第32章 用 LangChain 重组你的智能体(专业框架入门)
前面 31 章我们写了聊天机器人、知识库、工具手、多 AI 协作……它们各自是一个脚本。本章教你用 LangChain 这个专业框架,把散落的能力「标准化零件」一样拼起来,少写重复代码、更好维护。
🎬 生活化引入
你前面攒了不少 Python + AI 小工具:第 9 章的记忆、第 10 章的知识库、第 16 章的联网、第 31 章的工具手……但它们各写各的,换个项目就得从零复制粘贴。想加个「先把用户的话分类、再决定调哪个工具、最后用记忆补一句」的流程,得自己手写一堆 if/else。就像家里螺丝刀、扳手、锤子散落一地,每次修东西都得现找。能不能有个「工具箱」,把零件都按统一卡扣装好,随手一拼就成?LangChain 就是 AI 世界的这种工具箱。
💡 大白话原理
LangChain 不发明新 AI,它是一套标准接口 + 拼装规则,把和 AI 打交道最常见的几件事做成「乐高积木」:
- Model(模型):你脑子里的「AI 大脑」,统一用
ChatOpenAI这种接口对接,DeepSeek、OpenAI、Ollama 换一个参数就行。 - Prompt(提示词):带坑位的模板,比如「你是个{角色},回答{问题}」,填进去就成。
- Chain(链):用管道符号
|把「模板 → 模型 → 结果解析」串成一条流水线,像工厂传送带。 - Memory(记忆):把历史对话存进「聊天记录本」,下次自动带回去(呼应第 9 章,但框架帮你管好了)。
- Tool / Agent(工具手 / 智能体):把第 31 章手写的「天气、计算器、搜索」登记成工具,让框架替你决定什么时候调、怎么调,不用你写派活逻辑。
一句话:以前你当包工头自己指挥每块砖,现在 LangChain 给你一套标准化施工流程,你只管把零件摆上、说清要什么。
🧩 可运行代码
方式一:云端 API(默认,需 Key,新人有免费额度)
先装库(两个就够跑通本章):
bash
pip install langchain-openai langchain-core langchain
完整可运行脚本(把前面几章的能力用 LangChain 重拼成「带记忆的 AI 秘书」):
python
# -*- coding: utf-8 -*-
"""
第32章:用 LangChain 重组你的智能体
核心:Prompt 模板 + ChatModel + 记忆,用管道 | 拼成 Chain
方式一(云端):把 API_KEY 换成你的;方式二(本地):改底部 4 行配置即可。
"""
# ===================== 配置区(只改这里) =====================
API_KEY = "sk-你的Key" # 换成你的 DeepSeek / 硅基流动 / OpenAI Key
BASE_URL = "https://api.deepseek.com/v1" # 兼容 OpenAI 的端点,可换其他家
MODEL = "deepseek-chat" # 便宜好用;也可 gpt-4o-mini
USE_LOCAL = False # True 时改用本地 Ollama(见方式二)
OLLAMA_URL = "http://localhost:11434/v1"
OLLAMA_MODEL = "qwen2.5:7b"
# ============================================================
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.output_parsers import StrOutputParser
from langchain_core.chat_history import InMemoryChatMessageHistory
from langchain_core.runnables.history import RunnableWithMessageHistory
def get_llm():
"""统一造一个『AI 大脑』,云端 / 本地只差三行参数。"""
if USE_LOCAL:
return ChatOpenAI(model=OLLAMA_MODEL, api_key="ollama",
base_url=OLLAMA_URL, temperature=0.7)
return ChatOpenAI(model=MODEL, api_key=API_KEY,
base_url=BASE_URL, temperature=0.7)
# 聊天记录本:每个用户一个 session,框架自动往里塞历史
_store = {}
def get_session_history(session_id):
if session_id not in _store:
_store[session_id] = InMemoryChatMessageHistory()
return _store[session_id]
def build_secretary():
"""用 LCEL 把『系统角色 + 历史记忆 + 用户输入』拼成一条 Chain。"""
llm = get_llm()
# 提示词模板:{history} 是记忆坑位,{input} 是这次的话
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个贴心的 AI 秘书,回答简洁、友好、实用,必要时分点。"),
MessagesPlaceholder("history"), # 框架自动注入历史对话
("human", "{input}"),
])
# 管道:模板 → 模型 → 文本解析器,这就是一条『链』
chain = prompt | llm | StrOutputParser()
# 套上记忆外壳,输入键 input、记忆键 history
return RunnableWithMessageHistory(
chain, get_session_history,
input_messages_key="input",
history_messages_key="history",
)
if __name__ == "__main__":
bot = build_secretary()
sid = "user-001" # 一个人一个 session,记忆互不干扰
print("🤖 LangChain 秘书已上线(输入 exit 退出)")
while True:
