import RecursiveCharacterTextSplitter
text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
docs = text_splitter.split_documents(raw_docs)

2、嵌入并存入向量库：
from langchain_community.vectorstores import Chroma
from langchain_openai import OpenAIEmbeddings
vectorstore = Chroma.from_documents(docs, OpenAIEmbeddings())

3、构造检索链并绑定至Agent输入：
retriever = vectorstore.as_retriever()
retrieval_chain = {"context": retriever | (lambda docs: "\\n".join([d.page_content for d in docs])), "input": lambda x: x["input"]} | prompt | llm

五、部署为可交互API服务

完成本地验证后，需将Agent逻辑暴露为HTTP接口，便于前端或第三方系统调用。LangChain原生兼容FastAPI，可通过简单路由封装实现生产级API交付。

1、初始化FastAPI应用：
from fastapi import FastAPI
app = FastAPI(title="AI Agent API")

2、定义POST接口及请求体：
from pydantic import BaseModel
class AgentRequest(BaseModel):
  input: str

3、注册端点并调用Agent执行器：
@app.post("/invoke")
async def invoke_agent(request: AgentRequest):
  result = await agent_executor.ainvoke({"input": request.input})
  return {"output": result["output"]}

4、启动服务：
uvicorn main:app --reload --host 0.0.0.0 --port 8000

终于介绍完啦！小伙伴们，这篇关于《LangChain实战：构建AIAgent应用教程》的介绍应该让你收获多多了吧！欢迎大家收藏或分享给更多需要学习的朋友吧~golang学习网公众号也会发布科技周边相关知识，快来关注吧！