create_agent：一个最小化、高度可配置的运行框架。这个框架是模型循环周围的一切：提示词、工具以及任何塑造行为的中间件。从基础组件开始，精确组合你的用例所需。支持 OpenAI、Anthropic、Google 等。
LangChain vs. LangGraph vs. Deep Agents从 Deep Agents 开始，获得一个“功能齐全”的智能体，具备自动上下文压缩、虚拟文件系统和子智能体生成等功能。Deep Agents 构建在 LangChain 智能体 之上，你也可以直接使用后者。使用 LangChain (
create_agent) 获得一个高度可定制的运行框架，易于根据你的用例和数据进行调整。使用 LangGraph，我们的低层级编排框架，来满足结合确定性工作流和智能体工作流的高级需求。使用 LangSmith 来追踪、调试和评估使用这些框架构建的智能体。按照 追踪快速入门指南 进行设置。我们建议你同时设置 LangSmith Engine，它可以监控你的追踪记录，检测问题并提出修复建议。创建一个智能体
此示例演示如何使用自定义工具创建一个简单的 LangChain 智能体：# pip install -qU langchain "langchain[openai]"
from langchain.agents import create_agent
def get_weather(city: str) -> str:
"""获取给定城市的天气。"""
return f"{city} 的天气永远是晴天！"
agent = create_agent(
model="openai:gpt-5.5",
tools=[get_weather],
system_prompt="你是一个有帮助的助手",
)
result = agent.invoke(
{"messages": [{"role": "user", "content": "旧金山的天气怎么样？"}]}
)
print(result["messages"][-1].content_blocks)
# pip install -qU langchain "langchain[google-genai]"
from langchain.agents import create_agent
def get_weather(city: str) -> str:
"""获取给定城市的天气。"""
return f"{city} 的天气永远是晴天！"
agent = create_agent(
model="google_genai:gemini-2.5-flash-lite",
tools=[get_weather],
system_prompt="你是一个有帮助的助手",
)
result = agent.invoke(
{"messages": [{"role": "user", "content": "旧金山的天气怎么样？"}]}
)
print(result["messages"][-1].content_blocks)
# pip install -qU langchain "langchain[anthropic]"
from langchain.agents import create_agent
def get_weather(city: str) -> str:
"""获取给定城市的天气。"""
return f"{city} 的天气永远是晴天！"
agent = create_agent(
model="claude-sonnet-4-6",
tools=[get_weather],
system_prompt="你是一个有帮助的助手",
)
result = agent.invoke(
{"messages": [{"role": "user", "content": "旧金山的天气怎么样？"}]}
)
print(result["messages"][-1].content_blocks)
# pip install -qU langchain langchain-openrouter
from langchain.agents import create_agent
def get_weather(city: str) -> str:
"""获取给定城市的天气。"""
return f"{city} 的天气永远是晴天！"
agent = create_agent(
model="openrouter:anthropic/claude-sonnet-4-6",
tools=[get_weather],
system_prompt="你是一个有帮助的助手",
)
result = agent.invoke(
{"messages": [{"role": "user", "content": "旧金山的天气怎么样？"}]}
)
print(result["messages"][-1].content_blocks)
# pip install -qU langchain langchain-fireworks
from langchain.agents import create_agent
def get_weather(city: str) -> str:
"""获取给定城市的天气。"""
return f"{city} 的天气永远是晴天！"
agent = create_agent(
model="fireworks:accounts/fireworks/models/qwen3p5-397b-a17b",
tools=[get_weather],
system_prompt="你是一个有帮助的助手",
)
result = agent.invoke(
{"messages": [{"role": "user", "content": "旧金山的天气怎么样？"}]}
)
print(result["messages"][-1].content_blocks)
# pip install -qU langchain langchain-baseten
from langchain.agents import create_agent
def get_weather(city: str) -> str:
"""获取给定城市的天气。"""
return f"{city} 的天气永远是晴天！"
agent = create_agent(
model="baseten:zai-org/GLM-5.2",
tools=[get_weather],
system_prompt="你是一个有帮助的助手",
)
result = agent.invoke(
{"messages": [{"role": "user", "content": "旧金山的天气怎么样？"}]}
)
print(result["messages"][-1].content_blocks)
# pip install -qU langchain langchain-ollama
from langchain.agents import create_agent
def get_weather(city: str) -> str:
"""获取给定城市的天气。"""
return f"{city} 的天气永远是晴天！"
agent = create_agent(
model="ollama:devstral-2",
tools=[get_weather],
system_prompt="你是一个有帮助的助手",
)
result = agent.invoke(
{"messages": [{"role": "user", "content": "旧金山的天气怎么样？"}]}
)
print(result["messages"][-1].content_blocks)
# pip install -qU langchain "langchain[openai]"
import os
from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
def get_weather(city: str) -> str:
"""获取给定城市的天气。"""
return f"{city} 的天气永远是晴天！"
model = init_chat_model(
"azure_openai:gpt-5.5",
azure_deployment=os.environ["AZURE_OPENAI_DEPLOYMENT_NAME"],
)
agent = create_agent(
model=model,
tools=[get_weather],
system_prompt="你是一个有帮助的助手",
)
result = agent.invoke(
{"messages": [{"role": "user", "content": "旧金山的天气怎么样？"}]}
)
print(result["messages"][-1].content_blocks)
# pip install -qU langchain langchain-aws
from langchain.agents import create_agent
def get_weather(city: str) -> str:
"""获取给定城市的天气。"""
return f"{city} 的天气永远是晴天！"
# 美国跨区域推理配置；使用 global.anthropic.claude-sonnet-4-6 进行全球路由。
agent = create_agent(
model="bedrock_converse:us.anthropic.claude-sonnet-4-6",
tools=[get_weather],
system_prompt="你是一个有帮助的助手",
)
result = agent.invoke(
{"messages": [{"role": "user", "content": "旧金山的天气怎么样？"}]}
)
print(result["messages"][-1].content_blocks)
# pip install -qU langchain "langchain[huggingface]"
from langchain.agents import create_agent
def get_weather(city: str) -> str:
"""获取给定城市的天气。"""
return f"{city} 的天气永远是晴天！"
agent = create_agent(
model="huggingface:microsoft/Phi-3-mini-4k-instruct",
tools=[get_weather],
system_prompt="你是一个有帮助的助手",
)
result = agent.invoke(
{"messages": [{"role": "user", "content": "旧金山的天气怎么样？"}]}
)
print(result["messages"][-1].content_blocks)
使用 LangSmith 来追踪请求、调试智能体行为并评估输出。设置
LANGSMITH_TRACING=true 并提供你的 API 密钥即可开始。核心优势
标准化模型接口
为跨提供商的聊天模型、嵌入模型等使用统一接口。以最小的代码更改切换模型，并在需求演进时保持你的应用可移植性。
高度可配置的运行框架
从
create_agent 这个最小化运行框架开始，通过中间件逐步添加功能。只组合你的用例所需的部分，从护栏、重试到路由和自定义工具策略。
构建于 LangGraph 之上
LangChain 的智能体构建在 LangGraph 之上。这使得我们能够利用 LangGraph 的持久化执行、人机交互支持、状态持久化等特性。
使用 LangSmith 调试
在一处检查追踪记录、工具调用、状态转换和延迟。利用执行数据找到失败模式、评估质量并改进智能体行为。
Connect these docs to Claude, VSCode, and more via MCP for real-time answers.