LangChain create_agent()-Funktion
create_agent() ist die Kernfunktion von LangChain. Sie erstellt einen vollständigen Agenten-Graphen (StateGraph), einschließlich aller Logik wie Modellaufruf, Tool-Ausführung und Schleifensteuerung.
Syntax
Die Syntax der create_agent()-Funktion lautet wie folgt:
from langchain.agents import create_agent
agent = create_agent(
model, # str | BaseChatModel：语言模型
tools=None, # Sequence：工具列表
*,
system_prompt=None, # str | SystemMessage：系统提示
middleware=(), # Sequence[AgentMiddleware]：中间件列表
response_format=None, # ResponseFormat | type：结构化输出配置
state_schema=None, # type[AgentState]：自定义状态结构
context_schema=None, # type：运行时上下文结构
checkpointer=None, # Checkpointer：对话持久化
store=None, # BaseStore：跨会话存储
interrupt_before=None, # list[str]：在哪些节点前暂停
interrupt_after=None, # list[str]：在哪些节点后暂停
debug=False, # bool：是否输出详细日志
name=None, # str：Agent 名称
cache=None, # BaseCache：缓存配置
)
model-Parameter - Modellkonfiguration
Der Parameter model akzeptiert zwei Formen: eine Zeichenkette (verarbeitet von init_chat_model()) oder eine bereits konstruierte BaseChatModel-Instanz.
Beispiel
from langchain.chat_models import init_chat_model
# Methode 1: Eine Zeichenkette übergeben (am häufigsten)
# create_agent ruft intern init_chat_model() für die Verarbeitung auf
agent = create_agent(
model="deepseek:deepseek-v4-flash",
system_prompt="Du bist der Assistent von EXAMPLE",
)
# Methode 2: Eine bereits konstruierte Modellinstanz übergeben
# Geeignet für Szenarien, in denen du eine feingranulare Kontrolle über die Modellparameter benötigst
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0.3, max_tokens=500)
agent = create_agent(
model=model,
system_prompt="Du bist der Assistent von EXAMPLE",
)
# Methode 3: Eine Modellinstanz mit bereits gebundenen Tools übergeben
# Weniger üblich; normalerweise lässt man create_agent die Tool-Bindung selbst übernehmen
model_with_tools = init_chat_model("deepseek:deepseek-v4-flash").bind_tools([...])
Methode 1 (Übergeben eines Strings) wird empfohlen. create_agent() übernimmt intern automatisch die Modellinitialisierung, die Tool-Bindung, die strukturierte Ausgabe und andere Logik. Methode 2 eignet sich für Szenarien, in denen du dieselbe Modellinstanz außerhalb des Agenten verwenden musst.
tools-Parameter - Tool-Liste
Der tools-Parameter akzeptiert Tools in drei Formaten:
Beispiel
from langchain.agents import create_agent
# Format 1: Eine mit @tool dekorierte Funktion (am häufigsten)
@tool
def search_course(keyword: str) -> str:
"""EXAMPLE-Kurse suchen"""
return f"Suchergebnisse: {keyword} verwandte Kurse"
# Format 2: Eine Pydantic BaseModel-Klasse
from pydantic import BaseModel, Field
class WeatherQuery(BaseModel):
"""Wetter abfragen"""
city: str = Field(description="Stadtname")
# Format 3: Ein Dictionary (das Remote-Tools oder integrierte Tools beschreibt)
mcp_tool = {
"type": "mcp",
"server_label": "weather_server",
"server_url": "https://weather.example.com/sse",
"allowed_tools": ["get_forecast"],
}
# Gemischte Verwendung
agent = create_agent(
model="deepseek:deepseek-v4-flash",
tools=[search_course, WeatherQuery, mcp_tool],
)
Wenn None oder eine leere Liste übergeben wird, bedeutet das, dass der Agent keine Tools zur Verfügung hat; in diesem Fall ist er einfach ein reines Konversationsmodell:
Beispiel
from langchain.messages import HumanMessage
# Agent ohne Tools - entspricht dem direkten Aufruf des Modells
agent = create_agent(
model="deepseek:deepseek-v4-flash",
tools=None,
system_prompt="Du bist der Assistent von EXAMPLE",
)
result = agent.invoke({
"messages": [HumanMessage(content="Ist Python für absolute Anfänger geeignet?")]
