1. LangChain 入门，构建第一个智能体
LangChain是一个用于构建智能体的开源框架，可以集成任何模型或者工具。
它由大语言模型驱动，只需要不到10行代码，就可以连接OpenAI、Anthropic、谷歌等世界最先进的模型为你工作。
以下内容基于 LangChain 1.2.0 版本
准备工作
首先，LangChain支持Python和Typescript，在本系列文章中，主要使用python进行演示
安装LangChain
pip install -U langchain
# Python版本要求在3.10以上
集成大模型
LangChain支持了目前主流的各大AI平台，如OpenAI、谷歌、Anthropic、DeepSeek等等
你可以在这个地址看到所有支持的模型厂商
# 安装openai相关支持
pip install -U langchain-openai
# 安装DeepSeek相关支持
pip install -U langchain-deepseek
当然也支持本地部署的大模型，如Ollama、vLLM、SGLang等本地
在开始使用LangChain写我们的第一行代码之前，我们首先需要准备一个大模型的API，通常来说有两种途径
快速开始
从调用一个DeepSeek开始
from langchain_core.messages import HumanMessage
from langchain_deepseek import ChatDeepSeek
# api_base可以用于特定的代理地址或本地地址，不填则默认使用DeepSeek官方
# api_key来自DeepSeek官方申请得到
model = ChatDeepSeek(model="deepseek-chat",
# api_base="http://localhost:8000/v1",
api_key="sk-xxxxx")
result = model.invoke("你好 DeepSeek!")
print(result.content)
运行可以看到输出代码如下，我们就成功调用了 DeepSeek 。
可以看到，使用 LangChain ，从创建项目到成功调用大模型，大概只需要几分钟时间，是非常简单的。
LangChain 让我们可以节省出更多的时间来专注业务的构建，不用再去重复造轮子了。
如果你的电脑或服务器还不错，也可以使用本地的 ollama 运行一个 Qwen3 来进行测试
model = ChatOllama(model="qwen3")
result = model.invoke("你好 Qwen3! \\no_think")
print(result.content)
在基础模型之上构建智能体
我们使用 LangChain ，主要是需要构建一个专属领域的智能体，比如
- 在一个 IDE 里创建一个 AI 编程助手
- 在医生看诊时的一个写病历、下诊断助手
- 公司内部的一个停车场查询助手等等
假设我们实际的业务中有一个接口
# 停车场车位信息
def get_parkinglot_info() -> str:
"""获取停车场车位信息"""
# 我们可以假设系统中有 3 个停车场，分别用 mock 的数据模拟
# 实际业务中可以通过接口查询
return ("停车场车位信息如下：\n1号车位已满"
"\n2号停车场剩余 20 个车位"
"\n3号停车场剩余 30 个车位")
我们基于上述 DeepSeek 模型创建一个Agent，让其可以帮我们在接口里自动查询出哪个停车场车位充足。
from langchain.agents import create_agent
from langchain_core.messages import HumanMessage, AIMessage
from langchain_deepseek import ChatDeepSeek
# 调用一个DeepSeek
model = ChatDeepSeek(model="deepseek-chat",
# 可以使用搭建的DeepSeek，不填写则可以使用DeepSeek的公开API
api_base="http://localhost:8000/v1",
api_key="1")
# 停车场车位信息
def get_parkinglot_info() -> str:
"""获取停车场车位信息"""
# 我们可以假设系统中有 3 个停车场，分别用 mock 的数据模拟
# 实际业务中可以通过接口查询
return ("停车场车位信息如下：\n1号车位已满"
"\n2号停车场剩余 20 个车位"
"\n3号停车场剩余 30 个车位")
agent = create_agent(model,
system_prompt="你是一个停车场车位查询助手",
tools=[get_parkinglot_info]
)
result = agent.invoke({"messages": [HumanMessage(content="哪个停车场还有车位？")]})
for message in result.get('messages', []):
if isinstance(message, AIMessage):
print(message.content)
查询结果如下
为了更有效的对接系统，让 AI 可以帮我们将非结构化的数据整理成结构化的数据方便进行处理
比如：让 AI 帮我们找到车位最多的停车场，并结构化成我们希望的样式
class ParkinglotInfo(BaseModel):
name: str = Field(description="停车场名称")
num: int = Field(description="剩余车位数量")
structured_agent = create_agent(model,
system_prompt="你是一个停车场车位查询助手。请调用工具获取停车场信息，然后按照用户要求的格式组织数据。",
tools=[get_parkinglot_info],
response_format=ToolStrategy(ParkinglotInfo))
structure_result = structured_agent.invoke({"messages": [HumanMessage("请告诉我哪个停车场的车位最多？并按照 {name:停车场名称,num:数量} 的格式进行组织")]})
print(f"===========================")
print(f"结构化输出结果：{structure_result['structured_response']}")
# 输出结果
# ===========================
# 结构化输出结果：name='3号停车场' num=30
值得注意的是，在最后输出结构化时，很可能出现报错，如果排除了网不通/代码写错等等问题后依然出现，那么通常有两种可能性
- 小规模模型的指令跟随能力、文档总结能力、结构化能力有缺陷
- 即使是最先进的模型（如 DeepSeek-V3.2），也会因为提供模型厂商的工程能力（官方和第三方）差异导致输出结果不符合预期1。
在初学时，极容易遇到这个问题卡主，解决方案如下：
- 财力够，建议尽量使用官方提供的模型，如 DeepSeek 官方、OpenAI 官方等等，避免使用第三方。
- 资金有限，尽量使用 Qwen3系列 这种指令跟随能力较强的小模型，会减少很多因为模型能力不足导致的问题。
对于资金有限的朋友，这里我推荐qwen3:4b-instruct-2507-fp16这个模型，你可以直接使用ollama run qwen3:4b-instruct-2507-fp16来运行这个模型，即使性能较差的电脑也可以顺利运行。
结语
本篇文章中，我们了解到了在 AI 应用开发中，如何使用 LangChain 快速连接一个大语言模型，构建一个简单的 Agent，使用大语言模型进行工具调用以及结构化输出。
参考文献
1. https://docs.langchain.com/oss/python/langchain/overview
附注
1. DeepSeek-v3.2 指令跟随缺陷导致的 Agent 输出不符合预期
如果你在使用 DeepSeek-V3.2 这种旗舰模型时，出现了类似下面的问题，那么恭喜你，通常这是一个本地部署/第三方提供的 DeepSeek 缺陷导致的问题，详情可以见issue: 14695。
解决方法
- 使用官方提供的 DeepSeek 接口
- 将你部署的 SGLang 版本升级到 0.5.7（写稿时暂未发布）以上版本来解决这个问题
2. 有没有比较价廉物美小模型测试方案？
这里我推荐使用 qwen3:4b-instruct-2507-fp16 这个模型，你可以直接使用 ollama run qwen3:4b-instruct-2507-fp16 来运行这个模型，即使性能较差的电脑也可以顺利运行。
如果你的电脑还不错，那么qwen3:30b-instruct这个模型也可以尝试一下，性能会好很多。
qwen3 系列模型，包括语音、图像、视频等多模态模型，在应对学习任务上应该都可以胜任
那么本篇文章就到这里啦，感谢你的阅读，我们一起加油！