本篇使用 LangChain 框架实现几个简单的入门智能体。这里以阿里云百炼的通义千问 API 和 Ollama 本地大模型 API 为例。第三方 API 需要付费，可能有一定量的免费额度。
一、环境的安装和设置
安装软件包：
pip install langchain
pip install langchain-openai
pip install langchain-community
pip install python-dotenv需要说明的是：在最新版本的软件包中，langchain>=1.0.0，本篇的代码可能会报错，尤其是调用工具的情况。这里默认使用的是以下这个版本，可以通过以下方式来安装：
pip install langchain==0.3.27
pip install langchain-openai==0.3.35
pip install langchain-community==0.3.31
pip install python-dotenv可以通过以下更新软件包（可能会升级到 1.0.0 以上版本）：
pip install --upgrade langchain langchain-openai langchain-community python-dotenv查看当前版本：
pip show langchain langchain-openai langchain-community python-dotenv在文件夹中新建 .env 文件，输入以下内容（API KEY 需要到阿里云百炼获取）：
OPENAI_API_KEY=xxx
DASHSCOPE_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1二、简单对话智能体
在同一个文件夹中，新建 langchain_example.py 文件，内容为：
"""
This code is supported by the website: https://www.guanjihuan.com
The newest version of this code is on the web page: https://www.guanjihuan.com/archives/47909
"""
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
import dotenv
import os
# 加载环境变量（包含API密钥）
dotenv.load_dotenv()
# 创建聊天模型
llm = ChatOpenAI(
api_key=os.getenv("OPENAI_API_KEY"), # 从环境变量获取 API 密钥
base_url=os.getenv("DASHSCOPE_BASE_URL"), # 指定 API 端点
model="qwen-plus", # 使用通义千问 Plus 模型
temperature=0.7, # 控制回复的随机性（0-1，越高越有创意）
streaming=True, # 启用流式模式
)
# 创建简单的提示词模板
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个友好的聊天助手。"), # 系统角色设定
("human", "{question}") # 用户输入占位符
])
# 创建处理链
chain = prompt | llm # 使用管道操作符连接组件
# 使用 stream() 实现流式输出
for chunk in chain.stream({"question": "你好"}):
print(chunk.content, end="", flush=True)
print() # 换行
# # 非流式输出
# response = chain.invoke({"question": "你好"})
# print(response.content)运行结果：
你好呀！✨ 很高兴见到你～今天过得怎么样呀？希望你度过了愉快的一天。我随时准备好陪你聊天、帮你解决 问题，或者就这样轻松愉快地闲聊一会儿。有什么想跟 我分享的吗？ 🌟三、基于 Ollama 的简单对话智能体
Ollama 环境和模型的安装可以参考这篇：使用Ollama在本地运行开源大语言模型。安装环境和模型后，支持在本地电脑上运行智能体，但大模型的性能不会太高。
新建 langchain_example_with_Ollama.py 文件，内容为：
"""
This code is supported by the website: https://www.guanjihuan.com
The newest version of this code is on the web page: https://www.guanjihuan.com/archives/47909
"""
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
# 创建聊天模型 - 修改为调用 Ollama
llm = ChatOpenAI(
api_key="ollama", # 对于 Ollama，API key 可以设为任意值或 "ollama"
base_url="http://localhost:11434/v1", # Ollama 的本地 API 地址
model="qwen2.5:3b", # 替换为你本地安装的模型名称，如 qwen2.5 等
temperature=0.7, # 控制回复的随机性（0-1，越高越有创意）
streaming=True, # 启用流式模式
)
# 创建简单的提示词模板
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个友好的聊天助手。"), # 系统角色设定
("human", "{question}") # 用户输入占位符
])
# 创建处理链
chain = prompt | llm # 使用管道操作符连接组件
# 使用 stream() 实现流式输出
for chunk in chain.stream({"question": "你好"}):
print(chunk.content, end="", flush=True)
print() # 换行
# # 非流式输出
# response = chain.invoke({"question": "你好"})
# print(response.content)运行结果：
你好！很高兴为你服务。有什么我可以帮助你的吗？如果是长文对话，记得在 Ollama 软件后台把 Context length 从 4k 改为256k 。
四、带有记忆的智能体
在同一个文件夹中，新建 langchain_example_with_memory.py 文件，内容为：
"""
This code is supported by the website: https://www.guanjihuan.com
The newest version of this code is on the web page: https://www.guanjihuan.com/archives/47909
"""
import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.runnables.history import RunnableWithMessageHistory
from langchain_community.chat_message_histories import ChatMessageHistory
# 加载 .env 中的 API 密钥等配置
load_dotenv()
