代码开源Github ↗

🤖 什么是 Agent（智能体）？#

Agent 是一个能“自己思考并行动”的 AI 程序。

它不只是被动地回答问题，而是：

• 听懂你的目标（比如“查上个月销量”）
• 自己规划怎么做（比如：先写 SQL → 查数据库 → 整理结果）
• 调用工具完成任务（如访问数据库、搜索网页、运行代码）
• 把结果告诉你（用自然语言总结）

💡 简单说：Agent = 能自动做事的 AI 助手，不是只能聊天的“问答机”。

基于您提供的图片内容，以下是关于 LangChain 中 Agent 及其组成的简单介绍：

Agent 是一个能够通过循环调用工具来完成复杂目标的智能系统。它不像传统程序那样按固定流程执行，而是更像一位智能项目经理，能够自主规划、决策和执行任务。

Agent 的工作流程

1. 输入：接收用户请求
2. 模型推理：LLM 作为”大脑”分析任务，决定下一步行动
3. 循环执行：
   • 行动：选择并调用合适的工具
   • 观察：获取工具执行结果
4. 输出：满足停止条件后，生成最终结果

Agent 的四大核心组件

Agent 的三大核心能力#

1. 动态任务路由：根据输入内容智能规划执行路径
2. 生态化工具集成：访问丰富的工具接口覆盖多领域需求
3. 全周期记忆管理：同时维护短期上下文和长期知识存储

这种架构使 Agent 能够像人类一样思考-行动-观察-再思考，直到完美解决复杂问题。

AIGC 与 AI Agent 特性对比#

LangChain与LangGraph#

LangChain#

LangChain 是一个用于构建大语言模型（LLM）应用程序的框架。它的核心目标是简化AI应用的开发流程，通过提供一系列标准化的模块（如模型调用、记忆管理、数据检索和工具调用），让开发者能够像搭积木一样，快速组合出功能丰富的智能体（Agent）。使用 LangChain，您可以轻松地为LLM添加长期记忆、连接外部知识库、以及赋予其执行代码或操作API的能力，从而快速构建出问答系统、摘要工具或内容生成器等通用AI应用。它主要解决了LLM应用的“最后一公里”问题，极大地提升了开发效率。

LangGraph#

LangGraph 是建立在 LangChain 之上的一个库，专注于为智能体提供复杂、可定制的控制流。如果说 LangChain 负责组装智能体的“零部件”，那么 LangGraph 则负责设计其“大脑”的决策流程。它允许开发者以图（Graph）的形式来定义智能体的工作流，例如实现多步骤规划、循环执行、条件分支以及让多个“工作者”智能体协同完成任务。这使得 LangGraph 特别适合构建需要长期运行、状态持久化、行为复杂且可控的自主智能体，例如模拟角色、复杂的决策支持系统或自动化工作流引擎。

对比总结#

LangSmith#

LangSmith 是由 LangChain 团队开发的一站式 LLM（大语言模型）应用开发、调试、测试与监控平台。它的目标是帮助开发者更高效地构建、评估和优化基于 LLM 的应用程序，尤其适用于使用 LangChain 或 LangGraph 构建的复杂智能体（Agent）系统。

一、核心功能概览#

1. Trace 可视化（执行追踪）#

• 自动记录每一次 LLM 调用、工具调用、链（Chain）执行、状态变更等。
• 以时间线 + 树状结构展示完整执行流程，清晰看到：
  • Prompt 输入
  • LLM 输出
  • 工具调用参数与结果
  • 内部状态变化（尤其在 LangGraph 中）
• 支持查看 token 使用量、延迟、模型名称等元数据。

✅ 类似于“Chrome DevTools for LLM apps”。

2. 数据集管理（Datasets）#

• 创建和管理测试/评估数据集（输入 + 期望输出）。
• 支持从真实用户交互中采样生成数据集（通过“Feedback”或手动标注）。
• 可用于回归测试，确保新版本不会降低性能。

