拓冰网站定制 
如何 10 行代码用 LangChain 接入大模型并搭出第一个 Agent【免费下载链接】langchainThe agent engineering platform.项目地址: https://gitcode.com/GitHub_Trending/la/langchainLangChain 是一个智能体Agent指能自主调用工具、按多步完成任务的 AI 程序工程平台提供统一的模型接入、工具调用和结构化输出接口帮你把大语言模型LLM组装成可运行的应用而不必自己处理各家模型的差异。一、它适合解决什么问题接入多个模型不想重复踩坑OpenAI、Anthropic、Google、Ollama 等各家模型的调用方式各不相同。LangChain 的init_chat_model用一个带前缀的字符串如openai:gpt-5.5就能建好模型客户端换供应商只改一行配置。让模型调用外部工具你写了查天气、查数据库的函数想让模型决定何时调用。LangChain 的create_agent能把你的普通函数包装成工具交给模型得到模型 工具循环执行、直到给出最终答案的智能体。处理长文档再喂给模型模型有上下文长度限制几十页的文档需要切块。仓库里的 文本分割模块 提供按代码结构、Markdown 等规则切分的分割器切出来的块能保留完整语义。二、核心能力速览统一模型接口init_chat_model一处调用接通各家的聊天模型适合快速验证不同模型的效果差异。智能体工厂create_agent传入模型和工具列表得到带推理循环的智能体适合让模型自己决定调哪个工具的场景。消息与工具抽象messages、tools模块定义了对话消息和工具的通用格式适合在多步对话中维护上下文。结构化输出让模型按你定义的 JSON Schema 返回数据而不是自由文本适合把回答直接落库或传给下游程序。基础抽象层langchain-core向量存储、嵌入、输出解析器等组件的公共接口任何厂商实现同一接口就能接入适合二次开发。三、快速上手最小路径是装包 → 建模型 → 发一条消息。准备一个 Python 3 环境项目用 uv 管理依赖并配置好模型供应商的 API Key 环境变量。安装并按下方代码调用模型。uv add langchainfrom langchain.chat_models import init_chat_model model init_chat_model(openai:gpt-5.5) result model.invoke(用一句话介绍 LangChain) print(result.content)运行后你会看到模型返回的文本内容打印在终端里——result是一个消息对象.content就是模型的回答。把openai:gpt-5.5换成别的供应商前缀如 Anthropic 或 Ollama 本地模型代码其余部分不用动。四、常见坑与进阶建议坑模型名忘了带供应商前缀。init_chat_model需要openai:gpt-5.5这种带前缀的写法直接传裸模型名会报错。方向始终写成供应商:模型名。坑装错包拿到的是旧版 classic 包。这个 monorepo 里同时有libs/langchain/legacy 的 langchain-classic不再加新功能和libs/langchain_v1/当前维护的 langchain 包。方向新代码一律用 PyPI 上的langchain包参考libs/langchain_v1/的接口。坑在仓库里直接pip install跑测试。monorepo 用 uv 管理各包的依赖组。方向在包目录执行uv sync后再uv run pytest。进阶给模型挂上 2~3 个工具后试create_agent观察它多轮调用工具的过程需要精细控制流程固定步骤、人工确认时再考虑 README 中提到的 LangGraph 编排框架。五、项目内相关资源项目说明与 QuickstartREADME.md核心抽象层消息、嵌入、输出解析器libs/core/langchain_core/文本分割器源码libs/text-splitters/langchain_text_splitters/各模型供应商集成OpenAI、Anthropic、Ollama 等libs/partners/仓库开发规范贡献者向AGENTS.md建议从换三家供应商的同一任务这个小实验开始只改init_chat_model一行对比模型回答差异再挂一个查日历之类的简单工具试试create_agent就能体会到这套统一接口的实际价值。【免费下载链接】langchainThe agent engineering platform.项目地址: https://gitcode.com/GitHub_Trending/la/langchain创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 如何 10 行代码用 LangChain 接入大模型并搭出第一个 Agent