# 初始化大模型
llm = ChatOpenAI(
api_key=os.getenv("OPENAI_API_KEY"),
base_url=os.getenv("DASHSCOPE_BASE_URL"),
model="qwen-plus",
temperature=0.7
)
# 定义带历史记录的提示模板
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个乐于助人的助手。"),
MessagesPlaceholder("history"), # 历史消息占位符
("human", "{input}") # 当前用户输入
])
# 创建基础链
chain = prompt | llm
# 内存存储：用字典模拟会话历史（仅用于演示）
store = {}
def get_session_history(session_id: str):
if session_id not in store:
store[session_id] = ChatMessageHistory()
return store[session_id]
# 包装成带记忆的链
chatbot = RunnableWithMessageHistory(
chain,
get_session_history,
input_messages_key="input",
history_messages_key="history",
)
def chat_with_agent(input_message, session_id):
print(f"用户: {input_message}")
print("助手: ", end="", flush=True)
for chunk in chatbot.stream(
{"input": input_message},
config={"configurable": {"session_id": session_id}} # 多轮对话（使用同一个 session_id）
):
print(chunk.content, end="", flush=True)
print("\n\n---\n")
chat_with_agent(input_message='一句话解释下人工智能。', session_id="user_001")
chat_with_agent(input_message='我们都聊了什么？', session_id="user_001")
chat_with_agent(input_message='我们都聊了什么？', session_id="user_002")
chat_with_agent(input_message='我们都聊了什么？', session_id="user_001") 运行结果：
用户: 一句话解释下人工智能。
助手: 人工智能是让机器模拟人类智能行为的技术，比如学习、推理、识别和决策等。
---
用户: 我们都聊了什么？
助手: 我们目前只聊了两个话题：
1. 你让我用一句话解释人工智能，我回答：人工智能是让机器模拟 人类智能行为的技术，比如学习、推理、识别和决策等。
2. 接着你问我“我们都聊了什么？”，我现在正在回答这个问题。
对话内容很简单，仅此而已。
---
用户: 我们都聊了什么？
助手: 你好！我理解你可能想回顾之前的对话，但需要说明的是，我无法记住或查看我们之前的具体聊天内容。每次对话都是独立的，以保护用户的隐私和数据安全。
不过，我很乐意继续和你聊任何你想讨论的话题！你可以告诉我我们之前聊了什么，或者直接开启一个新话题，我会尽力帮助你。😊
我们可以聊聊：
- 你感兴趣的知识或问题
- 生活、工作、学习中的困惑
- 最近的新闻或科技进展
- 或者任何让你好奇的事情
你想聊什么呢？
---
用户: 我们都聊了什么？
助手: 我们目前的对话内容如下：
1. 你让我“一句话解释下人工智能”，我回答：人工智能是让机器模 拟人类智能行为的技术，比如学习、推理、识别和决策等。
2. 你接着问“我们都聊了什么？”，我上一次已经帮你回顾了这段简 短的对话。
现在是你第二次问“我们都聊了什么？”，所以我再次为你总结——目前为止，我们的全部对话就包含这两个问题和我的两次回答。
---五、使用工具的智能体
在同一个文件夹中，新建 langchain_example_with_tool.py 文件，内容为：
"""
This code is supported by the website: https://www.guanjihuan.com
The newest version of this code is on the web page: https://www.guanjihuan.com/archives/47909
"""
import os
import dotenv
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.tools import tool
from langchain.agents import create_openai_tools_agent, AgentExecutor
# 加载环境变量
dotenv.load_dotenv()
# 定义工具（Tool）
@tool
def get_current_time() -> str:
"""获取当前日期和时间"""
from datetime import datetime
return datetime.now().strftime("%Y-%m-%d %H:%M:%S")
@tool
def add_numbers(a: float, b: float) -> float:
"""将两个数字相加"""
return a + b
# 注意：你可以添加更多工具，比如天气查询、网络搜索等
tools = [get_current_time, add_numbers]
# 创建 LLM（必须支持 function calling）
llm = ChatOpenAI(
api_key=os.getenv("OPENAI_API_KEY"),
base_url=os.getenv("DASHSCOPE_BASE_URL"),
model="qwen-plus",
temperature=0.7,
streaming=True,
)
# 构建提示模板（LangChain 会自动注入工具信息）
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个智能助手，可以使用工具来回答问题。"),
("human", "{input_message}"),
("placeholder", "{agent_scratchpad}"), # 必须包含这个占位符
])
# 创建 OpenAI 工具型智能体（兼容 function calling）
agent = create_openai_tools_agent(llm, tools, prompt)
# 创建执行器
agent_executor = AgentExecutor(
agent=agent,
tools=tools,
verbose=True, # 打印中间步骤（可选）
handle_parsing_errors=True,
)
# 非流式调用（AgentExecutor 目前对流式支持有限，尤其在工具调用场景）
response = agent_executor.invoke({"input_message": "现在几点了？然后把 123 和 456 加起来。"})
print('\n---\n')
print(response["output"])运行结果：
> Entering new AgentExecutor chain...
