LangChain.js 智能代理实战指南：快速搭建能调用工具的 AI 应用
【免费下载链接】langchainjsThe agent engineering platform项目地址: https://gitcode.com/GitHub_Trending/la/langchainjs
当你想让 AI 不只是聊天，还要查数据、调接口、记住多轮上下文时，LangChain.js 的智能代理（Agent）能力能帮你用极少的配置把这些环节串成一条能跑的流程。今天我们不讲概念，直接以实践者的角度，一起看看它到底怎么把模型变成会干活的智能代理。
一句话：它替你解决了什么
它替你省掉"模型和外部世界之间的所有胶水代码"——你声明好模型和工具，它负责让模型自己决定何时调用什么工具、按什么参数调用，再把结果喂回给模型继续推理。你只需要关注业务规则，不用手写轮询、解析和重试。
三步把 LangChain.js 装进项目
上手路径很短，核心改动就两处：
- 装包：在 Node.js（20.x 及以上）项目里执行
npm install -S langchain，再按你用的模型装一个 provider 包，比如 OpenAI 对应@langchain/openai，仓库里 libs/providers/ 目录下可以看到全部支持的 provider 包，Anthropic、Google、Ollama、Groq 等都在其中。 - 配模型：在代码里用一个 Chat 模型实例指定 provider 和模型名，这一步就是"配置驱动"的全部——换一个模型，通常只是换一行实例化。
- 建代理：用主包导出的
createAgent，把模型和工具列表交给它，就能invoke发消息。没有链式调用样板，没有初始化仪式。
它能替你完成的四件事
让模型用上实时数据：连接外部数据源
大模型训练截止后的世界，它一无所知。LangChain.js 把向量库、检索器、HTTP 接口、数据库等接成统一的数据源接口，模型在推理过程中可以主动去查。下面这张图就是一个典型的场景：搜索结果页这类实时信息，正是模型自己"够不着"、必须由框架帮它取回来的东西。
让模型记得上文：会话内存与状态管理
多轮对话里"它"指谁、"上次"是哪次，靠的是状态。createAgent支持挂一个 store（如InMemoryStore），工具读写它，模型就能跨会话引用之前存下的信息——记忆不再是一段段字符串拼接，而是结构化的键值存取。
让模型输出可控：工具调用与结构化结果
用 zod schema 给每个工具声明参数结构，模型给出的调用参数会先过校验再执行，脏参数进不了你的业务函数。最终答复也可以声明responseFormat，让代理直接返回符合 schema 的结构化对象，而不是让你再去正则解析一段自然语言。
换模型不用改业务代码：多模型互操作
所有 provider 的 Chat 模型都实现同一套接口，你在业务层写的工具、提示、流程与具体模型解耦。今天用 GPT-4o 验证逻辑，明天换 Claude 或 Gemini 压成本，业务代码基本不动——这在模型迭代飞快的阶段是很实在的保险。
完整走读：一个带记忆的工具代理
以仓库里的 examples/src/createAgent/tools.ts 为例，把它拆开看就是"输入 → 处理 → 输出"三步：
- 输入：第一次调用
agent.invoke，消息是一句自然语言："Save the following user: userid: abc123, name: Foo, age: 25, email: foo@langchain.dev"。 - 处理：代理把这句话解析为对
saveUserInfo工具的调用，参数经 zod 校验后写入挂着的InMemoryStore，工具返回 "Successfully saved user info."。 - 输出：另起一次
invoke（模拟新会话），问 "Get user info for user with id 'abc123'"，模型这次选择调用getUserInfo，从 store 里读回数据，最终消息输出姓名、年龄、邮箱的结构化摘要。
整个过程你没写任何"如果用户说保存就写库"的分支——路由决策是模型做的，你只提供工具和存储。这就是智能代理和普通"模型 + if 判断"脚本的分界线。
进阶与避坑：两个容易踩的地方
- 分清 langchain 和 langchain-classic：仓库里同时存在 libs/langchain/ 和 libs/langchain-classic/。新版
createAgent、中间件（middleware）等代理 API 在主包里；chains、memory、classic prompts 那套传统写法在 langchain-classic 里，示例集中在 examples/src/langchain-classic/。网上大量旧教程的代码是 classic 版本，和新代理 API 的导入路径不通用，照抄会拿到不存在的导出。新代码建议直接走主包。 - 注意 zod 版本对齐：工具 schema 全部基于 zod，仓库专门有 environment_tests/test-zod-compat/ 目录，分别验证 zod v3、v4 以及版本不匹配的场景。如果你的项目里已有别的库锁定了 zod 版本，安装前先确认版本是否落在 provider 包的兼容范围内，否则类型校验会在运行时悄悄失效。
生态与延伸阅读
想动手跑代码，仓库自带一套可直接执行的示例：examples/src/createAgent/ 下有工具调用、中间件（限流、摘要、人工介入）、多智能体（handoffs、supervisor）等几十个小而完整的案例，每个文件独立成篇，比长文档更适合边读边改。另外两处值得翻一翻：internal/standard-tests/ 展示了官方如何给 LLM 集成写标准化测试，对你评估"某个模型接入是否靠谱"很有参考价值；internal/model-profiles/ 则是一套模型特性档案工具，帮你判断某个模型到底支不支持工具调用、流式等能力。如果想拿到完整源码在本地跑，可以克隆仓库：
git clone https://gitcode.com/GitHub_Trending/la/langchainjs落地建议：从哪一步开始
- 如果你是初学者：先别碰 RAG 和多智能体，从 examples/src/createAgent/tools.ts 这个最简工具代理跑通起，把"一个工具、一次存储、两次 invoke"完整复现一遍，代理的循环机制你就理解了。
- 如果你已有项目要接入：优先评估你现有系统里哪些"固定流程"其实是"决策流程"——比如需要根据用户措辞分派到不同接口的那段 switch-case，那是第一个适合换成带工具代理的点，改动面小、收益立竿见影。
【免费下载链接】langchainjsThe agent engineering platform项目地址: https://gitcode.com/GitHub_Trending/la/langchainjs
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
