> ## Documentation Index
> Fetch the complete documentation index at: https://langchain.idochub.dev/llms.txt
> Use this file to discover all available pages before exploring further.

# 快速入门

<Warning>
  **Alpha 版本提示：** 本文档涵盖的是 **v1-alpha** 版本。内容尚不完整，且可能随时变更。

  如需查阅最新稳定版本，请参阅 v0 版本的 [LangChain Python 文档](https://python.langchain.com/docs/introduction/) 或 [LangChain JavaScript 文档](https://js.langchain.com/docs/introduction/)。
</Warning>

欢迎使用 LangChain！本快速入门指南将在几分钟内带你从零开始构建一个功能完备的 AI 智能体。我们将从最简单的例子入手，逐步构建更复杂的功能。

## 极速上手

我们先从最基础的内容开始——创建一个能够回答问题并使用工具的简单智能体：

```python theme={null}
from langchain.agents import create_agent

def get_weather(city: str) -> str:
    """获取指定城市的天气。"""
    return f"{city}总是阳光明媚！"

agent = create_agent(
    model="anthropic:claude-3-7-sonnet-latest",
    tools=[get_weather],
    prompt="你是一个乐于助人的助手",
)

# 运行智能体
agent.invoke(
    {"messages": [{"role": "user", "content": "旧金山的天气怎么样？"}]}
)
```

**刚才发生了什么？** 我们创建了一个包含以下要素的智能体：

* 一个语言模型（Claude 3.7 Sonnet）
* 一个简单工具（天气函数）
* 一个基础提示词
* 通过消息调用的能力

## 构建一个贴近现实的智能体

现在我们来构建一个更实用的智能体。我们将创建一个天气预报智能体，展示你在生产环境中会用到的关键概念：

1. **详细的系统提示词**，以优化智能体行为
2. **真实世界的工具**，可与外部数据集成
3. **模型配置**，确保响应一致性
4. **结构化输出**，实现可预测的结果
5. **对话记忆**，支持类聊天交互

让我们逐步完成每个步骤：

<Steps>
  <Step title="定义系统提示词">
    系统提示词定义了智能体的“人格”和指令。请确保提示词具体且可操作：

    ```python wrap theme={null}
    system_prompt = """你是一位擅长双关语的天气预报专家。

    你可以使用以下两个工具：

    - get_weather_for_location：用于获取特定位置的天气
    - get_user_location：用于获取用户所在位置

    如果用户向你询问天气，请确保你已明确位置。如果从问题中可以判断用户指的是他们当前所在位置，请使用 get_user_location 工具获取其位置。"""
    ```
  </Step>

  <Step title="创建工具">
    [工具](/oss/python/langchain/tools) 是智能体可以调用的函数，应有良好的文档说明。通常，工具需要连接外部系统，并依赖运行时配置来实现。注意下面 `get_user_location` 工具正是这样实现的：

    ```python theme={null}
    from langchain_core.tools import tool

    def get_weather_for_location(city: str) -> str:  # (1)!
        """获取指定城市的天气。"""
        return f"{city}总是阳光明媚！"

    from langchain_core.runnables import RunnableConfig

    USER_LOCATION = {
        "1": "佛罗里达",
        "2": "旧金山"
    }

    @tool
    def get_user_location(config: RunnableConfig) -> str:
        """根据用户 ID 获取用户信息。"""
        user_id = config["context"].get("user_id")
        return USER_LOCATION[user_id]
    ```
  </Step>

  <Step title="配置模型">
    根据你的使用场景设置合适的语言模型参数：

    ```python theme={null}
    from langchain.chat_models import init_chat_model

    model = init_chat_model(
        "anthropic:claude-3-7-sonnet-latest",
        temperature=0
    )
    ```
  </Step>

  <Step title="定义响应格式">
    结构化输出可确保智能体以可预测的格式返回数据。这里我们使用 Python 的 [`DataClass`](https://docs.python.org/3/library/dataclasses.html)。

    ```python theme={null}
    from dataclasses import dataclass

    @dataclass
    class WeatherResponse:
        conditions: str
        punny_response: str
    ```
  </Step>

  <Step title="添加记忆">
    让智能体能够记住对话历史：

    ```python theme={null}
    from langgraph.checkpoint.memory import InMemorySaver

    checkpointer = InMemorySaver()
    ```
  </Step>

  <Step title="整合所有组件">
    现在，将所有组件组装成完整的智能体：

    ```python theme={null}
    agent = create_agent(
        model=model,
        prompt=system_prompt,
        tools=[get_user_location, get_weather_for_location],
        response_format=WeatherResponse,
        checkpointer=checkpointer
    )

    config = {"configurable": {"thread_id": "1"}}
    context = {"user_id": "1"}
    response = agent.invoke(
        {"messages": [{"role": "user", "content": "外面天气怎么样？"}]},
        config=config,
        context=context
    )

    response['structured_response']

    response = agent.invoke(
        {"messages": [{"role": "user", "content": "谢谢！"}]},
        config=config,
        context=context
    )

    response['structured_response']
    ```
  </Step>
</Steps>

## 你已构建的内容

恭喜！你现在拥有一个功能强大的 AI 智能体，它能够：

* **理解上下文**并记住对话历史
* **智能使用多种工具**
* **以一致的格式提供结构化响应**
* **通过上下文处理用户特定信息**
* **在多次交互中保持对话状态**