给一台猜词机器装上手脚 —— LangChain 快速入门

给一台猜词机器装上手脚 — LangChain 快速入门

目录

先看一个实验

这台机器到底会什么

LangChain 卖的是什么

十行代码，跑通第一圈

给它一个笔记本

null 和 258

demo 与真系统之间隔着什么

今天就能做的事

Quickstart · LangChain 1.x · Python

给一台猜词机器装上手脚

LangChain 快速入门。全文只回答一个问题：语言模型和能干活的系统之间，差的那些零件叫什么名字，怎么装。

2026-09-07 · 代码对照官方 1.x 文档核实[1] · 全文约 12 分钟 · 动手部分约 10 分钟

§先看一个实验

《了不起的盖茨比》全书按行算，大约五万行。把一道题扔给一个语言模型：「这里面有多少行包含 Gatsby 这个词？」不许它编，不知道就报 null。

没装任何工具的那个版本，交了白卷：输出 null。它想查，够不着，只好承认。换一个装了 grep 工具的版本再跑，答案变成 258，还附了一条：第一次出现在第 181 行。这是官方教程里真实跑过的实验，两个输出都来自官方文档的示例记录[1]。

一个 null，一个 258。

这篇教程要讲的就是这两个数之间的差距。它比大多数人以为的要小——差距不在模型的脑子上。装的东西都很便宜，十分钟就能装完。装完之后你自己跑一遍那道题。

01这台机器到底会什么

动零件之前，得先搞清楚这台机器的本事边界在哪。拿你最熟的东西做参照：手机输入法。你打字的时候，它猜下一个词。语言模型就是那个猜词游戏的专业版——它读过的文本比任何人一辈子读的都多，全部本事是回答一个问题：「照这么说下去，下一个词接什么最像？」

现在把这位模型请进一间办公室，当作一位新来的同事。这位同事聪明绝顶，读过图书馆里所有的书。但他有三个毛病，正好对应办公室里最要命的三样东西。

他够不着。他坐在一个玻璃隔间里，文件柜、你的电脑、电话，什么都在玻璃外面。你说「帮我看看报表第三页」，他做不到。他只能猜报表上写了什么。

他记不住。这位同事每天下班就失忆。今天聊得再透，明天他一个字都不记得。语言模型对「上一次对话」的默认记忆就是零。

他只能猜。你问报表第三页写了什么，他不会起身去拿报表。他按读过的所有报表，给你一个「最像的说法」。听起来像查。全程在猜。

还有一条藏在账单里：他每开口一次，你付一次钱，按字数算。让他多转几圈，就多付几次。

第一章的答案是：一个看不见、记不住、只能猜、还按字收费的猜词机器。听起来很糟？先别下结论。它的聪明是真的，缺的从来都不是智商，是几样便宜的基建。

02LangChain 卖的是什么

一句话：给上面那位同事，配一间像样的办公室。

能打的电话和够得着的抽屉，官方叫它工具（tools）；下班不丢的笔记本，官方叫它记忆（memory）；把这一切串起来的工作流程，官方叫它 agent。

agent 这个词被讲得很玄。拆开看，笨得可爱，就一个循环：

agent 循环全程：模型开口点菜，你的 Python 上菜，结果贴回对话，模型看着结果决定下一步。圆圈转够之前，谁也不知道答案长什么样。

模型不干活，模型点菜。

看图。模型说「我要调用 get_weather，参数是上海」——真去执行的是你的 Python。执行完把结果贴回对话，模型看着结果决定：继续点菜，还是交出最终答案。一圈一圈转，直到它不再点菜。所谓「智能」，全在模型那边；循环本身是一截水管，笨得可爱，胜在通。

简化契约
LangChain 里还有提示词模板、输出解析、RAG 检索器、LangGraph 工作流、部署监控一整个家族。这篇只拆一条主线：工具、循环、记忆。别的部件不会消失，而且都挂在这同一根水管上。先看清水流，再认阀门。

