LangChain入门教程：手把手教你构建AI代理（2026-07-27）

想象一下：你只需要说“帮我把上周的销售数据整理成PPT，再写一封邮件发给团队”，AI就能立刻完成整套工作流。这不是科幻电影，而是LangChain代理(Agent)正在改变的人机协作方式。

为什么你需要了解LangChain？

根据2026年Stack Overflow开发者调查，超过43%的AI开发者正在使用LangChain框架，而这一数字在一年前仅为12%。为什么增速如此惊人？因为LangChain让大模型从“聊天机器人”进化成了“行动者”——它能调用API、操作数据库、甚至控制物理设备。

核心价值：LangChain代理 = 大模型推理能力 + 工具调用能力。简单说，AI不再只是“说话”，而是能“做事”。

手把手：构建你的第一个AI代理

1. 环境准备（5分钟）

# 安装核心库
pip install langchain langchain-community langchain-openai

小提示：建议使用Python 3.11+，并创建虚拟环境避免依赖冲突。

2. 定义工具（Tools）

代理需要工具才能做事。我们先给它两个基础工具：

from langchain_core.tools import tool

@tool
def search_web(query: str) -> str:
    """搜索互联网信息"""
    # 这里接入你的搜索API
    return f"搜索结果：{query}相关摘要..."

@tool
def calculate(expression: str) -> str:
    """执行数学计算，例如：'2+2'"""
    return str(eval(expression))

关键点：每个工具必须有清晰的docstring（文档字符串），这是代理理解工具用途的唯一方式。

3. 创建并运行代理

from langchain.agents import create_openai_tools_agent
from langchain_openai import ChatOpenAI
from langchain.agents import AgentExecutor

# 初始化模型
llm = ChatOpenAI(model="gpt-4o", temperature=0)

# 构建代理
tools = [search_web, calculate]
agent = create_openai_tools_agent(llm, tools)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# 运行
result = agent_executor.invoke({"input": "帮我搜索2026年Q2全球AI市场规模，然后除以365得到日均值"})
print(result["output"])

运行效果：代理会自动决定先搜索，再调用计算工具，最终返回“2026年Q2全球AI市场规模约XX亿美元，日均值为XX亿美元”。

企业级实战案例

一家电商公司使用LangChain代理实现了客服自动退款流程：

输入：用户申请退款 + 订单号
代理工作流：查询订单数据库 → 验证退款规则 → 调用支付API退款 → 生成工单邮件
成果：处理时间从15分钟降至30秒，人工介入率降低74%

数据佐证：根据LangChain官方2026年Q1报告，使用代理的企业平均减少60%重复性人工操作。

实用建议：避坑指南

工具越“瘦”越好：每个工具只做一件事，比如“发送邮件”和“查询邮件”分开，而不是合并成“邮件处理”。
错误处理是灵魂：用try-except封装工具，返回友好错误信息，避免代理卡死。
限制代理自主权：对于敏感操作（如修改数据库），加入人工确认步骤，用HumanInputTool实现。

马上行动：从今天开始

复制上面的代码，把search_web改成接入百度搜索API或SerpAPI，5分钟后你就能拥有一个能联网搜索+计算的自定义助理。

本周任务：给代理添加第三个工具——调用一个你日常工作使用的API（比如公司内部系统）。你甚至不需要全部代码，先尝试用LangSmith调试一次。

AI代理的未来不是取代人类，而是放大每个人的能力。你与下一个职场阶跃之间，只差一个亲手搭建的代理。

免责声明：本文介绍的LangChain框架及示例代码仅供学习和研究目的。实际生产环境部署代理时，请务必注意安全审计、权限控制及数据合规性。作者不对因使用本文内容导致的任何直接或间接损失承担责任。技术发展迅速，请以官方文档为最终参考。