大志说编程

主题

01 创建你的第一个Agent ​

近两年，AI Agent项目变得越来越炙手可热，在AI 编程领域有Qoder、Claude Code、Codex等一批非常好用的编程工具，极大的提高了程序员的工作效率。

在AI工作助手方向上，一只小龙虾在2026年引爆了全网，成为最火热的工作助手，甚至一度出现从孩子到老人排队在大厂楼下排队安装龙虾的盛况，它就是OpenClaw，而在今天主打“自我进化”与“持久记忆”的AI工作助手爱马仕Hermes又成为最受欢迎的开源项目。

本文就从介绍AI Agent开始，带大家一起系统学习全新的LangChain框架V1.x版本。

一、什么是Agent ​

LangChain官网明确的给出了Agent的定义：

Agent= Model + Harness

Model就是指AI 大模型（LLM），Harness可以理解成是Agent运行的一整套框架。

1.1 Harness是什么 ​

Harness负责管理：大模型、Prompt提示词、context上下文、工具、记忆等等任务。

从本质上来说，在一个AI Agent系统中，大语言模型是大脑，Harness是由各个功能组织起来的一整套AI工程系统。

1.2 Agent的核心任务 ​

Agent的核心任务就是完成一个循环：

1、根据用户请求去调用大模型，并且由大模型去判断是否工具

2、如需调用工具，则调用指定工具

3、再次调用大模型并携带工具调用结果，大模型会根据工具调用结果继续判断是否需要调用工具

4、反复执行循环直至任务完成，输出最终结果

整个流程如下图：

Core agent loop diagram

二、定义第一个Agent ​

2.1 安装uv ​

安装uv来来管理项目依赖。

MacOS安装命令

shell
brew install uv

Windows安装命令

shell
winget install uv

验证安装结果：

uv --version

显示uv的版本信息说明uv安装成功。

uv --version
uv 0.11.17 (Homebrew 2026-05-28 x86_64-apple-darwin)

2.2 指定python环境 ​

首页，要求确保系统中安装了Python环境，并且LangChainV1.x要求Python的版本不低于3.11。

 uv python install 3.11

查看可以的python版本，有我们安装的3.11说明成功

uv python list

2.2 安装LangChain依赖 ​

初始化项目

uv init

指定Python版本

uv venv --python 3.11

安装LangChain相关依赖

uv add langchain deepagents
uv sync

安装langchain-openai依赖

uv add langchain-openai

安装加载env配置依赖

uv add python-dotenv

2.3 PyCharm添加解释器 ​

进入setting->Project->Python Interpreter-> Add Local Interpreter

image-20260531105517451

选择刚刚用命令创建的venv环境

image-20260531105744643

三、创建第一个Agent ​

首先，在项目根目录下创建.env文件，并填写OpenAI模型API KEY配置信息。

properties
# OpenAI大模型
OPENAI_API_KEY=sk-xxxxxxxxxxxxxxxxxxxxxxx
OPENAI_API_BASE=https://xxxxx/v1

接下来，我们就可以使用LangChain提供的create_agent方法完成Agent的创建，通过系统提示词来指定，这个Agent是一个专门为程序员工作的AI助手，模型使用gpt-5.4，并为这个Agent添加一个获取最新资讯的工具。

之后，调用AI传入用户提问。

python
from dotenv import load_dotenv

load_dotenv()

from langchain.agents import create_agent


# 1.定义工具
def get_today_ai_news() -> str:
    """获取今天最新的AI资讯"""
    return (
        "1. Agent成为AI核心方向\n"
        "2. GPT-5.5强化推理与编程\n"
        "3. Claude新版本提升代码能力\n"
        "4. Gemini升级多模态能力\n"
        "5. AI正进入操作系统层"
    )


# 2.创建Agent
agent = create_agent(model="openai:gpt-5.4",
                     system_prompt="你是一个专门为程序员工作的AI助手",
                     tools=[get_today_ai_news])

# 3.调用Agent
result = agent.invoke({"messages": [{"role": "user", "content": "今天有哪些热门AI资讯？"}]})

# 4.输出结果
print(result)

执行结果如下，最终Agent通过工具调用生成了正确的结果.

json
[{'type': 'text', 'text': '今天的热门 AI 资讯有：\n\n1. Agent 成为 AI 核心方向  \n2. GPT-5.5 强化推理与编程  \n3. Claude 新版本提升代码能力  \n4. Gemini 升级多模态能力  \n5. AI 正进入操作系统层  \n\n如果你愿意，我还可以进一步帮你把这 5 条整理成：\n- 程序员视角解读\n- 每条新闻的影响分析\n- 适合发朋友圈/公众号的简讯版'}]

在上面的案例中，我们使用了三个Agent的组件，下面将一一介绍它们的作用。

(1) Model（模型）

在创建Agent时，需要指定Agent使用的模型，通过provider:model（模型提供商:模型名称）来指定。

(2) tools (工具)

tools是提供给大模型调用的插件，模型就像是人类的大脑，光有大脑还是无法行动，而工具就像是人类的手和脚，协助大模型来完成各种各样的任务，比如：操作文件读写、获取天气信息、发送Email邮件等等。

tools可以是一个Python函数，也可以是通过LangChain定义的工具，工具调用在整个Agent 开发中非常重要。

(3) System Prompt（系统提示词）

系统提示词主要用于指定Agent的人格设定、风格、行为偏好以及一些特定规则。

四、总结 ​

本文我们从零搭建了一个最基础的 LangChain Agent。

Agent 的本质可以概括为一句话：

Agent=LLM + Harness

其中 LLM 负责“思考”，Harness 负责包括工具调用、上下文管理和执行流程控制。

而 Agent 的运行机制，本质就是一个循环：思考 → 判断是否调用工具 → 执行工具 → 回传工具调用结果 → 再思考 → 直到完成任务。