【Agent从入门到实践】48 LangChain：最常用的Agent开发框架，核心功能与使用入门

目前国内还是很缺AI人才的，希望更多人能真正加入到AI行业，共同促进行业进步。想要系统学习AI知识的朋友可以看看我的教程http://blog.csdn.net/jiangjunshow，教程通俗易懂，风趣幽默，从深度学习基础原理到各领域实战应用都有讲解。

一、为啥LangChain成了Agent开发的“香饽饽”？看完就懂啦！

现在聊大模型开发，谁还没听过LangChain呀～ 尤其是做智能Agent（就是能自主思考、执行任务的大模型应用），LangChain几乎是标配框架，这两年火得一塌糊涂！

你想想，直接用原生大模型API，顶多能做个聊天机器人，想让它自己查资料、跑代码、连数据库、完成复杂任务，那可太难啦～ 而LangChain就像一个“大模型应用积木库”，把大模型、工具、数据、记忆这些模块全拼好了，咱们不用从零写代码，搭积木似的就能做出能干活的智能Agent，比如自动写代码的Agent、数据分析Agent、客服问答Agent，简直不要太方便！

2026年现在，LangChain不仅适配GPT-4o、文心一言4.0、通义千问3.5这些主流大模型，还更新了超多实用功能，比如原生支持多模态、一键部署Agent、轻量化推理，不管是新手入门还是企业级开发，都能hold住，这也是它能成为Agent开发第一框架的原因～ 今天咱们就把LangChain的核心功能掰开揉碎讲，再用Python手把手写个入门Agent，新手也能跟着跑起来！

二、先搞懂基础：LangChain到底是啥？核心概念秒懂！

首先明确一点，LangChain不是大模型，而是基于大模型的应用开发框架，用Python/JavaScript写的，核心就是“连接”——把大模型和各种外部资源、工具连接起来，让大模型从“只会聊天的嘴炮”变成“能实际干活的打工人”。

刚接触LangChain可能会被一堆名词搞懵，别怕，用大白话讲几个核心概念，记牢这几个，后面就轻松啦：

• LLM/Chat Model：大模型核心，比如GPT-4o、通义千问，是Agent的“大脑”，负责思考、推理、生成答案；
• Agent：智能代理，LangChain的核心产物，能根据用户指令，自主决定“该用什么工具→怎么用→怎么整合结果→给出答案”，比如代码解释Agent、搜索引擎Agent；
• Tool：Agent能用的工具，比如Python代码解释器、百度/谷歌搜索、数据库查询、Excel处理，相当于Agent的“手和脚”；
• Prompt Template：提示词模板，把固定的提示词逻辑做成模板，不用每次手动写，比如“你是一个数据分析专家，请分析以下数据：{data}”，{data}是动态参数，超省心；
• Memory：记忆模块，让Agent记住对话历史，比如你前一句问了“北京天气怎么样”，后一句问“明天呢”，Agent能知道“明天”指的是北京明天，不会断片；
• Chain：链，把多个模块按顺序串起来，比如“Prompt→LLM→Tool→LLM→结果”，简单的Chain组合起来，就能实现复杂功能。

简单总结：LangChain = 大模型大脑 + 各种工具手脚 + 记忆系统 + 流程编排器，拼在一起就是能自主干活的智能Agent～

三、LangChain核心功能：这几个是开发Agent的“刚需”！

LangChain的功能特别多，但咱们开发Agent，核心就用这几个，2026年的最新版本里，这些功能还做了大幅优化，更易用、更强大，咱们一个个讲，全是大白话，不绕弯～

1. 大模型无缝对接：主流模型全兼容，切换超方便

这是基础中的基础，LangChain做了一层统一的封装，不管是OpenAI的GPT系列、国内的文心一言/通义千问/讯飞星火，还是开源的Llama 3/DeepSeek，都能用统一的代码调用，换模型不用改代码，只改几行配置就行！

比如你先用水滴大模型做开发，后面想换成GPT-4o，直接改下API密钥和模型名称，其他代码完全不动，这一点对开发者太友好了，不用重复造轮子～

2. Agent核心能力：让大模型“自主思考+使用工具”

这是LangChain最核心的功能，也是和直接用大模型API最大的区别！原生大模型不会用工具，而LangChain的Agent模块，会让大模型先“思考”：用户的问题需要用什么工具？怎么用？然后自动调用工具，获取结果后，再整理成答案返回。

比如你问Agent“2026年中国GDP预计是多少？”，Agent会思考：这个问题需要最新数据，我得用搜索引擎工具，然后自动调用搜索，把搜索结果整理后告诉你，全程不用你手动操作，这就是智能Agent的核心～

