LangChain create_agent() 函数
create_agent() 是 LangChain 最核心的函数，它会创建一个完整的 Agent 图（StateGraph），包含模型调用、工具执行、循环控制等全部逻辑。
语法
create_agent() 函数语法格式如下：
python
from langchain.agents import create_agent
agent = create_agent(
model, # str | BaseChatModel：语言模型
tools=None, # Sequence：工具列表
*,
system_prompt=None, # str | SystemMessage：系统提示
middleware=(), # Sequence[AgentMiddleware]：中间件列表
response_format=None, # ResponseFormat | type：结构化输出配置
state_schema=None, # type[AgentState]：自定义状态结构
context_schema=None, # type：运行时上下文结构
checkpointer=None, # Checkpointer：对话持久化
store=None, # BaseStore：跨会话存储
interrupt_before=None, # list[str]：在哪些节点前暂停
interrupt_after=None, # list[str]：在哪些节点后暂停
debug=False, # bool：是否输出详细日志
name=None, # str：Agent 名称
cache=None, # BaseCache：缓存配置
)model 参数——模型配置
model 可以接受两种形式：字符串（由 init_chat_model() 处理）或已构建好的 BaseChatModel 实例。
实例
python
from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
# 方式 1：传字符串（最常用）
# create_agent 内部会调用 init_chat_model() 处理
agent = create_agent(
model="deepseek:deepseek-v4-flash",
system_prompt="你是菜鸟教程 RUNOOB 的助手",
)
# 方式 2：传已构建好的模型实例
# 适合需要精细控制模型参数的场景
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0.3, max_tokens=500)
agent = create_agent(
model=model,
system_prompt="你是菜鸟教程 RUNOOB 的助手",
)
# 方式 3：传已绑定工具的模型实例
# less common，通常让 create_agent 自己管理工具绑定
model_with_tools = init_chat_model("deepseek:deepseek-v4-flash").bind_tools([...])推荐使用方式 1（传字符串）。create_agent() 内部会自动处理模型初始化、工具绑定、结构化输出等逻辑。方式 2 适合你需要在 Agent 之外也使用同一个模型实例的场景。
tools 参数——工具列表
tools 接受三种格式的工具：
实例
python
from langchain.tools import tool
from langchain.agents import create_agent
# 格式 1：@tool 装饰的函数（最常用）
@tool
def search_course(keyword: str) -> str:
"""搜索菜鸟教程课程"""
return f"搜索结果：{keyword} 相关课程"
# 格式 2：Pydantic BaseModel 类
from pydantic import BaseModel, Field
class WeatherQuery(BaseModel):
"""查询天气"""
city: str = Field(description="城市名称")
# 格式 3：字典（描述远程工具或内置工具）
mcp_tool = {
"type": "mcp",
"server_label": "weather_server",
"server_url": "https://weather.example.com/sse",
"allowed_tools": ["get_forecast"],
}
# 混合使用
agent = create_agent(
model="deepseek:deepseek-v4-flash",
tools=[search_course, WeatherQuery, mcp_tool],
)传 None 或空列表表示 Agent 无工具可用，此时它就是一个纯粹的对话模型：
实例
python
from langchain.agents import create_agent
from langchain.messages import HumanMessage
# 无工具 Agent——等价于直接调用模型
agent = create_agent(
model="deepseek:deepseek-v4-flash",
tools=None,
system_prompt="你是菜鸟教程 RUNOOB 的助手",
)
result = agent.invoke({
"messages": [HumanMessage(content="Python 适合零基础学习吗？")]
})
print(result["messages"][-1].content)system_prompt 参数——系统提示
定义 Agent 的行为角色和约束规则。支持字符串和 SystemMessage 对象。
实例
python
from langchain.agents import create_agent
from langchain.messages import SystemMessage
# 方式 1：字符串（简单直接）
agent = create_agent(
model="deepseek:deepseek-v4-flash",
system_prompt="你是菜鸟教程 RUNOOB 的学习顾问。回答要简洁，不超过 100 字。",
)
# 方式 2：SystemMessage 对象（可在多个 Agent 间复用）
system_msg = SystemMessage(
content="你是菜鸟教程 RUNOOB 的学习顾问。回答要简洁，不超过 100 字。"
)
agent = create_agent(
model="deepseek:deepseek-v4-flash",
system_prompt=system_msg,
)system_prompt 是可选的，但不传的话模型会以"通用助手"的角色回答。对于有明确业务场景的应用，建议始终设置 system_prompt 来约束模型的行为边界。
state_schema 参数——自定义状态
默认的 AgentState 只包含 messages、jump_to 和 structured_response。如果你需要额外的状态字段，可以扩展它：
实例
python
from typing import Annotated
from langchain.agents import create_agent, AgentState
from langchain.messages import HumanMessage
from langchain.tools import tool, InjectedState
from typing_extensions import TypedDict
# 扩展 AgentState，添加自定义字段
class LearningAgentState(AgentState):
"""自定义状态，增加学习进度相关字段"""
user_level: str # 用户等级
completed_topics: list[str] # 已完成的主题列表
@tool
def track_progress(
topic: str,
state: Annotated[dict, InjectedState],
) -> str:
"""记录用户的学习进度。
Args:
topic: 刚学完的主题名称
"""
completed = state.get("completed_topics", [])
completed.append(topic)
return (
f"已记录学习进度。当前已完成 {len(completed)} 个主题："
f"{', '.join(completed)}"
)
agent = create_agent(
model="deepseek:deepseek-v4-flash",
tools=[track_progress],
state_schema=LearningAgentState, # 使用自定义状态
system_prompt="你是菜鸟教程 RUNOOB 的学习助手。",
)
# 运行时需要提供自定义状态的初始值
result = agent.invoke({
"messages": [HumanMessage(content="我学完了 Python 基础，帮我记录一下")],
"user_level": "入门",
"completed_topics": ["HTML 基础"],
})
print(f"用户等级: {result.get('user_level')}")
print(f"已完成主题: {result.get('completed_topics')}")
print(f"回复: {result['messages'][-1].content[:100]}")运行结果：
python
用户等级: 入门
已完成主题: ['HTML 基础', 'Python 基础']
回复: 已记录学习进度。当前已完成 2 个主题：HTML 基础, Python 基础返回值——CompiledStateGraph
create_agent() 返回一个 CompiledStateGraph 对象，这是 LangGraph 的编译后的图，提供了多种运行方式：
| 方法 | 说明 | 适用场景 |
|---|---|---|
| invoke(input, config) | 同步运行，等待完整结果 | 脚本、简单接口 |
| ainvoke(input, config) | 异步运行，等待完整结果 | Web 服务 |
| stream(input, config, stream_mode) | 同步流式运行 | 实时展示中间步骤 |
| astream(input, config, stream_mode) | 异步流式运行 | WebSocket、SSE |
| get_state(config) | 获取当前状态 | 查看/恢复对话状态 |
| update_state(config, values) | 更新状态 | 手动修改对话状态 |
AI 思考中...