Invoking: `get_current_time` with `{}`
2025-11-02 04:03:10
Invoking: `add_numbers` with `{'a': 123, 'b': 456}`
579.0现在是2025年11月2日04:03:10，123和456相加的结果是579。
> Finished chain.
---
现在是2025年11月2日04:03:10，123和456相加的结果是579。六、新版 LangChain 的使用工具的智能体
新版 LangChain 结构发生变化，尤其是 langchain>=1.0.0。在新版中，create_agent 代替旧的 create_openai_tools_agent，并且 AgentExecutor 不再需要手动创建。
在同一个文件夹中，新建 langchain_example_with_tool_version_2.py 文件，内容为：
"""
This code is supported by the website: https://www.guanjihuan.com
The newest version of this code is on the web page: https://www.guanjihuan.com/archives/47909
"""
import os
import dotenv
from langchain_openai import ChatOpenAI
from langchain_core.tools import tool
from langchain.agents import create_agent
from langchain_core.globals import set_debug # ✅ 用于开启详细日志
# 开启调试日志输出
set_debug(True)
# 加载环境变量
dotenv.load_dotenv()
# 定义工具
@tool
def get_current_time() -> str:
"""获取当前日期和时间"""
from datetime import datetime
return datetime.now().strftime("%Y-%m-%d %H:%M:%S")
@tool
def add_numbers(a: float, b: float) -> float:
"""将两个数字相加"""
return a + b
tools = [get_current_time, add_numbers]
# 创建 LLM
llm = ChatOpenAI(
api_key=os.getenv("OPENAI_API_KEY"),
base_url=os.getenv("DASHSCOPE_BASE_URL"),
model="qwen-plus",
temperature=0.7,
)
# 创建 agent
agent = create_agent(llm, tools)
# 执行调用（此时会打印详细步骤）
response = agent.invoke(
{
"messages": [
{"role": "user", "content": "现在几点了？然后把 123 和 456 加起来。"}
]
}
)
print("\n---\n")
print(response["messages"][-1].content)运行结果为：
[chain/start] [chain:LangGraph] Entering Chain run with input:
{
"messages": [
{
"role": "user",
"content": "现在几点了？然后把 123 和 456 加起来。"
}
]
}
[chain/start] [chain:LangGraph > chain:model] Entering Chain run with input:
[inputs]
[llm/start] [chain:LangGraph > chain:model > llm:ChatOpenAI] Entering LLM run with input:
{
"prompts": [
"Human: 现在几点了？然后把 123 和 456 加起来。"
]
}
[llm/end] [chain:LangGraph > chain:model > llm:ChatOpenAI] [1.66s] Exiting LLM run with output:
{
"generations": [
[
{
"text": "",
"generation_info": {
"finish_reason": "tool_calls",
"logprobs": null
},
"type": "ChatGeneration",
"message": {
"lc": 1,
"type": "constructor",
"id": [
"langchain",
"schema",
"messages",
"AIMessage"
],
"kwargs": {
"content": "",
"additional_kwargs": {
"refusal": null
},
"response_metadata": {
"token_usage": {
"completion_tokens": 46,
"prompt_tokens": 216,
"total_tokens": 262,
"completion_tokens_details": null,
"prompt_tokens_details": {
"audio_tokens": null,
"cached_tokens": 128
}
},
"model_provider": "openai",
"model_name": "qwen-plus",
"system_fingerprint": null,
"id": "chatcmpl-85df84ca-31f8-49b1-8b78-0639c6aa5c07",
"finish_reason": "tool_calls",
"logprobs": null
},
"type": "ai",
"id": "lc_run--7218161c-8e32-4ee5-ad01-5d87cdd15e98-0",
"tool_calls": [
{
"name": "get_current_time",
"args": {},
"id": "call_c77908e49c2747c9ae3bc2",
"type": "tool_call"
},
{
"name": "add_numbers",
"args": {
"a": 123,
"b": 456
},
"id": "call_84e118fb74624279ac8462",
"type": "tool_call"
}
],
"usage_metadata": {
"input_tokens": 216,
"output_tokens": 46,
"total_tokens": 262,
"input_token_details": {
"cache_read": 128
},
"output_token_details": {}
},
"invalid_tool_calls": []
}
}
}
]
],
"llm_output": {
"token_usage": {
"completion_tokens": 46,
"prompt_tokens": 216,
"total_tokens": 262,
"completion_tokens_details": null,
"prompt_tokens_details": {
"audio_tokens": null,
"cached_tokens": 128