03十行代码，跑通第一圈

最小可用的 agent 长什么样？先装包、配 key：

Terminal

pip install -U langchain
export OPENAI_API_KEY="sk-..." # 用哪家模型，就配哪家的 key

然后是全部主角。数一数，去掉空行和注释，核心就十来行：

agent.py

from langchain.agents import create_agent

def get_weather(city: str) -> str:
"""Get current weather for a city."""
return f"It's always sunny in {city}!"

agent = create_agent(
model="openai:gpt-5.5", # 换供应商 = 换前缀，如 openrouter:… / ollama:…
tools=[get_weather],
system_prompt="You are a helpful assistant.",
)

result = agent.invoke({
"messages": [{"role": "user", "content": "上海今天天气怎么样？"}]
})
blocks = result["messages"][-1].content_blocks # 最后一条消息的内容块
print(blocks[-1]["text"])

输出

上海今天晴。 （模型的措辞会不一样，意思是这个意思）

逐行拆。get_weather 是个再普通不过的 Python 函数，加了一行文档字符串。create_agent 把模型和工具装进上一章画的那个循环。invoke 发出第一句话，result 里躺着一整段对话记录；最后一条消息的内容块（官方叫 content_blocks）里，text 字段就是答案。

真正要紧的是那行 docstring。模型从头到尾没有打开你的函数看里面写了什么——它只读抽屉上的标签。标签写着「Get current weather for a city」，它就信这是查天气的。在这个系统里，模型的全部世界就是一堆标签，加一个电话。

顺便欣赏一个细节：get_weather 在撒谎。它不管三七二十一，永远返回晴天。模型拿着「上海晴」照样端给你，一点不起疑。它不是傻子，它只是被设计成信任标签的那一方。这里记住一条：你的工具质量，基本就是这套系统的智商上限。

这一节回答了开头的问题：一个函数、一行标签、一次 create_agent。就这么回事。

04给它一个笔记本

失忆症怎么治？上笔记本。官方管这叫 checkpointer：

memory.py

from langgraph.checkpoint.memory import InMemorySaver
from langchain.agents import create_agent

checkpointer = InMemorySaver()

agent = create_agent(
model="openai:gpt-5.5",
tools=[get_weather],
checkpointer=checkpointer, # 挂上笔记本
)

config = {"configurable": {"thread_id": "xiao-lin-001"}}

agent.invoke({"messages": [{"role": "user",
"content": "我叫小林，住在上海。"}]}, config)

agent.invoke({"messages": [{"role": "user",
"content": "我叫什么？住哪儿？"}]}, config)
# → 你叫小林，住上海。

每轮对话结束，过程记进本子；下一轮开始，先翻本子再开口。thread_id 是本子封皮上的编号——同一份代码同时伺候一千个用户，一人一个编号，互不串账。

一个坑
InMemorySaver 名字里的 In，是「在内存里」。进程一关，本子烧掉。要真记住，换成 SQLite、Postgres 的 checkpointer——官方把这套接口做成了可拔插的，换零件，不换思路。

失忆症有解了：五秒记忆变无限期，代价只是多传一个编号。

05null 和 258

现在回来算开头那笔账：猜和查，差距到底在哪？官方教程的实验是这样搭的[1]：同一个问题，两个版本的 agent。没装工具的那个，系统提示词里明令「不许编，不知道就返回 null」——它照办了，交白卷。装了工具的那个，用官方另一个小包 deepagents：

deep.py

pip install deepagents # 先在终端装

from deepagents import create_deep_agent

def fetch_page(url: str) -> str:
"""Download a web page and return its raw text."""
import urllib.request
with urllib.request.urlopen(url) as r:
return r.read().decode("utf-8")

def grep_lines(haystack: str, needle: str) -> str:
"""Return every line of `haystack` containing `needle`, with line numbers."""
return "\n".join(
f"{i}: {line}"
for i, line in enumerate(haystack.splitlines(), 1)
if needle in line
)

deep_agent = create_deep_agent(
model="openai:gpt-5.5",
tools=[fetch_page, grep_lines],
)

deepagents 出厂自带几样东西：一张任务清单（它管这叫计划）、一组文件工具（grep、读文件），还有拆任务用的子 agent[3]。这里我们只额外给两个工具：一个下载网页，一个按关键词捞行。

