angChain是智能体开发平台，包含一套各种帮助开发、测试、评估智能体的框架。核心包括：

• LangChain：用于快速构建智能体，可兼容任何模型提供商。

• LangGraph：从底层一步步控制智能体的构建，包括记忆（Memory）、人机协同（HITL）等

• Deep Agents：用于构建复杂的、处理多步骤的任务的智能体

• LangSmith：用于测试、观察、评估、部署智能体

本次学习主要会探究agent中的prompt;tools;memory

Prompt 是大脑指令，Tools 是手脚工具，Memory 是大脑记忆，三者拼起来 = 完整智能体
提示词（Prompts）

发送给大模型的所有消息都可以称为**提示词（Prompt）**，它直接影响模型的输出结果。

系统提示词
在所有发送给LLM的消息中，System Message最为重要，它设定了模型的角色和聊天的背景。会影响到后续所有的对话。我们将其称之为**系统提示词（System Prompt）**。

在创建智能体时，就可以直接指定系统提示词。

example

from langchain.agents import create_agent
from langchain.messages import HumanMessage
from langchain.chat_models import init_chat_model


model = init_chat_model(
    model="qwen-max",
    model_provider="openai")
# 创建智能体
agent = create_agent(
    model = model,
    system_prompt="你是一个师长,请回答用户问题。"
)

# 调用智能体
for token, metadata in agent.stream(
    {"messages": [HumanMessage(content="你是谁？")]},
    stream_mode="messages"
):
    print(token.content, end="", flush=True)

tools
一个完整的Agent至少要包含两个关键的部分：
- **模型**：是Agent的大脑，负责推理、分析，规划任务步骤
- **工具**：是Agent的手脚，负责执行任务，与外界交互

因此，定义带有工具的Agent的基本流程如下：
- 定义工具
- 初始化模型
- 初始化Agent，绑定模型和工具

# 1.使用tool装饰器定义工具
from langchain.tools import tool

@tool
def get_weather(location: str) -> str:
    """
    Get the weather in a given location.
    Args:
        location: city name or coordinates
    """
    return f"Current weather in {location} is sunny"

绑定工具(在agent中)

from langchain.agents import create_agent
from langchain_core.messages import HumanMessage

# 2.创建智能体，并绑定工具
agent = create_agent(
    model="deepseek-chat",
    tools=[get_weather]
)

# 3.调用Agent
response = agent.invoke(
    {"messages": [HumanMessage(content="杭州今天天气如何?")]},
)

for message in response['messages']:
    message.pretty_print()

定义多个工具,LLM会自动根据tools去选择,所以tools一定要写好注解用英文

# 2.预定义Tool

LangChain中提供了很多预定义的Tool，方便我们使用。例如：
- tavily：就是一个用来做web搜索的工具
它的使用步骤是这样的：
- 注册账号，创建API_KEY
- 配置环境变量: TAVILY_API_KEY
- 安装依赖：`uv add langchain-tavily`

还有LangChain自带的预定义的工具例如搜索工具tavily

官网注册Tavily

# 使用uv的环境
uv add langchain-tavily

# 使用tavily作为web搜索工具
from langchain_tavily import TavilySearch

# 初始化工具，并设置参数，具体参数设置参考官网
tool = TavilySearch(
    max_results=5,
    topic="general",
    # include_answer=False,
    # include_raw_content=False,
    # include_images=False,
    # include_image_descriptions=False,
    # search_depth="basic",
    # time_range="day",
    # include_domains=None,
    # exclude_domains=None
)

tool.invoke("杭州今天天气如何？")

# 创建智能体，使用预定义工具tavily
agent = create_agent(
    model="deepseek-chat",
    tools=[tool],
    system_prompt="你是一个智能助手，你使用工具来解决用户问题。"
)

# 调用工具
for chunk in agent.stream(
    {"messages": [HumanMessage(content="北京接下来5天天气如何?")]},
    stream_mode="updates"
):
    for step, data in chunk.items():
        print(f"step: {step}")
        print(f"content: {data['messages'][-1].content_blocks}")
        print()

Memory（记忆）—— 智能体的「短期 + 长期记忆」

• 短期记忆：当前任务或会话的上下文（Working Memory 或 Session Memory）

• 长期记忆：跨任务或会话的经验与知识（Persistent Memory

1. 短期记忆

由于短期记忆通常生命周期是当前会话，所以我们也可以称为会话记忆。Agent的会话记忆通常包含三部分：

• 对话历史

• 查询结果

• 任务状态

对于简单的Agent来说，任务没有做拆分，也就不需要记录任务状态，只用考虑会话历史和查询结果就可以了。后续我们会学习如何自定义更复杂的Agent会话记忆。

LangChain提供了自动化的记忆管理方案：

• 首先，LangChain把会话记忆（也就是Messages列表）记录为AgentState的一部分

• AgentState通过Checkpointer对象来保存，每一次与AI的交互都会生成一个快照，记录为一个checkpoint，把同一会话的所有checkpoint组合在一起，就是完整的会话历史了。

• 为了区分不同的会话记忆，不同会话需要设定各自的thread_id，相同会话则使用相同thread_id

• 向Agent发起会话时必须指定自己的thread_id以唤起对应的会话记忆

Memory持久化存储(这是数据库存表的)

这里我们选择使用Sqlite作为存储方案，首先需要按照langgraph-checkpoint-sqlite依赖：
```
uv add langgraph-checkpoint-sqlite
```
接着，按照以下步骤使用：
- 导入依赖
- 初始化checkpointer
- 自动建表
- 创建Agent，指定checkpointer

用法类似

看到建表了

记忆管理策略(修剪,删除,总结)

总结是summarizationmiddleware

from langchain.agents import create_agent
from langchain.agents.middleware import SummarizationMiddleware
from langgraph.checkpoint.memory import InMemorySaver
from langchain_core.runnables import RunnableConfig
from langchain.chat_models import init_chat_model

model1 = init_chat_model(
    model="qwen-max",
    model_provider="openai"
)
# 初始化checkpointer
checkpointer = InMemorySaver()
# 初始化中间件
middleware = SummarizationMiddleware(
    model=model,
    trigger=("messages", 3), #  触发时机，当消息数超过3时，进行总结
    keep=("messages", 1) #  保留的会话数，超过2条
)
# 创建agent
model1 = init_chat_model(
    model="qwen3-max",
    model_provider="openai"
)
agent = create_agent(
    model=model1,
    middleware=[middleware],
    checkpointer=checkpointer,
)

config: RunnableConfig = {"configurable": {"thread_id": "thread_3"}}
# 制造长会话历史
agent.invoke({"messages": [HumanMessage(content="你好，我是小白.")]}, config)
agent.invoke({"messages": [HumanMessage(content="我最喜欢的运动是乒乓")]}, config)
agent.invoke({"messages": [HumanMessage(content="我最喜欢的动物是狗")]}, config)
# 测试效果
final_response = agent.invoke({"messages": HumanMessage(content="你还记得我吗？")}, config)