3. 自动评估（Evaluators）#

• 提供内置评估器（如：准确性、相关性、有害性、忠实度等）。
• 支持自定义 Python 评估函数（可调用 LLM 进行评判）。
• 批量运行评估：将整个数据集在你的应用上跑一遍，生成量化指标（如准确率 85%）。

📊 示例：评估客服机器人回答是否“有帮助”且“无幻觉”。

4. 人工反馈与标注（Human Feedback）#

• 允许人工对模型输出打分（👍/👎）或添加评论。
• 反馈数据可回流到训练或微调 pipeline（结合外部工具）。
• 支持 A/B 测试不同 prompt 或模型版本的效果。

5. 监控与告警（Monitoring）#

• 实时监控生产环境中的 LLM 应用表现。
• 跟踪错误率、延迟、token 消耗、成本等关键指标。
• 可设置告警规则（如“当幻觉率 > 10% 时通知 Slack”）。

6. 无缝集成 LangChain / LangGraph#

• 只需设置一个 API key，LangChain 应用自动上报 trace 到 LangSmith。
• 对 LangGraph 的状态图（StateGraph）支持极佳，能清晰展示每一步的状态变迁。

import os
os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_API_KEY"] = "your-api-key"
# 之后所有 LangChain/LangGraph 运行都会自动记录到 LangSmith

二、典型使用场景#

三、一句话总结#

LangSmith 是 LLM 应用的“全生命周期管理平台”——从开发调试、自动化测试到生产监控，一站式搞定。

如果你正在用 LangChain 或 LangGraph 构建智能体、RAG 系统或多轮对话机器人，强烈建议接入 LangSmith，它能极大提升迭代效率和系统可靠性。

创建Agent项目本地测试环境#

LangChain 为我们提供了一个集成了 Studio 和 LangSmith 的测试环境，使得开发者可以在本地对 Agent 进行可视化、交互式调试和优化。其中，Studio 是一个专门面向 Agent 的集成开发环境（IDE），支持对基于智能体服务器 API 协议的代理系统进行可视化操作、实时交互和调试。它还集成了跟踪（追踪执行流程）、评估（自动或人工评价输出质量）以及提示工程（Prompt Engineering）等功能，帮助用户更高效地构建和改进智能体应用。同时，通过与 LangSmith 的深度集成，可以实现完整的应用监控、性能分析和持续优化。

1. 安装LangGraph CLI#

要安装 LangGraph 的命令行工具（CLI），首先需要确保 Python 版本不低于 3.11。然后，通过 pip 命令执行 pip install --upgrade "langgraph-cli[inmem]" 来安装或升级 LangGraph CLI，并启用其内存存储后端（in-memory backend），以便在本地快速测试和运行基于 LangGraph 构建的有状态工作流应用。

2. 配置LangSmith的环境变量#

要在项目中配置 LangSmith 的 API 密钥，请按以下步骤操作：

1. 获取 API 密钥
   登录或注册 LangSmith 平台：https://smith.langchain.com ↗。
   进入后，点击右上角头像 → 选择 “Settings”（设置） → 在 “API Keys” 页面中创建或复制您的 API 密钥（格式通常以 lsv2_ 开头）。

2. 创建 .env 文件
   在您项目的根目录下新建一个名为 .env 的文件（注意前面有一个点）。

3. 填写环境变量
   在 .env 文件中添加如下内容，将 <your-api-key> 替换为您从 LangSmith 复制的实际密钥：

   LANGSMITH_API_KEY=lsv2_XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX

   plaintext

4. 启用追踪功能（可选但推荐）
   确保在代码或环境变量中开启 LangSmith 追踪：

   import os
   os.environ["LANGCHAIN_TRACING_V2"] = "true"

   python

   或在 .env 文件中一并添加：

   LANGCHAIN_TRACING_V2=true

   plaintext

完成以上配置后，只要您的应用使用了 LangChain 或 LangGraph，所有运行过程（如 Chain 调用、Agent 步骤、状态变更等）都会自动上报到 LangSmith 平台，您可以在 https://smith.langchain.com ↗ 上实时查看执行轨迹、调试问题并进行评估优化。