q = input("你:").strip()
if q.lower() in ("exit", "quit", "退出"):
break
# invoke 时把 session_id 传进去,框架自动带上历史
ans = bot.invoke({"input": q},
config={"configurable": {"session_id": sid}})
print("AI:" + ans)
跑起来后连问「我叫小志,记一下」「我刚说我叫啥?」——你会发现它记得住,记忆是 LangChain 帮你管的,不用自己写列表了。
进阶玩法(可选):让 LangChain 自动派活(复用第 31 章工具)
下面这段演示把「天气、计算器」登记成工具,交给 AgentExecutor 自动决定调哪个——这正是第 31 章你手写的派活逻辑,框架替你干了:
python
from langchain_core.tools import tool
from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
@tool
def get_weather(city: str) -> str:
"""查询指定城市的天气。"""
return f"{city} 今天晴,22℃,适合出门。"
@tool
def calculator(expr: str) -> str:
"""计算一个四则运算表达式,例如 '28*7+9'。"""
import ast, operator
ops = {ast.Add: operator.add, ast.Sub: operator.sub,
ast.Mult: operator.mul, ast.Div: operator.truediv}
def ev(n):
if isinstance(n, ast.Constant): return n.value
if isinstance(n, ast.BinOp): return ops[type(n.op)](ev(n.left), ev(n.right))
raise ValueError("仅支持四则运算")
return str(ev(ast.parse(expr, mode="eval").body))
llm = get_llm()
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个会自己调用工具的 AI 助手,需要时主动用工具。"),
("human", "{input}"),
MessagesPlaceholder("agent_scratchpad"),
])
agent = create_tool_calling_agent(llm, [get_weather, calculator], prompt)
executor = AgentExecutor(agent=agent, tools=[get_weather, calculator], verbose=True)
print(executor.invoke({"input": "北京天气怎么样?再帮我算 28*7+9"})["output"])
方式二:本地 Ollama(完全免费,零成本)
前提:已按第 20 章装好 Ollama,并拉过模型(如 ollama run qwen2.5:7b)。只改配置区 4 行,其余代码一字不动:
python
USE_LOCAL = True
API_KEY = "ollama" # 本地随便填,Ollama 不校验
BASE_URL = "http://localhost:11434/v1" # Ollama 的 OpenAI 兼容端点
MODEL = "qwen2.5:7b" # 换成你本地有的模型
本地模型跑 LangChain 完全离线、零费用;只是响应比云端慢一点,日常轻活完全够用。
✨ 炫酷效果 / 变现点
- 接单做「企业问答机器人」:用 Chain 把「分类 → 查知识库(第10/22章) → 答」拼成流水线,接网页/微信(第3章),按项目报价 3000–8000 元。
- 卖「AI 工作流模板」:把本章秘书 + 工具手打包成可复用
.py,在知识星球 / 小报童按「框架模板」订阅收费。 - 个人效率产品化:用 LangChain 把日报(第15章)+定时(第25章)+联网(第16章)串成「自动早报机器人」,做成付费小程序。
- 降低维护成本接长期活:标准化零件后,客户加功能你只改一个组件,比散装脚本好维护,容易拿月度运维外包。
- 进阶咨询/培训:掌握 LangChain 后可开「AI 智能体搭建」训练营,单期社群定价 199–999 元。
🏋️ 练习题
- 基础题:把方式一代码跑起来,连续问它「我养了一只猫,叫咪咪」「我养的宠物叫什么?」,确认它能记住。再改 system 提示词,让它变身「Python 老师」风格回答。
- 进阶题:在进阶玩法里新增一个
search_web(query: str)工具(复用第 16 章的 DuckDuckGo 免 Key 搜索思路),让 Agent 能「先搜再答」。实现提示:@tool装饰器包裹函数 → 把函数加进create_tool_calling_agent(..., [get_weather, calculator, search_web], ...)和AgentExecutor(tools=[...])的工具列表即可,函数内部用requests请求搜索接口并返回前 3 条结果文本。
🖼️ 配图建议
- 乐高积木比喻图:左边散落一地的螺丝刀/扳手(代表散装脚本),右边一盒按卡扣拼好的乐高组件(代表 LangChain 标准化零件),中间一个箭头写「标准化」。
- Chain 流水线示意图:三个方块横向串联——「提示词模板 → AI 大脑 → 文本解析」,下方标注管道符号
|,像工厂传送带把原料变成成品。 - Agent 派活漫画:一个小人(AI)面前摆着三块牌子「天气 / 计算器 / 搜索」,用户问一句,小人自己走上前去翻对应牌子,旁边气泡写「我来决定调哪个工具」。
💡 小贴士:LangChain 版本更新较快,若安装后某行报错,先
pip install -U langchain-openai langchain-core langchain升到最新版即可,代码逻辑不变。
DAMO开发者矩阵,由阿里巴巴达摩院和中国互联网协会联合发起,致力于探讨最前沿的技术趋势与应用成果,搭建高质量的交流与分享平台,推动技术创新与产业应用链接,围绕“人工智能与新型计算”构建开放共享的开发者生态。
更多推荐



所有评论(0)