现在LangChain的Agent还分了很多类型，适配不同场景，比如：

• ZeroShotAgent：零基础思考，适合简单任务；
• ChatAgent：基于聊天模型的Agent，适合对话式任务；
• CodeInterpreterAgent：代码解释Agent，能自动写Python代码、运行、分析结果，适合数据分析、数学计算；
• PlanAndExecuteAgent：先规划再执行，适合复杂的多步骤任务，比如“写一份2026年新能源汽车行业分析报告”，Agent会先规划“查行业数据→分析市场规模→分析竞争格局→写报告”，再一步步执行。

3. 丰富的工具生态：内置+自定义，想要啥工具都有

Agent要干活，离不开工具，LangChain内置了上百种常用工具，覆盖几乎所有场景，而且还支持自定义工具，自己写的脚本也能让Agent调用，简直无敌～

内置常用工具（2026年还在持续更新）：

• 代码类：Python Code Interpreter（代码解释器，能跑代码、画图表、分析数据）；
• 搜索类：百度搜索、谷歌搜索、SerpAPI（搜索引擎）、Tavily（AI专用搜索）；
• 数据类：Excel/CSV处理、SQL数据库查询（MySQL/PostgreSQL）、MongoDB操作；
• 其他类：网页爬取、邮件发送、文件读写、地图查询。

自定义工具：如果内置工具不够用，比如你想让Agent调用公司内部的CRM系统，只需要用LangChain的工具模板，写几行代码封装一下，就能让Agent直接用，超灵活～

4. 记忆系统：让Agent“记住”对话，不会断片

原生大模型是“鱼的记忆”，每次对话都是独立的，不知道上一句聊了啥，而LangChain的Memory模块，能让Agent记住对话历史，甚至能记住长期记忆，比如用户的偏好、历史操作，让交互更自然。

Memory也分很多类型，新手先掌握最常用的ConversationBufferMemory（对话缓冲区记忆）就行，能简单记住所有对话历史，满足大部分场景，复杂场景再用进阶的记忆类型，比如按时间过滤的、按重要性过滤的～

5. 提示词工程：模板化管理，提效又规范

写大模型应用，提示词是灵魂，但每次手动写提示词太麻烦，还容易出错，LangChain的Prompt Template模块，能把提示词做成模板，动态传参，重复使用，还能做提示词拼接、格式化，让提示词管理更规范。

比如做一个客服Agent，把固定的客服话术做成模板：“你是{company}的智能客服，负责解答{product}的相关问题，回答要简洁、友好，用户问题：{question}”，后面只需要传公司、产品、用户问题这三个参数，不用每次重写整段提示词，提效超多～

6. 多模态支持：图文音视频全处理，适配最新大模型

2026年的大模型全是多模态的，能看图片、听音频，LangChain也紧跟趋势，原生支持多模态开发，比如让Agent分析图片内容、根据图片写报告、把音频转文字后再处理，不用额外装插件，直接调用就行，适配GPT-4o、文心一言4.0这些多模态大模型超丝滑～

四、手把手实操：Python搭建第一个LangChain Agent，5分钟跑起来！

讲了这么多理论，不如动手写代码！咱们用2026年最新的LangChain版本（v0.2+），搭配国内易上手的通义千问3.5（也可以换成GPT-4o），做一个智能数据分析Agent——能自动接收数据、写Python代码、运行代码、分析结果，全程自主完成，新手也能跟着做，全程复制粘贴就行～

前置准备：安装依赖+获取大模型API密钥

1. 安装LangChain及相关依赖

打开终端，一行命令安装核心依赖，包含LangChain核心、通义千问对接、代码解释器、内存管理：

pipinstalllangchain langchain-qianfan langchain-experimental python-dotenv pandas matplotlib

• langchain：LangChain核心框架；
• langchain-qianfan：LangChain对接百度文心/阿里通义千问的官方插件；
• langchain-experimental：包含代码解释器等实验性工具（现在已经很稳定了）；
• python-dotenv：管理环境变量，避免API密钥硬编码；
• pandas/matplotlib：数据分析和画图，Agent会用到。

2. 获取通义千问API密钥（免费）

去阿里云通义千问开放平台（https://dashscope.aliyun.com/）注册账号，创建应用，就能获取API-KEY，免费额度足够新手开发使用，GPT-4o的话去OpenAI平台获取API_KEY就行，后面改配置即可～

