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

# 快速入门

本快速入门将引导你在几分钟内从简单设置到构建一个功能完整的 AI 智能体。

<Tip>
  **正在使用 AI 编程助手？**

  * 安装 [LangChain Docs MCP 服务器](/use-these-docs)，让你的智能体能够访问最新的 LangChain 文档和示例。
  * 安装 [LangChain Skills](https://github.com/langchain-ai/langchain-skills)，以提升你的智能体在 LangChain 生态系统任务上的表现。
</Tip>

## 要求

对于这些示例，你需要：

* [安装](/oss/python/langchain/install) LangChain 包
* 设置一个 [Claude (Anthropic)](https://www.anthropic.com/) 账户并获取 API 密钥
* 在你的终端中设置 `ANTHROPIC_API_KEY` 环境变量

虽然这些示例使用 Claude，但你可以通过更改代码中的模型名称并设置相应的 API 密钥来使用[任何支持的模型](/oss/python/integrations/providers/overview)。

## 构建一个基础智能体

首先创建一个能够回答问题并调用工具的简单智能体。该智能体将使用 Claude Sonnet 4.6 作为其语言模型，一个基础的天气函数作为工具，以及一个简单的提示词来指导其行为。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain.agents import create_agent

def get_weather(city: str) -> str:
    """获取指定城市的天气。"""
    return f"It's always sunny in {city}!"

agent = create_agent(
    model="claude-sonnet-4-6",
    tools=[get_weather],
    system_prompt="You are a helpful assistant",
)