如何 10 行代码用 LangChain 接入大模型并搭出第一个 Agent【免费下载链接】langchainThe agent engineering platform.项目地址: https://gitcode.com/GitHub_Trending/la/langchainLangChain 是一个智能体Agent指能自主调用工具、按多步完成任务的 AI 程序工程平台提供统一的模型接入、工具调用和结构化输出接口帮你把大语言模型LLM组装成可运行的应用而不必自己处理各家模型的差异。一、它适合解决什么问题接入多个模型不想重复踩坑OpenAI、Anthropic、Google、Ollama 等各家模型的调用方式各不相同。LangChain 的init_chat_model用一个带前缀的字符串如openai:gpt-5.5就能建好模型客户端换供应商只改一行配置。让模型调用外部工具你写了查天气、查数据库的函数想让模型决定何时调用。LangChain 的create_agent能把你的普通函数包装成工具交给模型得到模型 工具循环执行、直到给出最终答案的智能体。处理长文档再喂给模型模型有上下文长度限制几十页的文档需要切块。仓库里的 文本分割模块 提供按代码结构、Markdown 等规则切分的分割器切出来的块能保留完整语义。二、核心能力速览统一模型接口init_chat_model一处调用接通各家的聊天模型适合快速验证不同模型的效果差异。智能体工厂create_agent传入模型和工具列表得到带推理循环的智能体适合让模型自己决定调哪个工具的场景。消息与工具抽象messages、tools模块定义了对话消息和工具的通用格式适合在多步对话中维护上下文。结构化输出让模型按你定义的 JSON Schema 返回数据而不是自由文本适合把回答直接落库或传给下游程序。基础抽象层langchain-core向量存储、嵌入、输出解析器等组件的公共接口任何厂商实现同一接口就能接入适合二次开发。三、快速上手最小路径是装包 → 建模型 → 发一条消息。准备一个 Python 3 环境项目用 uv 管理依赖并配置好模型供应商的 API Key 环境变量。安装并按下方代码调用模型。uv add langchainfrom langchain.chat_models import init_chat_model model init_chat_model(openai:gpt-5.5) result model.invoke(用一句话介绍 LangChain) print(result.content)运行后你会看到模型返回的文本内容打印在终端里——result是一个消息对象.content就是模型的回答。把openai:gpt-5.5换成别的供应商前缀如 Anthropic 或 Ollama 本地模型代码其余部分不用动。四、常见坑与进阶建议坑模型名忘了带供应商前缀。init_chat_model需要openai:gpt-5.5这种带前缀的写法直接传裸模型名会报错。方向始终写成供应商:模型名。坑装错包拿到的是旧版 classic 包。这个 monorepo 里同时有libs/langchain/legacy 的 langchain-classic不再加新功能和libs/langchain_v1/当前维护的 langchain 包。方向新代码一律用 PyPI 上的langchain包参考libs/langchain_v1/的接口。坑在仓库里直接pip install跑测试。monorepo 用 uv 管理各包的依赖组。方向在包目录执行uv sync后再uv run pytest。进阶给模型挂上 2~3 个工具后试create_agent观察它多轮调用工具的过程需要精细控制流程固定步骤、人工确认时再考虑 README 中提到的 LangGraph 编排框架。五、项目内相关资源项目说明与 QuickstartREADME.md核心抽象层消息、嵌入、输出解析器libs/core/langchain_core/文本分割器源码libs/text-splitters/langchain_text_splitters/各模型供应商集成OpenAI、Anthropic、Ollama 等libs/partners/仓库开发规范贡献者向AGENTS.md建议从换三家供应商的同一任务这个小实验开始只改init_chat_model一行对比模型回答差异再挂一个查日历之类的简单工具试试create_agent就能体会到这套统一接口的实际价值。【免费下载链接】langchainThe agent engineering platform.项目地址: https://gitcode.com/GitHub_Trending/la/langchain创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考