3. 创建环境变量文件（.env）

在项目根目录创建.env文件，把API密钥放进去，避免写在代码里泄露：

# 通义千问API密钥，替换成你自己的 DASHSCOPE_API_KEY=sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx

核心代码：搭建智能数据分析Agent

创建langchain_agent_demo.py文件，代码全程带注释，复制粘贴就能跑，实现的功能：用户输入一个数据分析需求，Agent自动写Python代码、运行代码、生成图表、分析结果，全程自主完成～

# 导入所需模块importosfromdotenvimportload_dotenvimportpandasaspd# LangChain核心模块fromlangchain_qianfanimportChatQianfanfromlangchain_experimental.toolsimportPythonREPLToolfromlangchain.agentsimportAgentExecutor,create_tool_calling_agentfromlangchain_core.promptsimportChatPromptTemplatefromlangchain_core.memoryimportConversationBufferMemory# 加载环境变量，读取API密钥load_dotenv()os.environ["DASHSCOPE_API_KEY"]=os.getenv("DASHSCOPE_API_KEY")# 第一步：初始化大模型（通义千问3.5），Agent的“大脑”# 换成GPT-4o的话，把ChatQianfan换成ChatOpenAI即可，其他代码不动llm=ChatQianfan(model="qwen-plus",# 通义千问3.5模型名称temperature=0.1,# 温度值，0.1表示结果更严谨，适合数据分析)# 第二步：初始化工具，Agent的“手和脚”# PythonREPLTool：代码解释器，能运行Python代码、画图表、分析数据python_tool=PythonREPLTool()# 把工具放进列表，后续可添加多个工具（比如搜索、数据库）tools=[python_tool]# 第三步：创建提示词模板，告诉Agent“你是谁、要做什么”prompt=ChatPromptTemplate.from_messages([("system",""" 你是一个专业的智能数据分析Agent，擅长使用Python（pandas/matplotlib）做数据分析和数据可视化。 你的工作流程： 1. 根据用户的数据分析需求，自动编写Python代码； 2. 调用Python代码解释器运行代码，生成数据结果或图表； 3. 整理运行结果，用通俗易懂的语言做数据分析总结； 4. 代码运行的图表会自动保存为本地文件，分析时要提及图表文件。 注意：运行代码前要确保导入了所需库，代码要简洁、可运行，不要写无用代码。 """),("placeholder","{chat_history}"),# 对话历史，记忆模块("user","{input}"),# 用户输入("placeholder","{agent_scratchpad}")# Agent思考过程，自动生成])# 第四步：初始化记忆模块，让Agent记住对话历史memory=ConversationBufferMemory(memory_key="chat_history",# 对应提示词模板中的{chat_history}return_messages=True# 以消息格式返回，适配Chat模型)# 第五步：创建Agent，组合“大脑+工具+提示词”agent=create_tool_calling_agent(llm,tools,prompt)# 第六步：创建Agent执行器，让Agent能执行任务agent_executor=AgentExecutor(agent=agent,tools=tools,memory=memory,verbose=True,# 开启详细日志，能看到Agent的思考和执行过程，方便调试handle_parsing_errors="请重新整理你的思考，确保代码可运行！"# 错误处理)# 第七步：测试Agent，用户输入数据分析需求if__name__=="__main__":# 示例1：简单数据分析需求，Agent会自动生成数据、分析、画图user_input="生成100个学生的数学、语文、英语成绩数据，分析三科成绩的相关性，画出散点图矩阵，保存为score_correlation.png"# 运行Agentresult=agent_executor.invoke({"input":user_input})# 输出最终结果print("\n🎉 数据分析结果：")print(result["output"])# 示例2：可取消注释，测试自定义数据需求# user_input2 = "读取本地的sales.csv文件，分析每月销售额趋势，画出折线图，保存为sales_trend.png"# result2 = agent_executor.invoke({"input": user_input2})# print("\n🎉 销售额分析结果：")# print(result2["output"])

运行代码，看Agent干活！

终端运行命令：

python langchain_agent_demo.py

运行后你会看到详细的日志，Agent会一步步思考→写Python代码→运行代码→生成图表→分析结果，全程自主完成，最后会在本地生成score_correlation.png散点图矩阵，控制台输出通俗易懂的数据分析总结，是不是超神奇！

如果想测试自己的需求，比如分析本地的CSV/Excel文件，只需要改user_input里的内容，Agent会自动处理，不用改其他代码～

换成GPT-4o的小技巧

如果想把大模型换成GPT-4o，只需要改第一步的大模型初始化代码，其他代码完全不动，是不是超方便：

# 替换成GPT-4o的代码fromlangchain_openaiimportChatOpenAI llm=ChatOpenAI(model="gpt-4o",api_key=os.getenv("OPENAI_API_KEY"),# 从.env读取GPT-4o的API_KEYtemperature=0.1)