装上工具之后，这个 agent 干的事一点都不神奇：抓全书文本，grep 一遍「Gatsby」，数行数，报 258，顺手报了第一次出现的位置。每一步都是土办法。办法本身土得很，聪明的是挑办法的那个环节——它知道该 grep，grep 完该数数，数完该住口。

没有魔法，全是土办法。

同一道题的两份答卷，一边交白卷，一边给出可核对的行数与行号：

没装工具的 agent

null

想查，够不着。提示词不许编，只能交白卷。

装了 grep 的 deep agent

258
行包含 "Gatsby"，首次出现在第 181 行（第一章）

抓全文 → grep → 数行数。每一步都留了记录，可回放、可核对。

输出为官方文档示例值；实际结果随模型与执行而变。

回到开头的两个数。同一个模型，同一天，一次 null，一次 258。差距不在脑子上。在基建上。

我的看法是：诚实从来不是模型的性格，是基建。想要一个不瞎编的系统，光在提示词里喊「不许编」远远不够——你得给它够得着的抽屉。第一章那个「听起来很糟」的猜词机器，缺的从来就是这几样便宜东西。

06demo 与真系统之间隔着什么

十行代码跑通了，是不是就能上线了？先泼一盆我自己的冷水：我第一次接这类循环的时候，也以为跑通就是学会。后来线上炸出来一堆 demo 里根本看不见的坑。按我交过的学费，至少有这三个。

坑一 · 标签会过期
函数改了，docstring 忘了改，模型照着旧标签点菜，点出来的参数对不上新函数。把 docstring 当用户界面来写——改函数必改标签。

坑二 · 每一圈都收费
循环转五圈，模型费付五次，按字数算。demo 无感，流量上来会疼。盯着 messages 数组怎么长大，就是盯着账单怎么长大。

坑三 · 跑通不等于靠谱
demo 验证的是「这条顺路存在」，生产要回答的是「它错的时候，错在第几圈」。给每一圈留记录（官方的 LangSmith 干的就是这个[2]），出错才有得查。流程摆得再齐全，也代替不了你亲眼核对结果。

这一章的答案是：demo 与真系统之间，隔着标签维护、账单和可回放的记录。三样都不难。难的是别在跑通的那一刻就把它们忘干净。

§今天就能做的事

不用等哪个周末，按顺序做三件事：

pip install -U langchain，配好你那家的 key，跑通第三章的十行。

把 get_weather 换成一个真函数——读一个本地文件，或者查一次真天气。改标签的时候想想坑一。

把盖茨比那道题自己跑一遍：先跑不装工具的版本，再装上 grep。亲眼看一眼 null 和 258。

这篇没有讲 RAG，没有讲流式输出，没有讲部署。不着急，那些都挂在这同一根水管上。你手里已经有了最要紧的东西：知道这个循环怎么转，认识这位同事的两副面孔——猜，和查。

猜和查的差距，不是模型的性格问题。是基建问题。

基建问题有个好处：能修。事情就是这样。

事实来源

[1] LangChain 官方 Quickstart（create_agent / deepagents / Gatsby 实验）：docs.langchain.com/oss/python/langchain/quickstart

[2] LangChain v1 变更说明（create_agent 成为标准做法）：docs.langchain.com/oss/python/releases/langchain-v1

[3] deepagents（计划清单、文件工具、子 agent）：docs.langchain.com/oss/python/langchain/deep-agents

文中输出为官方文档示例值，实际结果随模型与执行而变 · 代码核实日期 2026-09-07