原文链接https://docs.langchain.com/oss/python/langchain/agents文中的代码只添加了Google的示例如果想用其他的类型请看原文核心组件智能体智能体是一个循环调用工具直到完成给定任务的模型。核心智能体循环示意图智能体 模型 工具集Harness工具集Harness的工作在正确的时间为给定任务向模型提供正确的上下文。工具集是围绕该循环的一切模型、其提示词、其工具以及任何塑造其行为的中间件。create_agent是一个高度可配置的工具集。最简单的情况下你可以这样创建一个Googlefromlangchain.agentsimportcreate_agent agentcreate_agent(modelgoogle_genai:gemini-3.5-flash,toolstools)在此基础上你可以直接使用model、tools和system_prompt参数配置基本功能。如需更高级的功能可通过中间件扩展工具集。核心组件智能体模型和工具集组件示意图模型传入模型标识符字符串provider:model或已初始化的模型实例来选择智能体的模型。有关参数、提供商设置和动态模型选择请参阅模型。Googlefromlangchain.agentsimportcreate_agent agentcreate_agent(modelgoogle_genai:gemini-3.5-flash,toolstools)工具要为智能体提供工具可以传入任何 Python 可调用对象、LangChain 工具或工具字典。有关工具定义、上下文访问和动态工具选择请参阅工具。Googlefromlangchain.agentsimportcreate_agentfromlangchain.toolsimporttooltooldefsearch(query:str)-str:搜索信息。returnf查询结果{query}agentcreate_agent(modelgoogle_genai:gemini-3.5-flash,tools[search])系统提示词塑造智能体处理任务的方式。系统提示词参数接受字符串或SystemMessage。如需在运行时使用动态提示词请使用中间件。Googleagentcreate_agent(modelgoogle_genai:gemini-3.5-flash,toolstools,system_prompt你是一个有用的助手。请保持简洁和准确。,)结构化输出使用response_format从智能体返回经过验证的模式。有关策略和示例请参阅结构化输出。GooglefrompydanticimportBaseModelfromlangchain.agentsimportcreate_agentclassAnswer(BaseModel):summary:strconfidence:floatagentcreate_agent(modelgoogle_genai:gemini-3.5-flash,toolstools,response_formatAnswer)resultagent.invoke({messages:[{role:user,content:总结AI趋势}]})result[structured_response]# Answer(summary..., confidence...)调用使用 LangSmith 跟踪此循环的每一步、调试工具调用并评估智能体输出。请按照跟踪快速入门进行设置。我们还建议您设置 LangSmith Engine它会监控您的跟踪、检测问题并提出修复建议。您可以使用消息调用智能体。在后台这会向智能体的状态传递更新。所有智能体在其状态中都包含一系列消息要调用智能体请传递一条新消息以及一个thread_id以便智能体可以持久化并恢复对话历史Googlefromlangchain.agentsimportcreate_agentfromlangchain_core.utils.uuidimportuuid7fromlanggraph.checkpoint.memoryimportInMemorySaver agentcreate_agent(modelgoogle_genai:gemini-3.5-flash,tools[],checkpointerInMemorySaver(),)config{configurable:{thread_id:str(uuid7())}}resultagent.invoke({messages:[{role:user,content:旧金山的天气怎么样}]},configconfig,)# 同一对话的后续轮次重用相同的 thread_id 以保留历史resultagent.invoke({messages:[{role:user,content:那明天呢}]},configconfig,)使用thread_id持久化对话历史需要为智能体配置检查点。部署在 LangSmith 上时检查点会自动配置。在本地请显式传入一个例如create_agent(..., checkpointerInMemorySaver())。如果您还需要将每次运行的配置如用户 ID、API 密钥或功能标志传递给工具和中间件请将其作为context与config一起传递。使用context_schema定义该数据的形状并通过runtime.context访问它Googlefromdataclassesimportdataclassfromlangchain.agentsimportcreate_agentfromlangchain_core.utils.uuidimportuuid7fromlanggraph.checkpoint.memoryimportInMemorySaverdataclassclassContext:user_id:stragentcreate_agent(modelgoogle_genai:gemini-3.5-flash,tools[],context_schemaContext,checkpointerInMemorySaver(),)resultagent.invoke({messages:[{role:user,content:旧金山的天气怎么样}]},config{configurable:{thread_id:str(uuid7())}},contextContext(user_iduser-123),)thread_id限定对话范围消息历史、检查点而context携带工具和中间件在调用时读取的每次运行数据。两者通常一起传递。请参阅工具上下文和运行时。流式传输invoke在运行结束时返回最终响应。如果智能体执行多次工具调用用户通常需要在完成之前获得进度更新。使用流式传输可在中间消息和工具活动发生时实时呈现它们。fromlangchain.messagesimportAIMessage,HumanMessage streamagent.stream_events({messages:[{role:user,content:搜索AI新闻并总结发现}]},versionv3,)forsnapshotinstream.values:# 每个快照包含该时间点的完整状态latest_messagesnapshot[messages][-1]iflatest_message.content:ifisinstance(latest_message,HumanMessage):print(f用户{latest_message.content})elifisinstance(latest_message,AIMessage):print(f智能体{latest_message.content})eliflatest_message.tool_calls:print(f正在调用工具{[tc[name]fortcinlatest_message.tool_calls]})有关流式模式、事件类型和 UI 模式请参阅流式传输。配置工具集create_agent具有高度可扩展性。中间件是定制的原语每个组件处理一个关注点在正确的时机挂接到智能体循环中并可以自由地与任何其他组件组合。只取用例所需的部分跳过其余部分。常见模式已作为一级中间件预置。您可以将任何其他内容构建为自定义中间件。