3. 创建LangGraph配置文件#

在应用程序的根目录中，创建一个名为 langgraph.json 的配置文件，用于定义 LangGraph 项目的结构和依赖关系。该文件以 JSON 格式编写，包含以下关键字段：

• "dependencies"：指定项目依赖的模块或路径，此处设置为 ["."]，表示当前目录下的所有内容。
• "graphs"：定义要运行的图（Graph）及其对应的实现路径。示例中配置了一个名为 "agent" 的图，其代码位于 ./src/agent.py 文件中的 agent 对象。
• "env"：指定环境变量文件的路径，此处指向 .env 文件，用于加载 API 密钥等配置信息。

完整的配置文件内容如下：

{
  "dependencies": ["."],
  "graphs": {
    "agent": "./src/agent.py:agent"
  },
  "env": ".env"
}

此配置文件是使用 LangGraph CLI 进行本地开发、调试和运行 Agent 的必要组成部分，它让工具能够正确加载应用逻辑、环境变量并执行状态图流程。

创建好的项目结构如下：

4. 编写智能体项目代码#

@tool
def send_email(to: str, subject: str, body: str):
    """发送邮件"""
    email = {
        "to": to,
        "subject": subject,
        "body": body
    }
    # ...邮件发送逻辑

    return f"邮件已发送至 {to}"


# 创建 React Agent
agent_executor = create_agent(
    model=llm,
    tools=[send_email],
    system_prompt="你是一个邮件助手。当用户需要发送邮件时，请使用 send_email 工具。"
)

5. 安装依赖项#

在新建的 LangGraph 应用项目的根目录中，需要安装项目依赖项。执行以下命令：

pip install -e .

该命令的作用是：

• -e 表示“editable”（可编辑模式），即以开发模式安装当前目录下的 Python 包。
• . 表示当前目录，意味着会读取项目根目录中的 setup.py 或 pyproject.toml 文件来识别并安装所需的依赖库。

使用这种方式安装后，你可以在不重新安装的情况下直接修改源代码，改动会立即生效，非常适合本地开发和调试。此步骤通常在创建 LangGraph 项目并准备运行或测试时执行。

6. 在Studio中查看代理#

在完成前面的配置和安装步骤后，您可以在 Studio 中查看并调试您的智能体（Agent）应用。具体操作如下：

启动本地的 Agent 服务器，只需在终端中运行以下命令：

langgraph dev

该命令会启动一个本地开发服务器，并自动将您的 LangGraph 应用暴露给 LangChain Studio。

随后，您的智能体程序将通过 Studio 的用户界面进行访问，访问地址为：

👉 http://127.0.0.1:2024

通过这个链接，您可以进入 Studio UI，实现对 Agent 的可视化交互、实时调试、状态追踪和流程监控等功能，从而更高效地开发和优化您的 LLM 应用。

Tips：推荐使用隔离环境，或者自己创建虚拟环境都可以。Python 内置的 venv 模块可以用来创建隔离的虚拟环境。下面是创建隔离环境的教程：

✅ 步骤如下：

# 1. 进入你的项目根目录
cd /path/to/your/agent-project

# 2. 创建虚拟环境（建议命名为 .venv 或 venv）
python -m venv .venv

# 3. 激活虚拟环境
source .venv/bin/activate

激活后，你会看到命令行前缀出现 (.venv)，表示已进入虚拟环境。

✅ 安装项目依赖#

pyproject.toml 是来自官方的，虽然 pyproject.toml 不会自动创建虚拟环境，但它定义了项目依赖。你可以用以下命令安装：

# 安装项目本身及其依赖（以可编辑模式）
pip install -e .

💡 -e . 表示“editable install”，即从当前目录安装，并读取 pyproject.toml 中 [project] 和 [project.optional-dependencies] 的配置。

这样就能确保你的 LangGraph + LangChain 项目在一个干净、可复现的环境中运行。

最后展示一下LangSmith Studio运行起来的界面：