小白学AI开发01：创建第一个示例Agent

在 LangChain 开发中，我们的核心工作是写 Prompt（提示词）。
除此之外，还需要了解下python基础，简单了解即可，不需要系统学习，这就是AI时代对技术爱好者的红利。
01 | 构建独立的python环境

使用miniconda构建独立的python环境。
官方网站：https://www.anaconda.com/
选择适合你的，我这里直接选择图形化安装的Miniconda：

下载后安装：

关闭并重新打开终端。此时你会看到命令行前面多了个 (base)，这说明 Conda 已经接管了环境。
然后创建 Python 3.12 专属学习环境：

1. # 创建环境并指定 Python 版本conda create -n lc python=3.12 -y# 激活环境conda activate lc

复制代码

Tips：如果创建环境，遇到让同意服务/条款之类，直接按提示命令执行同意即可。
后面测试不同功能的python程序肯定免不了引用各种类型的包，我们统一放到 requirements.txt 中，后续新环境也可以直接一键安装需要引入的相关包。

1. pip install -r requirements.txt

复制代码

定期维护requirements.txt文件：

1. langchainlangchain-openaipython-dotenv

复制代码

02 | 创建第一个示例Agent

这里仿照LangChain官方文档，构建一个简单的Agent。

• https://docs.langchain.com/oss/python/langchain/quickstart
  

因为笔者暂时没有Claude模型可用，所以替换为国内的模型，在我们学习测试阶段，基本是没啥影响的。
vi basic.py

1. import osfrom dotenv import load_dotenvfrom langchain.agents import create_agentfrom langchain_openai import ChatOpenAIfrom langchain.tools import tool# 加载 .env 文件中的 SILICONFLOW_API_KEYload_dotenv()# 1. 定义工具：必须要写清晰的 Docstring（函数注释）@tooldef get_weather(city: str) -> str:    """获取指定城市的实时天气情况。"""    return f"{city} 的天气总是阴雨连连！"# 2. 初始化 SiliconFlow 模型llm = ChatOpenAI(    model="deepseek-ai/DeepSeek-V3",     api_key=os.getenv("SILICONFLOW_API_KEY"),    base_url="https://api.siliconflow.cn/v1",    temperature=0.1)# 3. 创建 Agentagent = create_agent(    model=llm,    tools=[get_weather],    system_prompt="你是一个乐于助人的天气助手。")# 4. 运行if __name__ == "__main__":    response = agent.invoke(        {"messages": [{"role": "user", "content": "北京天气怎么样？"}]}    )    # 打印最后一条消息（AI 的回答）    print(response["messages"][-1].content)

复制代码

03 | 增强这个示例Agent

汉化并稍微改造下官方的示例，使其适用于我们的测试环境：
vi enhance.py

1. import osfrom dataclasses import dataclassfrom dotenv import load_dotenvfrom langchain_openai import ChatOpenAIfrom langchain.agents import create_agentfrom langchain.tools import tool, ToolRuntimefrom langgraph.checkpoint.memory import InMemorySaverfrom langchain.agents.structured_output import ToolStrategyload_dotenv()# 1. 定义系统提示词（要求 AI 做个“谐音梗”专家）SYSTEM_PROMPT = """你是一位专业的资深天气预报员，说话极其幽默，特别喜欢讲“谐音梗”。你有权使用以下两个工具：- get_weather_for_location: 获取特定城市的天气。- get_user_location: 获取当前用户的所在地。如果用户询问天气，请务必确认地点。如果用户说的是“我这儿”或“我这里”，请调用 get_user_location 获取他们的位置。"""# 2. 定义上下文结构（存储用户信息）@dataclassclass Context:    """自定义运行时上下文。"""    user_id: str# 3. 定义工具@tooldef get_weather_for_location(city: str) -> str:    """获取指定城市的天气情况。"""    return f"{city} 的天气总是阳光灿烂！"@tooldef get_user_location(runtime: ToolRuntime[Context]) -> str:    """根据用户 ID 获取其地理位置。"""    user_id = runtime.context.user_id    # 模拟数据库：用户 1 在北京，其他在珠海    return "北京" if user_id == "1" else "珠海"# 4. 配置你的模型 (SiliconFlow)model = ChatOpenAI(    model="deepseek-ai/DeepSeek-V3",    api_key=os.getenv("SILICONFLOW_API_KEY"),    base_url="https://api.siliconflow.cn/v1",    temperature=0.7  # 稍微提高随机性，让谐音梗更有创意)# 5. 定义响应格式（汉化字段描述，让 AI 明白填什么）@dataclassclass ResponseFormat:    """Agent 的结构化回复格式。"""    # 幽默的谐音梗回复    punny_response: str    # 任何关于天气的有趣信息（如果有的话）    weather_conditions: str | None = None# 6. 设置记忆存储checkpointer = InMemorySaver()# 7. 创建 Agentagent = create_agent(    model=model,    system_prompt=SYSTEM_PROMPT,    tools=[get_user_location, get_weather_for_location],    context_schema=Context,    response_format=ToolStrategy(ResponseFormat),    checkpointer=checkpointer)# --- 运行测试 ---# 设置会话 IDconfig = {"configurable": {"thread_id": "test_user_001"}}# 第一次提问print("--- 第一次对话 ---")response = agent.invoke(    {"messages": [{"role": "user", "content": "外面天气怎么样？"}]},    config=config,    context=Context(user_id="1"))# 访问结构化结果res = response['structured_response']print(f"AI: {res.punny_response}")print(f"详情: {res.weather_conditions}")print("\n--- 第二次对话（测试记忆） ---")# 第二次提问response = agent.invoke(    {"messages": [{"role": "user", "content": "谢谢你！我在哪里？"}]},    config=config,    context=Context(user_id="1"))res = response['structured_response']print(f"AI: {res.punny_response}")

复制代码

这段示例代码的核心逻辑是：
第一次对话：
用户问：“外面天气怎么样？”（没说地点）。
AI 思考：系统提示词告诉我，如果地点不明，先去查用户在哪。
动作：AI 调用 get_user_location -> 得到“北京” -> 调用 get_weather_for_location -> 得到天气。
回复：根据 ResponseFormat 吐出一个谐音梗。
第二次对话：
用户问：“谢谢你！我在哪里？”
AI 思考：由于有 thread_id 和 checkpointer，AI 记得上一次查询的结果。
动作：它不需要再次查工具，直接从记忆里提取信息并回复。
然后手工将代码中的 user_id 改为2，再次运行，就会根据工具 get_user_location 中的示例逻辑，得到地点为”珠海“，两次执行的效果参考如下：

该段示例代码虽然简单，但其实已经能展现出一个企业级 AI 智能体（Agent）的缩影。它涵盖了现代 AI 开发中最核心的三个支柱：工具调用（Tool Use）、上下文记忆（Memory）、以及结构化输出（Structured Output）。

来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！

谢谢分享，辛苦了

懂技术并乐意极积无私分享的人越来越少。珍惜

感谢，下载保存了

收藏一下   不知道什么时候能用到

分享、互助 让互联网精神温暖你我

分享、互助 让互联网精神温暖你我

感谢分享，学习下。

用心讨论，共获提升！

用心讨论，共获提升！

分享、互助 让互联网精神温暖你我

感谢分享，下载保存了，貌似很强大

东西不错很实用谢谢分享

感谢分享，学习下。

鼓励转贴优秀软件安全工具和文档！

感谢分享，学习下。

东西不错很实用谢谢分享

东西不错很实用谢谢分享

感谢分享，学习下。

谢谢楼主提供！