快速开始

本快速开始指南将帮助你在几分钟内从简单的设置到构建一个功能完整的 AI 智能体。

前提条件

在运行这些示例之前，你需要：

• 安装 LangChain 包
• 注册一个 Claude (Anthropic) 账户并获取 API 密钥
• 在终端中设置 ANTHROPIC_API_KEY 环境变量

虽然这些示例使用 Claude，但你可以通过更改代码中的模型名称并设置相应的 API 密钥来使用任何支持的模型。

构建基础智能体

首先创建一个可以回答问题和调用工具的简单智能体。该智能体将使用 Claude Sonnet 4.5 作为语言模型，一个基本的天气函数作为工具，以及一个简单的提示词来引导其行为。

import { createAgent, tool } from "langchain";
import * as z from "zod";

const getWeather = tool(
  (input) => `${input.city}总是阳光明媚！`,
  {
    name: "get_weather",
    description: "获取指定城市的天气",
    schema: z.object({
      city: z.string().describe("要查询天气的城市"),
    }),
  }
);

const agent = createAgent({
  model: "claude-sonnet-4-5-20250929",
  tools: [getWeather],
});

console.log(
  await agent.invoke({
    messages: [{ role: "user", content: "东京的天气怎么样？" }],
  })
);

构建实际应用智能体

接下来，构建一个实用的天气预报智能体，演示关键的生产概念：

1. 详细的系统提示词 - 用于改善智能体行为
2. 创建工具 - 与外部数据集成
3. 模型配置 - 确保一致的响应
4. 结构化输出 - 获得可预测的结果
5. 对话记忆 - 实现类聊天的交互
6. 创建和运行智能体 - 构建功能完整的智能体

让我们逐步讲解每个步骤：

步骤 1：定义系统提示词

系统提示词定义了智能体的角色和行为。保持其具体且可操作：

const systemPrompt = `你是一位喜欢说双关语的天气预报专家。

你可以使用两个工具：

- get_weather_for_location：用于获取特定位置的天气
- get_user_location：用于获取用户的位置

如果用户询问天气，请确保你知道位置。如果从问题中可以看出他们指的是自己所在的地方，请使用 get_user_location 工具来获取他们的位置。`;

步骤 2：创建工具

工具是智能体可以调用的函数。通常工具需要连接到外部系统，并依赖运行时配置来实现。注意这里 getUserLocation 工具就是这样做的：

import { tool, type ToolRuntime } from "langchain";
import * as z from "zod";

const getWeather = tool(
  (input) => `${input.city}总是阳光明媚！`,
  {
    name: "get_weather_for_location",
    description: "获取指定城市的天气",
    schema: z.object({
      city: z.string().describe("要查询天气的城市"),
    }),
  }
);

type AgentRuntime = ToolRuntime<unknown, { user_id: string }>;

const getUserLocation = tool(
  (_, config: AgentRuntime) => {
    const { user_id } = config.context;
    return user_id === "1" ? "佛罗里达" : "旧金山";
  },
  {
    name: "get_user_location",
    description: "根据用户 ID 获取用户信息",
  }
);

const getWeather = tool(
  ({ city }) => `${city}总是阳光明媚！`,
  {
    name: "get_weather_for_location",
    description: "获取指定城市的天气",
    schema: {
      type: "object",
      properties: {
        city: {
          type: "string",
          description: "要查询天气的城市"
        }
      },
      required: ["city"]
    },
  }
);

步骤 3：配置模型

为你的用例设置合适的语言模型参数：

import { initChatModel } from "langchain";

const model = await initChatModel(
  "claude-sonnet-4-5-20250929",
  { temperature: 0.5, timeout: 10, maxTokens: 1000 }
);

步骤 4：添加结构化输出

使用 结构化输出 获得一致、可预测的结果：

import * as z from "zod";

const responseSchema = z.object({
  location: z.string().describe("天气预报的位置"),
  forecast: z.string().describe("天气预报摘要"),
  temperature: z.number().describe("摄氏温度"),
  conditions: z.string().describe("天气状况（如晴天、多云等）"),
});

步骤 5：添加对话记忆

启用短期记忆以保持对话历史：

import { MemorySaver } from "@langchain/langgraph";

const checkpointer = new MemorySaver();

步骤 6：创建并运行智能体

将所有组件组合成一个功能完整的智能体：

import { createAgent } from "langchain";

const agent = createAgent({
  model,
  tools: [getWeather, getUserLocation],
  prompt: systemPrompt,
  responseFormat: responseSchema,
  checkpointer,
  contextSchema: z.object({
    user_id: z.string(),
  }),
});

// 运行智能体
const result = await agent.invoke(
  {
    messages: [{ role: "user", content: "我这里的天气怎么样？" }],
  },
  {
    context: { user_id: "1" },
    configurable: { thread_id: "conversation-1" },
  }
);

console.log(result);

下一步

现在你已经构建了第一个智能体，以下是一些探索方向：

• 智能体 - 深入了解智能体架构和配置
• 工具 - 学习如何创建更强大的工具
• 流式输出 - 实现实时响应流
• 人机协作 - 添加人工审核步骤
• 多智能体 - 构建协作的智能体系统