按类别划分的智能体工具集功能当智能体承担复杂工作时它们需要在几个关键领域获得支持。中间件生态系统提供执行环境工具、文件系统、沙箱和代码执行上下文管理摘要、内存、技能和提示缓存规划与委托待办事项列表和用于并行、隔离工作的子智能体容错重试、回退和调用限制防护栏PII 检测和内容控制引导在高影响操作前进行人机协同审批create_deep_agent为长期运行的编码和研究任务预组装了此堆栈默认包含文件系统、摘要、子智能体和提示缓存。有关完整的预置工具集请参阅深度智能体。执行环境当智能体能够采取行动而不仅仅是生成文本时它们尤其有用。执行环境为智能体提供了一个工作空间可调用的工具、用于跨轮次读写文件的文件系统以及用于运行脚本或 shell 命令的代码执行环境。Googlefromlangchain.agentsimportcreate_agentfromdeepagents.backendsimportStateBackendfromdeepagents.middlewareimportFilesystemMiddleware agentcreate_agent(modelgoogle_genai:gemini-3.5-flash,tools[search],middleware[FilesystemMiddleware(backendStateBackend())],)请参阅 FilesystemMiddleware、沙箱、解释器。上下文管理每次模型调用都有固定的上下文窗口。随着智能体运行该窗口会被累积的历史记录、工具结果和中间步骤填满。摘要可在溢出发生前压缩历史内存可在启动时加载持久化指令使知识跨会话延续技能可按需提供领域知识而无需预先加载所有内容。Googlefromdeepagents.backendsimportStateBackendfromdeepagents.middlewareimportFilesystemMiddleware,MemoryMiddleware,SkillsMiddleware,SummarizationMiddleware backendStateBackend()modelgoogle_genai:gemini-3.5-flashagentcreate_agent(modelmodel,tools[search],middleware[FilesystemMiddleware(backendbackend),SummarizationMiddleware(modelmodel,backendbackend),MemoryMiddleware(backendbackend,sources[./AGENTS.md]),SkillsMiddleware(backendbackend,sources[./skills/]),],)请参阅 SummarizationMiddleware、MemoryMiddleware、技能、上下文工程。规划与委托复杂任务通常超出单个上下文窗口的处理能力。委托让主智能体将工作分解为多个部分将它们交给各自在独立上下文中运行的子智能体并专注于协调而非执行。工作可以并行运行主智能体的上下文保持整洁。Googlefromdeepagents.backendsimportStateBackendfromdeepagents.middlewareimportFilesystemMiddlewarefromdeepagents.middleware.subagentsimportSubAgentMiddlewarefromlangchain.agentsimportcreate_agentfromlangchain.agents.middlewareimportTodoListMiddlewarefromlangchain.toolsimporttooltooldefsearch(query:str)-str:搜索查询并返回简短摘要。returnf查询的搜索结果{query}backendStateBackend()agentcreate_agent(modelgoogle_genai:gemini-3.5-flash,tools[search],middleware[FilesystemMiddleware(backendbackend),TodoListMiddleware(),SubAgentMiddleware(backendbackend,subagents[{name:研究员,description:搜索并返回结构化摘要。,system_prompt:使用搜索工具研究问题并总结关键点。,tools:[search],model:anthropic:claude-sonnet-4-6,middleware:[],}],),],)为智能体命名可选择为智能体使用标识符。当将智能体作为子图嵌入多智能体系统时这尤其有用。Googleagentcreate_agent(modelgoogle_genai:gemini-3.5-flash,toolstools,nameresearch_assistant)容错生产环境中的智能体会遇到在开发中很少出现的故障速率限制、模型超时、瞬态 API 错误。容错中间件在基础设施层面处理这些问题因此您的工具和业务逻辑无需在每个调用周围都加上 try/catch。Googlefromlangchain.agentsimportcreate_agentfromlangchain.agents.middlewareimportModelRetryMiddleware,ToolRetryMiddlewarefromlangchain.toolsimporttooltooldefsearch(query:str)-str:搜索查询并返回简短摘要。returnf查询的搜索结果{query}agentcreate_agent(modelgoogle_genai:gemini-3.5-flash,tools[search],middleware[ModelRetryMiddleware(max_retries3),ToolRetryMiddleware(max_retries2),],)请参阅 ModelRetryMiddleware、ToolRetryMiddleware、预置中间件。防护栏有些策略无法仅通过提示词实现——无论模型做什么它们都需要被确定性地强制执行。防护栏在数据流经智能体循环时进行拦截在工具结果到达模型上下文之前应用合规规则或内容策略。Googlefromlangchain.agentsimportcreate_agentfromlangchain.agents.middlewareimportPIIMiddlewarefromlangchain.toolsimporttooltooldefsearch(query:str)-str:搜索查询并返回简短摘要。returnf查询的搜索结果{query}agentcreate_agent(modelgoogle_genai:gemini-3.5-flash,tools[search],middleware[PIIMiddleware(email)],)请参阅 PIIMiddleware、预置中间件。引导完全的自主权并不总是合适的。引导让您可以在特定的决策点引入人工干预——在破坏性写入、昂贵的 API 调用或任何需要判断的操作之前——而无需重构您的智能体。智能体会暂停并等待人工批准、编辑或拒绝执行继续。Googlefromlangchain.agentsimportcreate_agentfromlangchain.agents.middlewareimportHumanInTheLoopMiddlewarefromlangchain.toolsimporttooltooldefsearch(query:str)-str:搜索查询并返回简短摘要。returnf查询的搜索结果{query}agentcreate_agent(modelgoogle_genai:gemini-3.5-flash,tools[search],middleware[HumanInTheLoopMiddleware(interrupt_on{write_file:True})],)请参阅 HumanInTheLoopMiddleware、人机协同。