# 运行智能体
agent.invoke(
    {"messages": [{"role": "user", "content": "what is the weather in sf"}]}
)
```

<Tip>
  要了解如何使用 LangSmith 追踪你的智能体，请参阅 [LangSmith 文档](/langsmith/trace-with-langchain)。
</Tip>

## 构建一个真实场景的智能体

接下来，构建一个实用的天气预报智能体，展示关键的生产概念：

1. **详细的系统提示词**，以获得更好的智能体行为
2. **创建工具**，与外部数据集成
3. **模型配置**，以获得一致的响应
4. **[结构化输出](/oss/python/langchain/structured-output)**，以获得可预测的结果
5. **对话记忆**，以实现类似聊天的交互
6. **创建并运行智能体**，以测试功能完整的智能体

让我们逐步进行：

<Steps>
  <Step title="定义系统提示词">
    系统提示词定义了你的智能体的角色和行为。请保持其具体且可操作：

    ```python wrap theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
    SYSTEM_PROMPT = """你是一位擅长说双关语的天气预报专家。

    你可以使用两种工具：

    - get_weather_for_location：用于获取特定地点的天气
    - get_user_location：用于获取用户的位置

    如果用户询问天气，请确保你知道地点。如果你能从问题中判断他们指的是他们所在的位置，请使用 get_user_location 工具来查找他们的位置。"""
    ```
  </Step>

  <Step title="创建工具">
    [工具](/oss/python/langchain/tools) 让模型能够通过调用你定义的函数与外部系统交互。
    工具可以依赖于[运行时上下文](/oss/python/langchain/runtime)，并且也可以与[智能体记忆](/oss/python/langchain/short-term-memory)交互。

    请注意下面的 `get_user_location` 工具如何使用运行时上下文：

    ```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
    from dataclasses import dataclass
    from langchain.tools import tool, ToolRuntime

    @tool
    def get_weather_for_location(city: str) -> str:
        """获取指定城市的天气。"""
        return f"It's always sunny in {city}!"

    @dataclass
    class Context:
        """自定义运行时上下文模式。"""
        user_id: str

    @tool
    def get_user_location(runtime: ToolRuntime[Context]) -> str:
        """根据用户 ID 检索用户信息。"""
        user_id = runtime.context.user_id
        return "Florida" if user_id == "1" else "SF"
    ```

    <Tip>
      工具应该有良好的文档记录：它们的名称、描述和参数名称会成为模型提示词的一部分。
      LangChain 的 [`@tool` 装饰器](https://reference.langchain.com/python/langchain-core/tools/convert/tool) 添加了元数据，并通过 `ToolRuntime` 参数启用了运行时注入。
      在[工具指南](/oss/python/langchain/tools)中了解更多信息。
    </Tip>
  </Step>

  <Step title="配置你的模型">
    根据你的用例设置合适的参数来配置你的[语言模型](/oss/python/langchain/models)：

    ```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
    from langchain.chat_models import init_chat_model

    model = init_chat_model(
        "claude-sonnet-4-6",
        temperature=0.5,
        timeout=10,
        max_tokens=1000
    )
    ```

    根据所选模型和提供商的不同，初始化参数可能会有所不同；请参阅其参考页面以获取详细信息。
  </Step>

  <Step title="定义响应格式">
    如果需要智能体响应匹配特定的模式，可以选择定义一个[结构化响应格式](/oss/python/langchain/structured-output)。

    ```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
    from dataclasses import dataclass

    # 我们在这里使用 dataclass，但也支持 Pydantic 模型。
    @dataclass
    class ResponseFormat:
        """智能体的响应模式。"""
        # 一个双关语回复（始终必需）
        punny_response: str
        # 如果有的话，关于天气的任何有趣信息
        weather_conditions: str | None = None
    ```
  </Step>

  <Step title="添加记忆">
    为你的智能体添加[记忆](/oss/python/langchain/short-term-memory)，以在交互之间保持状态。这允许智能体记住之前的对话和上下文。

    ```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
    from langgraph.checkpoint.memory import InMemorySaver

    checkpointer = InMemorySaver()
    ```

    <Info>
      在生产环境中，请使用持久的检查点保存器，将消息历史记录保存到数据库中。
      有关更多详细信息，请参阅[添加和管理记忆](/oss/python/langgraph/add-memory#manage-short-term-memory)。
    </Info>
  </Step>

  <Step title="创建并运行智能体">
    现在，用所有组件组装你的智能体并运行它！

    ```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
    from langchain.agents.structured_output import ToolStrategy

    agent = create_agent(
        model=model,
        system_prompt=SYSTEM_PROMPT,
        tools=[get_user_location, get_weather_for_location],
        context_schema=Context,
        response_format=ToolStrategy(ResponseFormat),
        checkpointer=checkpointer
    )

    # `thread_id` 是给定对话的唯一标识符。
    config = {"configurable": {"thread_id": "1"}}

    response = agent.invoke(
        {"messages": [{"role": "user", "content": "what is the weather outside?"}]},
        config=config,
        context=Context(user_id="1")
    )

    print(response['structured_response'])
    # ResponseFormat(
    #     punny_response="Florida is still having a 'sun-derful' day! The sunshine is playing 'ray-dio' hits all day long! I'd say it's the perfect weather for some 'solar-bration'! If you were hoping for rain, I'm afraid that idea is all 'washed up' - the forecast remains 'clear-ly' brilliant!",
    #     weather_conditions="It's always sunny in Florida!"
    # )


    # 注意，我们可以使用相同的 `thread_id` 继续对话。
    response = agent.invoke(
        {"messages": [{"role": "user", "content": "thank you!"}]},
        config=config,
        context=Context(user_id="1")
    )

    print(response['structured_response'])
    # ResponseFormat(
    #     punny_response="You're 'thund-erfully' welcome! It's always a 'breeze' to help you stay 'current' with the weather. I'm just 'cloud'-ing around waiting to 'shower' you with more forecasts whenever you need them. Have a 'sun-sational' day in the Florida sunshine!",
    #     weather_conditions=None
    # )
    ```
  </Step>
</Steps>

<Expandable title="完整示例代码">
  ```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  from dataclasses import dataclass

  from langchain.agents import create_agent
  from langchain.chat_models import init_chat_model
  from langchain.tools import tool, ToolRuntime
  from langgraph.checkpoint.memory import InMemorySaver
  from langchain.agents.structured_output import ToolStrategy


