LangChain 教程：AI Agent 开发入门实战

这篇教程适合谁

你会 Python，想用代码（而不是低代码平台）搭建 LLM 应用。LangChain 是目前生态最完整的 LLM 应用框架，但它的学习曲线也最陡——本文帮你跳过官方文档的弯路，直接看核心用法。

不适合：零编程基础的读者。不想写代码的，看 Dify 教程 或 Coze 教程。 最终产物：能用 LangChain 构建对话链、带记忆的对话、Agent 工具调用和 RAG 应用。

环境假设

• Python 3.9+
• LangChain 0.2+（0.1.x 的 import 路径完全不同，迁移指南见官方文档）
• LLM API Key（OpenAI 或其他）
• 以当前常见版本为准，具体 API 以官方最新文档为准

安装

pip install langchain langchain-openai langchain-community

踩坑点：LangChain 0.2 把很多东西拆到了 langchain-community 包里。如果你从 0.1 升级上来，import 报错大概率是包没装全。先 pip install langchain-community 试试。

import os
os.environ["OPENAI_API_KEY"] = "your-api-key"  # 生产用环境变量

基础对话链（Chain）

from langchain_openai import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
from langchain.schema.output_parser import StrOutputParser
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.7)
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个专业的 AI 学习助手，用简洁清晰的中文回答问题。"),
    ("user", "{question}")
])
# LCEL 语法：用 | 把组件串起来，类似 Unix 管道
chain = prompt | llm | StrOutputParser()
result = chain.invoke({"question": "什么是 AI Agent？"})
print(result)

为什么用 LCEL（| 语法）：LangChain 0.2 推崇这种管道式写法，比以前的 LLMChain(llm=..., prompt=...) 更直观。prompt | llm | StrOutputParser() 就是"格式化提示词 → 调模型 → 提取文本"。

带记忆的对话

from langchain_community.chat_message_histories import ChatMessageHistory
from langchain_core.runnables.history import RunnableWithMessageHistory
store = {}
def get_session_history(session_id: str):
    if session_id not in store:
        store[session_id] = ChatMessageHistory()
    return store[session_id]
prompt_with_history = ChatPromptTemplate.from_messages([
    ("system", "你是一个 AI 助手。请根据对话历史回答问题。"),
    ("placeholder", "{history}"),
    ("user", "{input}")
])
chain_with_history = RunnableWithMessageHistory(
    prompt_with_history | llm | StrOutputParser(),
    get_session_history,
    input_messages_key="input",
    history_messages_key="history"
)
config = {"configurable": {"session_id": "user-1"}}
r1 = chain_with_history.invoke({"input": "你好，我叫小明"}, config=config)
print(r1)
r2 = chain_with_history.invoke({"input": "我叫什么名字？"}, config=config)
print(r2)  # 能记住用户叫小明

踩坑点：上面的 store 是内存字典，进程重启就没了。生产环境要换成 Redis 或数据库存储。另外，历史消息越长 token 消耗越大——实际项目里要做历史截断（比如只保留最近 20 条）。

工具调用（Agent）

from langchain.agents import tool, AgentExecutor, create_openai_tools_agent
from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder
@tool
def search_web(query: str) -> str:
    """搜索互联网获取最新信息。"""
    # 生产环境接入真实搜索 API（Tavily、SerpAPI 等）
    return f"搜索结果：{query} 的最新信息..."
@tool
def calculate(expression: str) -> str:
    """计算数学表达式。"""
    try:
        result = eval(expression)
        return f"计算结果：{result}"
    except Exception as e:
        return f"计算错误：{e}"
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个智能助手，可以使用工具来帮助用户。"),
    MessagesPlaceholder(variable_name="chat_history", optional=True),
    ("user", "{input}"),
    MessagesPlaceholder(variable_name="agent_scratchpad")
])
agent = create_openai_tools_agent(llm, [search_web, calculate], prompt)
agent_executor = AgentExecutor(agent=agent, tools=[search_web, calculate], verbose=True)
result = agent_executor.invoke({"input": "帮我搜索一下 2026 年最新的 AI 技术趋势"})
print(result["output"])

docstring 就是工具说明书：LLM 靠 @tool 下面的 docstring 决定什么时候调这个工具。写得不清楚，LLM 就选错。详见 AI Agent 开发教程。

RAG 集成

from langchain_community.vectorstores import Chroma
from langchain_openai import OpenAIEmbeddings
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_community.document_loaders import TextLoader
loader = TextLoader("knowledge.txt", encoding="utf-8")
docs = loader.load()
splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
chunks = splitter.split_documents(docs)
embeddings = OpenAIEmbeddings(model="text-embedding-3-small")
vectorstore = Chroma.from_documents(chunks, embeddings)
from langchain.schema.runnable import RunnablePassthrough
retriever = vectorstore.as_retriever(search_kwargs={"k": 3})
rag_prompt = ChatPromptTemplate.from_template(
    "根据以下内容回答问题：\n{context}\n\n问题：{question}"
)
rag_chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    | rag_prompt
    | llm
    | StrOutputParser()
)
answer = rag_chain.invoke("RAG 的工作原理是什么？")
print(answer)

分块参数怎么选：chunk_size=500 对中文文档偏大，建议 300-500。chunk_overlap=50 是防止一句话被切成两块。更详细的 RAG 调优参考 RAG 教程。

LangChain 的取舍

什么时候用 LangChain：

• 需要快速原型验证
• 需要对接多种 LLM（统一接口切换方便）
• 需要 Agent / Tool 能力

什么时候不用：

• 简单的 API 调用——直接用 OpenAI/Anthropic SDK 更轻量
• 高性能生产系统——LangChain 的抽象层有性能开销
• 只做 RAG——LlamaIndex 更专注

常见问题

Import Error

LangChain 版本更新频繁，API 变化大。报 import 错误先查 langchain-community 包装了没有。

API 调用超时

设合理的 timeout 参数，加重试。使用海外 API 时注意网络稳定性，参考 海外 AI 工具使用指南。

Token 超限

用 tiktoken 算 token 数，必要时截断或分段。

进阶学习

• 搭建 RAG 系统：RAG 教程
• Agent 的原理：AI Agent 是什么
• 低代码替代方案：Dify 教程

---

本文最后更新于 2026-07-08。代码示例基于 LangChain 0.2+，请根据最新版本调整。