然后在.env里添加OPENAI_API_KEY=你的GPT-4o密钥就行，这就是LangChain封装的魅力！

五、2026年最新使用技巧：让你的Agent更稳、更高效！

刚入门的小伙伴，掌握上面的内容就能做基础Agent了，再分享几个2026年LangChain的最新实用技巧，让你的Agent体验翻倍，避坑少走弯路～

1. 开启Verbose日志，调试超方便

代码里设置verbose=True，能看到Agent的完整思考过程：“我需要做什么→应该用哪个工具→写什么代码→运行结果是什么”，出问题时能快速定位，新手一定要开！

2. 工具按需添加，不要贪多

Agent的工具越多，思考时间越长，出错概率也越高，按需添加工具就行，比如数据分析Agent只加Python代码解释器，搜索Agent只加搜索引擎工具，轻量的Agent运行更快、更稳定～

3. 用Tool Calling模式，Agent更智能

咱们代码里用的create_tool_calling_agent就是Tool Calling模式，这是2026年LangChain的推荐模式，比老版的ReAct模式更智能，大模型能更精准地调用工具，少走弯路，新手直接用这个模式就行～

4. 本地缓存大模型请求，节省API费用

反复调试代码时，大模型会重复接收相同请求，浪费API费用，LangChain有内置的缓存模块，加几行代码就能缓存请求结果，相同请求直接读缓存，不用再调用大模型，超省费用：

fromlangchain_core.cacheimportInMemoryCachefromlangchain.globalsimportset_llm_cache set_llm_cache(InMemoryCache())# 内存缓存，重启失效；生产环境可用Redis缓存

5. 处理大文件：用LangChain的文档加载器

如果让Agent分析大文件（比如几百M的CSV、PDF），不要直接让Agent读取，用LangChain的内置文档加载器（比如CSVLoader、PyPDFLoader），能分块读取、处理大文件，避免内存溢出，Agent处理起来更轻松～

六、常见坑位预警：这些问题新手最容易踩！

刚用LangChain的小伙伴，很容易被这些小问题卡住，我整理了几个最常见的坑，提前避坑，少走弯路～

1. API密钥泄露：绝对不要硬编码在代码里

一定要用.env文件管理API密钥，不要直接写在代码里，尤其是把代码上传到GitHub、Gitee时，一旦泄露，别人会盗用你的API额度，损失惨重！

2. 代码解释器报错：确保安装了所需依赖

Agent调用Python代码解释器时，会用到pandas、matplotlib等库，如果没安装，会报错，所以提前把可能用到的依赖装全，或者在提示词里让Agent先检查依赖～

3. 大模型温度值太高：结果不严谨

做数据分析、代码开发这类严谨的任务，把temperature设为0.1_{0.3，结果更严谨，不会出现天马行空的答案；做创意生成（比如写文案），可以设为0.7}0.9，更有创意～

4. 记忆模块失效：确保memory_key和提示词模板一致

记忆模块的memory_key必须和提示词模板中的占位符一致，比如代码里memory_key="chat_history"，提示词里就要有{chat_history}，否则记忆模块失效，Agent会断片～

5. 跨平台运行报错：注意文件路径格式

Windows和Linux/Mac的文件路径格式不一样，让Agent保存文件时，用相对路径（比如score_correlation.png），不要用绝对路径（比如C:\data\score.png），否则跨平台运行会报错～

七、总结：LangChain入门超简单，动手是关键！

其实LangChain一点都不难，核心就是“组合”——把大模型、工具、记忆、提示词这些模块组合起来，就能做出能干活的智能Agent，不用从零写复杂的推理和工具调用逻辑，这也是它能成为Agent开发第一框架的原因～

2026年的LangChain已经非常成熟了，适配所有主流大模型，内置超多实用工具和功能，新手从简单的Agent（比如数据分析、代码解释）入手，熟悉核心概念后，再做复杂的Agent（比如多工具组合、企业级应用），循序渐进，很快就能上手～

而且LangChain的社区超级活跃，有问题去官方文档、GitHub Issues或者国内的技术社区搜，几乎都能找到答案，不用担心遇到问题没人解～

现在就动手把上面的示例代码跑起来，改改用户输入，看看Agent能做出什么效果，再尝试添加新的工具（比如搜索引擎），让你的Agent更强大，体验一把智能Agent开发的快乐吧！

目前国内还是很缺AI人才的，希望更多人能真正加入到AI行业，共同促进行业进步。想要系统学习AI知识的朋友可以看看我的教程http://blog.csdn.net/jiangjunshow，教程通俗易懂，风趣幽默，从深度学习基础原理到各领域实战应用都有讲解。