}
},
"model_provider": "openai",
"model_name": "qwen-plus",
"system_fingerprint": null,
"id": "chatcmpl-85df84ca-31f8-49b1-8b78-0639c6aa5c07"
},
"run": null,
"type": "LLMResult"
}
[chain/end] [chain:LangGraph > chain:model] [1.66s] Exiting Chain run with output:
[outputs]
[chain/start] [chain:LangGraph > chain:tools] Entering Chain run with input:
[inputs]
[chain/start] [chain:LangGraph > chain:tools] Entering Chain run with input:
[inputs]
[tool/start] [chain:LangGraph > chain:tools > tool:get_current_time] Entering Tool run with input:
"{}"
[tool/end] [chain:LangGraph > chain:tools > tool:get_current_time] [0ms] Exiting Tool run with output:
"content='2025-11-07 16:04:41' name='get_current_time' tool_call_id='call_c77908e49c2747c9ae3bc2'"[tool/start] [chain:LangGraph > chain:tools > tool:add_numbers] Entering Tool run with input:
"{'a': 123, 'b': 456}"
[tool/end] [chain:LangGraph > chain:tools > tool:add_numbers] [0ms] Exiting Tool run with output:
"content='579.0' name='add_numbers' tool_call_id='call_84e118fb74624279ac8462'"
[chain/end] [chain:LangGraph > chain:tools] [2ms] Exiting Chain run with output:
[outputs]
[chain/end] [chain:LangGraph > chain:tools] [2ms] Exiting Chain run with output:
[outputs]
[chain/start] [chain:LangGraph > chain:model] Entering Chain run with input:
[inputs]
[llm/start] [chain:LangGraph > chain:model > llm:ChatOpenAI] Entering LLM run with input:
{
"prompts": [
"Human: 现在几点了？然后把 123 和 456 加起来。\nAI: \nTool: 2025-11-07 16:04:41\nTool: 579.0"
]
}
[llm/end] [chain:LangGraph > chain:model > llm:ChatOpenAI] [3.14s] Exiting LLM run with output:
{
"generations": [
[
{
"text": "现在是2025年11月7日16点04分41秒，而123和456相加的结果是579。",
"generation_info": {
"finish_reason": "stop",
"logprobs": null
},
"type": "ChatGeneration",
"message": {
"lc": 1,
"type": "constructor",
"id": [
"langchain",
"schema",
"messages",
"AIMessage"
],
"kwargs": {
"content": "现在是2025年11月7日16点04分41秒，而123和456相加的结果是579。",
"additional_kwargs": {
"refusal": null
},
"response_metadata": {
"token_usage": {
"completion_tokens": 38,
"prompt_tokens": 305,
"total_tokens": 343,
"completion_tokens_details": null,
"prompt_tokens_details": {
"audio_tokens": null,
"cached_tokens": 0
}
},
"model_provider": "openai",
"model_name": "qwen-plus",
"system_fingerprint": null,
"id": "chatcmpl-863d61f2-38ac-44f2-af6e-01ad5cfb6742",
"finish_reason": "stop",
"logprobs": null
},
"type": "ai",
"id": "lc_run--45a69927-3740-4eaa-8ed3-4063cda2a347-0",
"usage_metadata": {
"input_tokens": 305,
"output_tokens": 38,
"total_tokens": 343,
"input_token_details": {
"cache_read": 0
},
"output_token_details": {}
},
"tool_calls": [],
"invalid_tool_calls": []
}
}
}
]
],
"llm_output": {
"token_usage": {
"completion_tokens": 38,
"prompt_tokens": 305,
"total_tokens": 343,
"completion_tokens_details": null,
"prompt_tokens_details": {
"audio_tokens": null,
"cached_tokens": 0
}
},
"model_provider": "openai",
"model_name": "qwen-plus",
"system_fingerprint": null,
"id": "chatcmpl-863d61f2-38ac-44f2-af6e-01ad5cfb6742"
},
"run": null,
"type": "LLMResult"
}
[chain/end] [chain:LangGraph > chain:model] [3.15s] Exiting Chain run with output:
[outputs]
[chain/end] [chain:LangGraph] [4.82s] Exiting Chain run with output:
[outputs]
---
现在是2025年11月7日16点04分41秒，而123和456相加的结果是579。【说明：本站主要是个人的一些笔记和代码分享，内容可能会不定期修改。为了使全网显示的始终是最新版本，这里的文章未经同意请勿转载。引用请注明出处：https://www.guanjihuan.com】
