AI agent 大模型实战之使用langchain 创建和调用智能体

这门课解决的核心问题：把大模型从"只会聊天"变成"能调用工具、返回结构化结果的可执行智能体"。开发者拿到langchain代码，能直接理解工具注册、Agent编排、响应格式配置这三层结构，并改造成自己的业务智能体。适合什么基础：Python基础，对大模型API调用（如百川）有一定了解即可。如果用过

单课价¥29新品上架

会员价 会员免费开通会员，全站课程按额度无限下载套餐详情

170 人关注更新于 2026-11-03 永久有效

发货

网盘链接 · 支付成功后自动发货

保障

永久有效 · 链接失效免费补发

客服

每日 9:00-21:00 在线客服联系客服

购买方式开通会员 · 全站免费下单课购买 · 仅本课

支付成功后自动显示网盘下载链接；链接失效可联系客服免费补链，永久有效。

正版保障极速发货售后无忧

这门课解决的核心问题：把大模型从"只会聊天"变成"能调用工具、返回结构化结果的可执行智能体"。开发者拿到langchain代码，能直接理解工具注册、Agent编排、响应格式配置这三层结构，并改造成自己的业务智能体。适合什么基础：Python基础，对大模型API调用（如百川）有一定了解即可。如果用过langchain基础模块（如LLMChain），上手更快。建议先看哪几块：第一块看工具定义与注册——理解@tool装饰器和ToolRuntime的作用，这是智能体的"手脚"。第二块看Agent创建与编排——掌握create_agent和ToolStrategy，理解系统提示词、工具列表如何注入模型。第三块看结构化输出与LLM调用——理解ToolStrategy如何控制响应格式，以及llm模块如何接入具体模型。学完能独立做什么：能独立搭建带自定义工具的AI智能体，把工具函数注册进去，配置好系统提示词和返回格式，并接入真实LLM服务。能复用这套结构做不同场景的智能体，比如数学计算、信息查询等。资料怎么配合练习：代码片段以可运行模块形式给出，建议先读懂工具注册和Agent创建的核心逻辑，再尝试把add工具换成自己的业务工具，或者把llm换成其他模型提供商。资料本身不提供完整项目，而是把关键模块拆出来，方便开发者直接移植到自己的工程中。 ```html

这门课解决的核心问题：把大模型从"只会聊天"变成"能调用工具、返回结构化结果的可执行智能体"。开发者拿到langchain代码，能直接理解工具注册、Agent编排、响应格式配置这三层结构，并改造成自己的业务智能体。

适合什么基础：Python基础，对大模型API调用有一定了解即可。如果用过langchain基础模块（如LLMChain），上手更快。

建议先看哪几块

第一块看工具定义与注册——理解@tool装饰器和ToolRuntime的作用，这是智能体的"手脚"。第二块看Agent创建与编排——掌握create_agent和ToolStrategy，理解系统提示词、工具列表如何注入模型。第三块看结构化输出与LLM调用——理解ToolStrategy如何控制响应格式，以及llm模块如何接入具体模型。

学完能独立做什么

能独立搭建带自定义工具的AI智能体，把工具函数注册进去，配置好系统提示词和返回格式，并接入真实LLM服务。能复用这套结构做不同场景的智能体，比如数学计算、信息查询等。

资料怎么配合练习

代码片段以可运行模块形式给出，建议先读懂工具注册和Agent创建的核心逻辑，再尝试把add工具换成自己的业务工具，或者把llm换成其他模型提供商。资料本身不提供完整项目，而是把关键模块拆出来，方便开发者直接移植到自己的工程中。

langchain 为1.27版本

from langchain.agents import create_agent
from langchain.tools import tool, ToolRuntime
from app.bailian.common import llm
from dataclasses import dataclass
from langchain.agents.structured_output import ToolStrategy SYSTEM_PROMPT="""
你是数学计算专家 你有一个工具函数
- add ：根据这个函数去把用户输入的2个值相加 并且返回
""" @tool
def add(a:int,b:int) -> int: """把传入的值相加""" return a+b # Define response format
@dataclass
class ResponseFormat: """Response schema for the agent.""" # 计算返回的结果 response: int # 调用工具的参数 args: object agent = create_agent( model=llm, tools=[add], system_prompt=SYSTEM_PROMPT, response_format=ToolStrategy(ResponseFormat),
) # Run the agent
resp = agent.invoke( {"messages": [{"role": "user", "content": "10000+100=?"}]}
)
print(resp['structured_response'])