5分钟入门 AI Agent：用 LangChain 构建你的第一个智能助手

5分钟入门 AI Agent：用 LangChain 构建你的第一个智能助手

前言

最近在学习 AI Agent，于是用 LangChain 写了一个最简单的 Demo。

目标很简单：让 AI 不只是“聊天”，而是可以调用工具解决问题

比如：

• 问天气 → 调用天气函数
• 问计算 → 调用计算器
• 问数据库 → 查询数据

这篇文章就从一个最简单的例子入门

一、完整代码（第一个 Agent）

from langchain.agents import create_agent
from langchain_community.chat_models.tongyi import ChatTongyi
from langchain_core.tools import tool


@tool(description="查询天气")
def get_weather() -> str:
    return "晴天"


agent = create_agent(
    model=ChatTongyi(model="qwen3-max"),
    tools=[get_weather],
    system_prompt="你是一个聊天助手，可以回答用户问题。",
)

res = agent.invoke(
    {
        "messages": [
            {"role": "user", "content": "明天天气如何？"},
        ]
    }
)

for message in res["messages"]:
    print(message.content)

二、什么是 Agent？

在传统 LLM（大模型）中：模型只能“回答问题”

但 Agent 的核心是： 让模型具备“行动能力”（调用工具）

对比一下

类型	能力
普通大模型	只能生成文本
Agent	能思考 + 调用工具 + 给出结果

三、代码逐行解析

1. 定义工具（Tool）

@tool(description="查询天气")
def get_weather() -> str:
    return "晴天"

这里做了两件事：

• 用 @tool 把函数注册为工具
• 提供描述，让模型知道“这个工具能干嘛”

本质：把普通函数 → 变成 AI 可调用的能力

2. 创建模型

ChatTongyi(model="qwen3-max")

使用的是 Alibaba Cloud 的通义千问模型

3. 创建 Agent

agent = create_agent(
    model=ChatTongyi(model="qwen3-max"),
    tools=[get_weather],
    system_prompt="你是一个聊天助手，可以回答用户问题。",
)

关键点：

• model：大模型（负责“思考”）
• tools：工具列表（负责“行动”）
• system_prompt：角色设定

4. 发起请求

agent.invoke(...)

输入格式：

{
    "messages": [
        {"role": "user", "content": "明天天气如何？"}
    ]
}

5. 输出结果

for message in res["messages"]:
    print(message.content)

Agent 可能会输出多轮信息：

• 思考过程
• 工具调用
• 最终答案

四、Agent 的执行过程（重点）

当你问：

明天天气如何？

Agent 内部其实经历了：

Step 1：理解问题

“这是一个天气问题”

Step 2：选择工具

找到 get_weather

Step 3：调用函数

执行：

get_weather()

Step 4：返回结果

“晴天”

五、为什么 Agent 很重要？

Agent 是当前 AI 的一个重要方向：从“生成内容” → “执行任务”

应用场景：

• 自动办公（查数据、写报告）
• 智能客服
• 自动化流程（Workflow）
• 编程助手