})
print(result["messages"][-1].content)
system_prompt Parameter - System-Prompt
Definiert die Verhaltensrolle und die Einschränkungsregeln des Agenten. Unterstützt Zeichenketten und SystemMessage-Objekte.
Beispiel
from langchain.messages import SystemMessage
# Methode 1: String (einfach und direkt)
agent = create_agent(
model="deepseek:deepseek-v4-flash",
system_prompt="Du bist der Lernberater von EXAMPLE. Halte die Antworten prägnant, nicht mehr als 100 Zeichen.",
)
# Methode 2: SystemMessage-Objekt (kann über mehrere Agenten hinweg wiederverwendet werden)
system_msg = SystemMessage(
content="Du bist der Lernberater von EXAMPLE. Halte die Antworten prägnant, nicht mehr als 100 Zeichen."
)
agent = create_agent(
model="deepseek:deepseek-v4-flash",
system_prompt=system_msg,
)
system_prompt ist optional, aber wenn er nicht angegeben wird, antwortet das Modell in der Rolle eines "Allgemeinassistenten". Für Anwendungen mit klaren Geschäftsszenarien wird empfohlen, system_prompt immer festzulegen, um die Verhaltensgrenzen des Modells einzuschränken.
state_schema Parameter - Benutzerdefinierter Zustand
Der standardmäßige AgentState enthält nur messages, jump_to und structured_response. Wenn Sie zusätzliche Statusfelder benötigen, können Sie ihn erweitern:
Beispiel
from langchain.agents import create_agent, AgentState
from langchain.messages import HumanMessage
from langchain.tools import tool, InjectedState
from typing_extensions import TypedDict
# AgentState erweitern und benutzerdefinierte Felder hinzufügen
class LearningAgentState(AgentState):
"""Benutzerdefinierter Status, der Felder zum Lernfortschritt hinzufügt"""
user_level: str # Benutzerstufe
completed_topics: list[str] # Liste der abgeschlossenen Themen
@tool
def track_progress(
topic: str,
state: Annotated[dict, InjectedState],
) -> str:
"""Den Lernfortschritt des Benutzers aufzeichnen.
Argumente:
topic: Der Name des gerade abgeschlossenen Themas
"""
completed = state.get("completed_topics", [])
completed.append(topic)
return (
f"Lernfortschritt aufgezeichnet. Aktuell abgeschlossene {len(completed)} Themen:"
f"{', '.join(completed)}"
)
agent = create_agent(
model="deepseek:deepseek-v4-flash",
tools=[track_progress],
state_schema=LearningAgentState, # Benutzerdefinierten Zustand verwenden
system_prompt="Du bist der Lernassistent von EXAMPLE.",
)
# Der Anfangswert des benutzerdefinierten Zustands muss zur Laufzeit angegeben werden
result = agent.invoke({
"messages": [HumanMessage(content="Ich habe die Python-Grundlagen abgeschlossen. Bitte erfasse es für mich.")],
"user_level": "Anfänger",
"completed_topics": ["HTML-Grundlagen"],
})
print(f"Benutzerebene: {result.get('user_level')}")
print(f"Abgeschlossene Themen: {result.get('completed_topics')}")
print(f"Antwort: {result['messages'][-1].content[:100]}")
Ausgabe:
User level: 入门 Completed topics: ['HTML 基础', 'Python 基础'] Reply: Learning progress recorded. Completed 2 topics: HTML Basics, Python Basics
Rückgabewert - CompiledStateGraph
create_agent() gibt einCompiledStateGraphObjekt zurück, das der kompilierte Graph von LangGraph ist und mehrere Möglichkeiten zur Ausführung bietet:
| Methode | Beschreibung | Anwendungsfall |
|---|---|---|
| invoke(input, config) | Synchroner Lauf, auf das vollständige Ergebnis warten | Skripte, einfache Schnittstellen |
| ainvoke(input, config) | Asynchroner Lauf, auf das vollständige Ergebnis warten | Webdienste |
| stream(input, config, stream_mode) | Synchroner Streaming-Lauf | Zwischenschritte in Echtzeit anzeigen |
| astream(input, config, stream_mode) | Asynchroner Streaming-Lauf | WebSocket, SSE |
| get_state(config) | Aktuellen Status abrufen | Konversationsstatus anzeigen/wiederherstellen |
| update_state(config, values) | Status aktualisieren | Konversationsstatus manuell ändern |