慕课-AI Agent 企业应用全能实战|第10章 LangChain 入门实战

如果你已经能调用大模型接口写个问答机器人，但一遇到「让模型自己决定下一步做什么」就卡住，这一章补的就是这段缺口。LangChain 在 Agent 开发里的位置，类似于 Web 开发里的框架：它不替你写业务，但把提示词组织、工具调用、多轮状态、结果解析这些重复活儿收敛成一套可复用的抽象。第 10 章围绕入门实战展开，重点不在概念科普，而在把抽象真正跑起来。

先确认你缺的是哪一块

学这一章之前，先自查三件事。第一，你是否清楚 LLM 调用里 messages、temperature、token 上限这些参数的含义，能不能独立处理一次带上下文的对话。第二，你是否写过至少一个「模型输出被程序继续使用」的流程，比如让模型返回结构化结果再落库。第三，你是否理解工具调用（function calling / tool use）的基本机制——模型不执行代码，它只输出「我要调哪个工具、参数是什么」，真正执行的是你的程序。

这三条里缺任何一条，直接上手 LangChain 都容易变成「照抄代码能跑，改一行就崩」。本章的定位是入门实战，它会带你走通链路，但不会替你补 Python 异步、HTTP 请求这些底层前提。

这一章真正要解决的问题

LangChain 的抽象层不少，初学者最容易迷失在 Chain、Agent、Tool、Memory、Retriever 这些名词里。带着下面几个具体问题去看，效率会高很多：

• 一段提示词模板怎么参数化，才能在不同输入下复用而不是复制粘贴？
• 模型怎么知道有哪些工具可用，工具的入参描述写不好会出什么问题？
• Agent 的「思考—调用—观察」循环由谁驱动，循环什么时候终止，死循环怎么防？
• 多轮对话里历史消息怎么裁剪，超出上下文窗口时保留什么、丢掉什么？
• 链路中间某一步返回格式不对，错误应该在哪一层捕获和重试？

这些问题在纯手写代码时也绕不开，LangChain 只是把它们显式化了。把框架当「黑盒能跑就行」，后面接企业数据源时一定会返工。

和企业场景的衔接点

资料包线索里提到的财会智能记账助手、RAG 与工作流、智能体平台实战，说明 Agent 在企业里的落点通常是「把非结构化输入转成结构化动作」。记账助手要做的不是聊天，而是从一句话里抽出金额、科目、日期，再调用记账工具；RAG 要解决的是回答必须基于企业文档而不是模型记忆；工作流则要求步骤可控、可审计。

LangChain 的价值就在这类场景里体现：工具调用的结构化输出、检索结果拼进提示词、多步链路的分段调试。学这一章时，建议一边跑示例，一边想自己手头的业务里，哪个环节最像「模型要自己做决定」。把这个环节替换成课程里的例子，比单纯跟着敲一遍收获大得多。

配套练习建议

光看不动手，抽象层永远记不住。可以按这个顺序练：先写一个只有单工具的 Agent，比如查天气或算数，确认循环能正常起停；再加第二个工具，观察模型如何在两者间选择，尤其是当问题模糊时它的判断依据；接着故意把工具描述写错，看模型怎么误用，这个反例比正例更有价值；最后给链路加上对话记忆，测试多轮之后上下文是否仍然正确。

每一步都打印出中间输出——提示词最终长什么样、模型返回了什么、程序解析出了什么。LangChain 出问题时，答案几乎总在这三处之一。

看完应该能回答

• 为什么 Agent 不能只靠一次模型调用完成，中间多了哪几个环节？
• 工具的参数说明写得不清楚时，模型会表现出什么症状？
• 什么情况下该用固定链路，什么情况下才值得上 Agent？
• 对话记忆超出上下文限制时，你的取舍策略是什么？
• 把这一章的例子换成你自己的业务数据，第一步该改哪里？

能答上这几题，说明你拿到的是可迁移的能力，而不是一段只会跑的示例代码。答不上来，就回到对应的小节重跑一遍，别急着往下翻。