1. 构建第一个LangChain Agent

任务目标

本案例将构建一个基于函数调用的LangChain Agent。该Agent能够理解用户的自然语言问题，并在需要时调用一个自定义工具——获取当前时间——来回答问题。最终效果是：当用户询问“现在几点”时，Agent自动调用时间工具并返回准确时间；当用户询问普通问题时，Agent直接回答。

环境与依赖

需要安装以下Python包，建议使用Python 3.9+：

pip install langchain langchain-  python-dotenv

同时需要设置_环境变量（可在项目根目录创建.env文件并写入_=你的密钥）。

完整实现代码

将以下代码保存为basic_agent.py：

import os
from datetime import datetime
from dotenv import load_dotenv
from langchain_ import ChatOpenAI
from langchain.agents import create__functions_agent, AgentExecutor
from langchain_core.tools import tool
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder

# 加载环境变量
load_dotenv()

# 1. 定义自定义工具：获取当前时间
@tool
def get_current_time() -> str:
    """获取当前日期和时间，返回格式为 YYYY-MM-DD HH:MM:SS。"""
    return datetime.now().strftime("%Y-%m-%d %H:%M:%S")

# 2. 初始化语言模型（使用函数调用能力）
llm = ChatOpenAI(model="-mini", temperature=0)

# 3. 创建提示模板（Agent必须包含 agent_scratchpad）
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个有用的助手，可以回答问题并使用工具获取实时信息。"),
    ("human", "{input}"),
    MessagesPlaceholder(variable_name="agent_scratchpad"),
])

# 4. 构建Agent
tools = [get_current_time]
agent = create__functions_agent(llm, tools, prompt)

# 5. 创建执行器
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# 6. 运行测试
if __name__ == "__main__":
    # 测试1：需要调用工具的问题
    result1 = agent_executor.invoke({"input": "现在几点了？"})
    print("问题1回答:", result1["output"])

    # 测试2：普通问题，无需调用工具
    result2 = agent_executor.invoke({"input": "什么是LangChain？用一句话说明。"})
    print("问题2回答:", result2["output"])

运行方式

python basic_agent.py

验证方法与通过标准

运行脚本后，观察终端输出，满足以下条件即判定案例通过：

• 问题1：Agent先调用get_current_time工具（verbose模式下会显示工具调用过程），然后返回包含当前日期和时间的回答，时间与系统时间一致。
• 问题2：Agent直接回答LangChain的定义，不触发任何工具调用。
• 两个问题均正常返回，无报错或超时。

关键说明

本案例使用create__functions_agent，它依赖的函数调用能力，因此必须使用支持函数调用的模型（如、-mini）。agent_scratchpad是Agent记录中间推理步骤的必要占位符，不可省略。工具函数通过@tool装饰器自动转换为Agent可识别的工具格式，函数名和docstring会作为工具描述提供给模型。