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：

# 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

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。

pip install -r requirements.txt

定期维护requirements.txt文件：

langchain
langchain-openai
python-dotenv

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

import os
from dotenv import load_dotenv
from langchain.agents import create_agent
from langchain_openai import ChatOpenAI
from langchain.tools import tool

# 加载 .env 文件中的 SILICONFLOW_API_KEY
load_dotenv()

# 1. 定义工具：必须要写清晰的 Docstring（函数注释）
@tool
def 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 Agent
agent = 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)

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

import os
from dataclasses import dataclass
from dotenv import load_dotenv

from langchain_openai import ChatOpenAI
from langchain.agents import create_agent
from langchain.tools import tool, ToolRuntime
from langgraph.checkpoint.memory import InMemorySaver
from langchain.agents.structured_output import ToolStrategy

load_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）
@dataclass
class Context:
    """自定义运行时上下文。"""
    user_id: str

# 3. 定义工具
@tool
def 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！"

@tool
def 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）
@dataclass
class 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 Agent
agent = 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 ID
config = {"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}")

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）。