从零开始：用 LangChain 构建带记忆的 AI 智能体（Agent）

发表于 2026-05-14 更新于 2026-06-30 分类于大模型 Waline：阅读次数：本文字数： 3.5k 阅读时长 ≈ 3 分钟

从零开始：用 LangChain 构建带记忆的 AI 智能体（Agent）

前言

OpenAI 的函数调用（Function Calling）功能让大模型可以调用外部工具，而 LangChain 则把这一过程封装得更加优雅。今天，我将带你一步步构建一个带记忆功能的 AI Agent，让它不仅能调用工具查询天气，还能记住你和它的每一次对话。

最终效果如下：

🤖 Agent 已就绪，输入 '退出' 结束对话...

👤 你: 北京天气怎么样？
🤖 Agent: 北京当前天气晴朗，气温25°C，微风。

👤 你: 那上海呢？
🤖 Agent: 上海现在下着小雨，气温20°C，东南风。

👤 你: 我刚才问的第一个城市是哪里？
🤖 Agent: 您第一个问的是北京的天气情况。

整体架构

我们的 Agent 由三部分组成：

组件	作用	代码对应
大脑	理解用户意图，决定是否调用工具	`ChatOpenAI`
手脚	执行具体任务（如查天气）	`@tool` 装饰的函数
记忆	记住上下文和历史对话	`InMemorySaver`

环境准备

pip install langchain langchain-openai langgraph

如果你使用的是阿里云百炼平台（本代码示例使用 qwen3-max），还需要配置相应的 API Key。

完整代码解析

1. 初始化大模型

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    model="qwen3-max",                              # 使用的模型名称
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",  # API 地址
    api_key="your-api-key-here",                    # 替换为你的真实 API Key
    temperature=0                                   # 温度越低，回答越确定
)

base_url 指向阿里云百炼的兼容模式接口，支持 OpenAI 的调用格式
temperature=0 让模型输出更稳定，适合工具调用场景

2. 定义工具（Agent 的手脚）

from langchain_core.tools import tool

@tool
def get_weather(city: str) -> str:
    """获取指定城市的实时天气（这里用假数据模拟）"""
    weather_data = {
        "北京": "晴，气温 25°C，微风",
        "上海": "小雨，气温 20°C，东南风",
        "深圳": "多云，气温 28°C，微风"
    }
    return weather_data.get(city, f"抱歉，暂时查不到 {city} 的天气信息。")

关键点：

@tool 装饰器会自动读取函数的 docstring 作为工具描述
大模型就是根据这个描述来判断何时调用该工具的
参数的类型和注释也会被自动提取

3. 创建记忆模块

from langgraph.checkpoint.memory import InMemorySaver

memory = InMemorySaver()

InMemorySaver 将对话历史保存在内存中
程序重启后记忆会清空，适合开发和测试
生产环境可以替换为 RedisSaver 或 PostgresSaver

4. 组装 Agent

from langchain.agents import create_agent

agent = create_agent(
    model=llm,
    tools=[get_weather],
    debug=True,               # 开启调试，可以看到内部执行过程
    checkpointer=memory       # 传入记忆模块
)

create_agent 是 LangChain 提供的高级 API，简化了 Agent 创建流程
debug=True 会打印出模型思考、工具调用等详细信息，非常有助于调试

5. 开启对话循环

config = {"configurable": {"thread_id": "chat-001"}}

print("🤖 Agent 已就绪，输入 '退出' 结束对话...")
while True:
    user_input = input("\n👤 你: ")
    if user_input.lower() in ["退出", "exit", "quit"]:
        break
    
    messages = {"messages": [("user", user_input)]}
    response = agent.invoke(messages, config=config)
    
    print(f"🤖 Agent: {response['messages'][-1].content}")

thread_id 相当于会话 ID，同一个 ID 下的所有对话会被记忆模块串联起来
不同的 thread_id 之间的对话是隔离的

运行示例

下面是一个完整的对话流程：

🤖 Agent 已就绪，输入 '退出' 结束对话...

👤 你: 你好，我叫小明
🤖 Agent: 你好小明！有什么我可以帮你的吗？

👤 你: 北京今天天气如何？
🔧 正在调用工具: get_weather(city='北京')
🤖 Agent: 北京今天天气晴朗，气温25°C，微风。

👤 你: 那刚才那个城市有风吗？
🤖 Agent: 是的，北京今天有微风。您是问这个吧？

👤 你: 退出

进阶改进建议

1. 连接真实天气 API

import requests

@tool
def get_weather_real(city: str) -> str:
    """获取真实天气"""
    api_key = "your-weather-api-key"
    url = f"https://api.openweathermap.org/data/2.5/weather?q={city}&appid={api_key}&units=metric&lang=zh_cn"
    # 处理请求逻辑...

2. 添加更多工具

@tool
def get_current_time() -> str:
    """获取当前时间"""
    from datetime import datetime
    return datetime.now().strftime("%Y-%m-%d %H:%M:%S")

@tool
def calculate(expression: str) -> str:
    """计算数学表达式，如 '1+2*3'"""
    try:
        return str(eval(expression))
    except:
        return "计算错误，请检查表达式"

3. 持久化记忆（生产环境）

from langgraph.checkpoint.sqlite import SqliteSaver

memory = SqliteSaver.from_conn_string("checkpoints.db")

常见问题

Q: 模型不调用工具怎么办？

检查工具函数的 docstring 是否清晰
降低 temperature 参数
尝试更明确的提示词，如“请用工具查询”

Q: 如何查看 Agent 内部执行过程？

设置 debug=True
或使用 langchain.callbacks.StdOutCallbackHandler

Q: 对话历史太长会不会超 Token？

LangChain 的记忆模块会自动处理消息截断
也可以配置 max_tokens 或使用 trim_messages 手动控制

总结

通过不到 50 行代码，我们搭建了一个具备记忆能力和工具调用能力的 AI Agent。这种模式可以轻松扩展到：

联网搜索
数据库查询
发送邮件
调用企业内部 API

Agent 的魅力在于：大模型负责“思考”，工具负责“执行”。当两者结合，AI 就不只是聊天机器人，而是真正的数字助手。