🚀 LangChain 1.0 快速开始

# 创建虚拟环境（推荐）
python3.10 -m venv venv
source venv/bin/activate  # Windows: venv\Scripts\activate

# 安装 LangChain 1.0
pip install -U langchain

# 验证安装
python -c "import langchain; print(f'LangChain version: {langchain.__version__}')"

# Anthropic (Claude)
pip install langchain-anthropic

# OpenAI (GPT)
pip install langchain-openai

# Google (Gemini)
pip install langchain-google-genai

# 或者一次性安装多个
pip install langchain-anthropic langchain-openai langchain-google-genai

import os

# 方式 1：直接在代码中设置（不推荐用于生产环境）
os.environ["ANTHROPIC_API_KEY"] = "your-api-key-here"
os.environ["OPENAI_API_KEY"] = "your-api-key-here"

# 方式 2：从 .env 文件加载（推荐）
from dotenv import load_dotenv
load_dotenv()  # 自动加载 .env 文件中的环境变量

"""
最简单的 LangChain Agent 示例
功能：使用自定义工具查询天气
"""
from langchain.agents import create_agent

# 定义一个简单的工具函数
def get_weather(city: str) -> str:
    """获取指定城市的天气信息"""
    return f"{city} 今天天气晴朗，阳光明媚！"

# 创建 Agent
agent = create_agent(
    model="claude-sonnet-4-5-20250929",  # 指定模型
    tools=[get_weather],                  # 提供工具列表
    system_prompt="你是一个友好的天气助手",  # 系统提示词
)

# 调用 Agent
response = agent.invoke({
    "messages": [{"role": "user", "content": "旧金山今天天气怎么样？"}]
})

# 打印结果
print(response["messages"][-1].content)

根据天气查询结果，旧金山今天天气晴朗，阳光明媚！适合外出活动。

"""
生产级 LangChain Agent 示例
功能：智能天气助手，支持用户位置识别、结构化输出、对话记忆
"""
import os
from dataclasses import dataclass
from langchain.tools import tool, ToolRuntime
from langchain.chat_models import init_chat_model
from langchain.agents import create_agent
from langchain.agents.structured_output import ToolStrategy
from langgraph.checkpoint.memory import InMemorySaver

# ==================== 第1步：定义上下文 ====================
@dataclass
class UserContext:
    """用户上下文，包含用户信息"""
    user_id: str

# ==================== 第2步：定义工具 ====================
@tool
def get_user_location(runtime: ToolRuntime[UserContext]) -> str:
    """获取用户的当前位置"""
    user_id = runtime.context.user_id
    # 模拟从数据库查询用户位置
    locations = {"1": "佛罗里达", "2": "旧金山", "3": "北京"}
    return locations.get(user_id, "未知位置")

@tool
def get_weather_for_location(city: str) -> str:
    """查询指定城市的天气信息

    Args:
        city: 城市名称

    Returns:
        天气信息描述
    """
    # 模拟天气 API 调用
    weather_data = {
        "佛罗里达": "炎热潮湿，温度 32°C",
        "旧金山": "凉爽多雾，温度 18°C",
        "北京": "晴朗干燥，温度 25°C"
    }
    return weather_data.get(city, f"{city} 天气晴朗")

# ==================== 第3步：定义输出格式 ====================
@dataclass
class WeatherResponse:
    """结构化的天气响应格式"""
    punny_response: str                    # 幽默的回复
    weather_conditions: str | None = None  # 天气状况（可选）

# ==================== 第4步：配置模型 ====================
# 设置 API Key
os.environ["ANTHROPIC_API_KEY"] = "your-api-key-here"

# 初始化模型
model = init_chat_model(
    "claude-sonnet-4-5-20250929",
    temperature=0.5,     # 控制创造性
    timeout=10,          # 超时时间（秒）
    max_tokens=1000      # 最大输出长度
)

# ==================== 第5步：配置记忆 ====================
# 使用内存存储（生产环境建议使用数据库）
checkpointer = InMemorySaver()

# ==================== 第6步：定义系统提示词 ====================
SYSTEM_PROMPT = """你是一个友好且幽默的天气助手。

你的职责：
1. 使用 get_user_location 工具获取用户位置
2. 使用 get_weather_for_location 工具查询天气
3. 用轻松幽默的语气回复用户
4. 必须返回结构化的 WeatherResponse 格式

回复风格：简洁、友好、带点俏皮话。"""

# ==================== 第7步：创建 Agent ====================
agent = create_agent(
    model=model,
    system_prompt=SYSTEM_PROMPT,
    tools=[get_user_location, get_weather_for_location],
    context_schema=UserContext,              # 上下文类型
    response_format=ToolStrategy(WeatherResponse),  # 输出格式
    checkpointer=checkpointer                # 记忆管理
)

# ==================== 第8步：使用 Agent ====================
if __name__ == "__main__":
    # 配置：指定对话线程 ID
    config = {"configurable": {"thread_id": "user_session_001"}}

    # 第一次对话
    print("=== 第一次对话 ===")
    response1 = agent.invoke(
        {"messages": [{"role": "user", "content": "外面天气怎么样？"}]},
        config=config,
        context=UserContext(user_id="2")  # 用户 ID 为 2（旧金山）
    )
    print(response1["messages"][-1].content)

    # 第二次对话（Agent 会记住上下文）
    print("\n=== 第二次对话 ===")
    response2 = agent.invoke(
        {"messages": [{"role": "user", "content": "需要带伞吗？"}]},
        config=config,  # 使用相同的 thread_id
        context=UserContext(user_id="2")
    )
    print(response2["messages"][-1].content)

# OpenAI
model = init_chat_model("gpt-4", model_provider="openai")

# Anthropic (Claude)
model = init_chat_model("claude-sonnet-4-5-20250929", model_provider="anthropic")

# Google (Gemini)
model = init_chat_model("gemini-2.0-flash", model_provider="google-genai")

# 生产环境：使用 SQLite
from langgraph.checkpoint.sqlite import SqliteSaver
checkpointer = SqliteSaver.from_conn_string("checkpoints.db")

# 生产环境：使用 PostgreSQL
from langgraph.checkpoint.postgres import PostgresSaver
checkpointer = PostgresSaver.from_conn_string("postgresql://...")

import os

# 配置 LangSmith
os.environ["LANGSMITH_API_KEY"] = "your-langsmith-key"
os.environ["LANGSMITH_TRACING"] = "true"
os.environ["LANGSMITH_PROJECT"] = "my-project"

# 之后运行的 Agent 会自动发送追踪数据到 LangSmith