更新于

LangChain 中文实战：用中转接入构建 Agent

LangChainAgentPython框架教程

LangChain 是 LLM 应用最流行的开发框架。优势是抽象成熟、生态完整；劣势是 API 改动频繁、文档复杂。本文聚焦”用国内中转通过 LangChain 构建 Agent”的最小可用路径。

一、安装

pip install -U langchain langchain-openai langchain-anthropic langchain-community

二、最简调用

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    model="claude-sonnet-4-6",
    api_key="sk-yo-...",
    base_url="https://yotradeapi.com/v1",
    temperature=0.2,
)

resp = llm.invoke([
    {"role": "system", "content": "你是中文程序员助手。"},
    {"role": "user", "content": "解释 LRU 缓存。"},
])
print(resp.content)

LangChain 的 ChatOpenAI 兼容 OpenAI 协议，只需要改 base_url 就能用 Claude 系列。

三、走 Anthropic 原生

如果你要用 Claude 独家特性（extended thinking、cache_control）：

from langchain_anthropic import ChatAnthropic

llm = ChatAnthropic(
    model="claude-sonnet-4-6",
    api_key="sk-yo-...",
    base_url="https://yotradeapi.com",   # 注意不带 /v1
    max_tokens=2000,
)

四、LCEL：链式调用

LangChain Expression Language 是当前主流写法：

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

llm = ChatOpenAI(model="claude-sonnet-4-6", base_url="https://yotradeapi.com/v1", api_key="sk-yo-...")

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是 {role}。"),
    ("user", "{question}"),
])

chain = prompt | llm | StrOutputParser()

print(chain.invoke({"role": "数学老师", "question": "解释贝叶斯定理"}))

| 运算符把组件串起来。StrOutputParser 把 message 转 string。

五、流式输出

for chunk in chain.stream({"role": "...", "question": "..."}):
    print(chunk, end="", flush=True)

LangChain 内部处理 SSE 解析，你只看到 string chunk。

六、Tool Use

from langchain_core.tools import tool

@tool
def get_weather(city: str) -> str:
    """获取一个中国城市的天气"""
    return f"{city} 25 度晴"

@tool
def calculator(expr: str) -> float:
    """计算数学表达式"""
    return eval(expr)

llm_with_tools = llm.bind_tools([get_weather, calculator])

resp = llm_with_tools.invoke("北京今天什么天气？算一下 137 * 256")
for call in resp.tool_calls:
    print(call["name"], call["args"])

@tool 装饰器把函数变成 LLM 可调用的 tool。LangChain 自动生成 schema。

七、Agent（用 LangGraph 替代旧 AgentExecutor）

新版本推荐用 LangGraph 而不是老的 AgentExecutor：

pip install langgraph
from langgraph.prebuilt import create_react_agent
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="claude-sonnet-4-6", base_url="https://yotradeapi.com/v1", api_key="sk-yo-...")
tools = [get_weather, calculator]
agent = create_react_agent(llm, tools)

for msg in agent.stream(
    {"messages": [{"role": "user", "content": "北京天气怎么样？再算 137*256"}]},
    stream_mode="values",
):
    msg["messages"][-1].pretty_print()

ReAct agent 自动：

  1. 决定要调哪些工具
  2. 调用、看结果
  3. 推理下一步
  4. 直到给出最终答案

八、Memory

from langgraph.checkpoint.memory import MemorySaver

memory = MemorySaver()
agent = create_react_agent(llm, tools, checkpointer=memory)

config = {"configurable": {"thread_id": "alice"}}

agent.invoke({"messages": [{"role": "user", "content": "我叫张三"}]}, config=config)
agent.invoke({"messages": [{"role": "user", "content": "我叫什么？"}]}, config=config)
# → 我记得你叫张三

按 thread_id 隔离会话。生产用 PostgresSaver 持久化。

九、Prompt Caching（Anthropic 原生）

from langchain_anthropic import ChatAnthropic

llm = ChatAnthropic(
    model="claude-sonnet-4-6",
    base_url="https://yotradeapi.com",
    api_key="sk-yo-...",
    extra_headers={"anthropic-beta": "prompt-caching-2024-07-31"},
)

response = llm.invoke([
    {
        "role": "system",
        "content": [{
            "type": "text",
            "text": "长 system prompt...",
            "cache_control": {"type": "ephemeral"},
        }],
    },
    {"role": "user", "content": "..."},
])

print(response.response_metadata["usage"])
# 看 cache_read_input_tokens / cache_creation_input_tokens

十、Embedding 与 RAG

from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import Chroma

embedding = OpenAIEmbeddings(
    model="text-embedding-3-large",
    base_url="https://yotradeapi.com/v1",
    api_key="sk-yo-...",
)

vectorstore = Chroma.from_texts(
    texts=["文档 1...", "文档 2..."],
    embedding=embedding,
    persist_directory="./chroma_db",
)

retriever = vectorstore.as_retriever(search_kwargs={"k": 5})
docs = retriever.invoke("关键词查询")

十一、避坑

  1. 版本兼容：LangChain 0.1 → 0.3 接口变了，跟着官方 migration guide
  2. base_url vs openai_api_base：新版 base_url，老版 openai_api_base。统一用 base_url
  3. api_key：默认读环境变量 OPENAI_API_KEY，要么设它，要么手动传
  4. stream 在 chain 里：chain.stream(...)，不是 chain.invoke(...) 加参数
  5. Tool 描述质量决定调用准确度：写好 docstring

十二、LangChain vs LangGraph vs 裸 SDK

维度裸 SDKLangChainLangGraph
学习曲线低中高
控制粒度极强中强
状态管理自己MemoryCheckpointer
多步 Agent自己拼AgentExecutor（deprecated）原生
生态大极大在长

推荐：

  • 简单脚本：裸 SDK
  • 常规 LLM 应用：LangChain（不上 Agent）
  • 复杂 Agent：LangGraph
  • 生产高定制：自己写 + 适当借鉴

十三、何时不用 LangChain

  • 简单的 chat / batch 任务（OpenAI SDK 够）
  • 严格要求依赖小（LangChain 依赖几十个包）
  • 性能敏感（LangChain 抽象层有开销）
  • 团队不熟悉 LangChain 生态

十四、相关阅读

LangChain base_url 指向 YoTradeApi 即可在国内稳定调用 Claude / GPT / Gemini 全家。

相关阅读