发布时间：2026-09-24T07:30:52.076Z
不看八股文，直接动手。用LangChain搭一个能查天气再回答问题的Agent，从装依赖到跑通代码，半小时搞定。 教程看了一堆，真上手还是得写代码。这次我们做一个最小可用的Agent：它能自己决定什么时候调用天气工具，什么时候直接回答。跑通这一遍，比看十篇文章都管用。 环境准备很简单。新建虚拟环境后 pip install langchain langchain-openai langchain-community，再装一个搜索工具包。你需要一个OpenAI兼容的API key，国内用户可以换成通义或DeepSeek的接口，只要改base_url和model名就行，代码不用动。 核心概念三个：Model、Tool、Agent。Model就是大模型本身，Tool是你给它挂的外部能力，比如查天气、搜数据库、查订单。Agent是把这俩串起来的大脑——它根据用户问题决定该不该用工具以及用哪个，这个决策过程叫function calling。 写代码。第一步初始化模型：llm = ChatOpenAI(model="gpt-4o-mini", api_key="你的key", base_url="可选")。第二步定义工具。用@tool装饰器写一个查天气的函数，里面接个天气API，比如和风天气，传城市名返回当前温度和天气状况。函数的docstring很重要——Agent靠读这段描述判断什么时候调用它，写清楚查询某个城市当前天气，别写得太笼统。第三步创建Agent。用create_tool_calling_agent把llm、tools、一个提示模板组合进去，再用AgentExecutor包一层，return_intermediate_steps设成True方便调试。第四步跑起来：agent_executor.invoke({"input": "宁波今天天气怎么样？适合摆摊吗？"}) 第一次跑你会在日志里看到Agent的思考链：它先判断需要天气信息，调用天气工具拿到结果，再组织成自然语言回答。整个过程不需要你手写if-else判断。 常见坑：模型选太弱会瞎调工具或不调工具，建议至少用支持function calling的模型；工具描述写得太模糊Agent会乱用，把参数格式写进docstring；API超时要加重试。跑通这个最小例子，再去看LangChain的文档就不会觉得云山雾罩了。