  # 定义系统提示词
  SYSTEM_PROMPT = """你是一位擅长说双关语的天气预报专家。

  你可以使用两种工具：

  - get_weather_for_location：用于获取特定地点的天气
  - get_user_location：用于获取用户的位置

  如果用户询问天气，请确保你知道地点。如果你能从问题中判断他们指的是他们所在的位置，请使用 get_user_location 工具来查找他们的位置。"""

  # 定义上下文模式
  @dataclass
  class Context:
      """自定义运行时上下文模式。"""
      user_id: str

  # 定义工具
  @tool
  def get_weather_for_location(city: str) -> str:
      """获取指定城市的天气。"""
      return f"It's always sunny in {city}!"

  @tool
  def get_user_location(runtime: ToolRuntime[Context]) -> str:
      """根据用户 ID 检索用户信息。"""
      user_id = runtime.context.user_id
      return "Florida" if user_id == "1" else "SF"

  # 配置模型
  model = init_chat_model(
      "claude-sonnet-4-6",
      temperature=0
  )

  # 定义响应格式
  @dataclass
  class ResponseFormat:
      """智能体的响应模式。"""
      # 一个双关语回复（始终必需）
      punny_response: str
      # 如果有的话，关于天气的任何有趣信息
      weather_conditions: str | None = None

  # 设置记忆
  checkpointer = InMemorySaver()

  # 创建智能体
  agent = create_agent(
      model=model,
      system_prompt=SYSTEM_PROMPT,
      tools=[get_user_location, get_weather_for_location],
      context_schema=Context,
      response_format=ToolStrategy(ResponseFormat),
      checkpointer=checkpointer
  )

  # 运行智能体
  # `thread_id` 是给定对话的唯一标识符。
  config = {"configurable": {"thread_id": "1"}}

  response = agent.invoke(
      {"messages": [{"role": "user", "content": "what is the weather outside?"}]},
      config=config,
      context=Context(user_id="1")
  )

  print(response['structured_response'])
  # ResponseFormat(
  #     punny_response="Florida is still having a 'sun-derful' day! The sunshine is playing 'ray-dio' hits all day long! I'd say it's the perfect weather for some 'solar-bration'! If you were hoping for rain, I'm afraid that idea is all 'washed up' - the forecast remains 'clear-ly' brilliant!",
  #     weather_conditions="It's always sunny in Florida!"
  # )


  # 注意，我们可以使用相同的 `thread_id` 继续对话。
  response = agent.invoke(
      {"messages": [{"role": "user", "content": "thank you!"}]},
      config=config,
      context=Context(user_id="1")
  )

  print(response['structured_response'])
  # ResponseFormat(
  #     punny_response="You're 'thund-erfully' welcome! It's always a 'breeze' to help you stay 'current' with the weather. I'm just 'cloud'-ing around waiting to 'shower' you with more forecasts whenever you need them. Have a 'sun-sational' day in the Florida sunshine!",
  #     weather_conditions=None
  # )
  ```
</Expandable>

<Tip>
  要了解如何使用 LangSmith 追踪你的智能体，请参阅 [LangSmith 文档](/langsmith/trace-with-langchain)。
</Tip>

恭喜！你现在拥有一个能够：

* **理解上下文**并记住对话
* 智能地**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**
* 在交互之间**维护对话状态**

的 AI 智能体。

***

<div className="source-links">
  <Callout icon="edit">
    [Edit this page on GitHub](https://github.com/langchain-ai/docs/edit/main/src/i18n\zh-CN\oss\langchain\quickstart.mdx) or [file an issue](https://github.com/langchain-ai/docs/issues/new/choose).
  </Callout>

  <Callout icon="terminal-2">
    [Connect these docs](/use-these-docs) to Claude, VSCode, and more via MCP for real-time answers.
  </Callout>
</div>