Listen to this Post
Introduction:
生成式 AI 正从“聊天”迅速迈向“执行”，而 Agentic AI（代理式人工智能） 正是这一变革的核心驱动力。与传统的被动响应不同，Agentic AI 能够自主规划、调用工具并执行复杂任务。LangChain 作为构建 LLM 应用的主流框架，其 1.3.x 版本带来了架构上的重大简化；而 Groq 则凭借其专为推理设计的 LPU（语言处理单元）架构，提供了超低延迟的 LLM 推理能力。本文将带你深入 LangChain 1.3 与 Groq 的集成实践，通过构建一个具备工具调用能力的 AI 代理，掌握生产级智能体的核心开发技能。
Learning Objectives:
- 掌握 LangChain 1.3.x 的核心变化与代理构建新范式。
- 学会使用 `@tool` 装饰器创建自定义工具，并绑定至 Groq 的 Llama 3.3 模型。
- 理解工具调用（Tool Calling）机制，并实现一个能执行实际任务的 AI 代理。
You Should Know:
1. 环境准备：安装与凭证配置
在编写任何代码之前，我们需要完成基础的环境搭建与 API 凭证配置。首先，确保你的 Python 版本在 3.10 或以上。接着，安装必要的 LangChain 集成包和 Groq 包：
pip install langchain langchain-groq
然后，前往 Groq 控制台注册账号并生成 API 密钥。为了安全地使用该密钥，建议将其设置为系统环境变量：
- Linux/macOS: `export GROQ_API_KEY=”your-groq-api-key”`
– Windows (CMD): `setx GROQ_API_KEY “your-groq-api-key”`
2. 初始化 Groq 模型 (Llama 3.3)
Groq 提供了包括 Llama 3.3 在内的多种高性能模型。在 LangChain 中，我们可以通过 `ChatGroq` 类轻松初始化模型。这个步骤是构建代理的基础。
from langchain_groq import ChatGroq llm = ChatGroq( model="llama-3.3-70b-versatile", 指定 Groq 上的 Llama 3.3 模型 temperature=0.1, 控制输出的随机性 )
3. 使用 `@tool` 装饰器创建自定义工具
工具（Tools）是赋予 AI 代理“行动能力”的关键。LangChain 的 `@tool` 装饰器提供了一种极其简洁的方式来将 Python 函数转换为模型可调用的工具。函数的文档字符串（docstring）会成为工具的描述，帮助 LLM 理解何时调用它。
下面我们创建一个模拟查询天气的工具：
from langchain.tools import tool
@tool
def get_weather(city: str) -> str:
"""获取指定城市的实时天气信息（模拟实现）。"""
在实际应用中，这里可以调用真实的天气 API
return f"{city} 的天气晴朗，气温 25°C。"
4. 理解并实现工具调用 (Tool Calling)
工具调用允许 LLM 在响应中请求执行一个或多个函数。LangChain 代理利用这一能力，自主决定在何时、以何种顺序调用哪些工具来完成任务。我们需要将定义好的工具绑定到模型上：
tools = [bash] llm_with_tools = llm.bind_tools(tools)
此时，模型已经具备了“知道”可以调用 `get_weather` 工具的能力。
5. 构建代理执行器 (Agent Executor)
在 LangChain 1.3 中，代理的构建更加清晰。我们通常使用 `create_tool_calling_agent` 和 `AgentExecutor` 来构建完整的代理。AgentExecutor 负责循环调用模型、执行工具，并将结果返回给模型，直到得出最终答案。
from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain.prompts import ChatPromptTemplate
定义提示模板
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个有帮助的助手。"),
("human", "{input}"),
("placeholder", "{agent_scratchpad}"),
])
创建代理
agent = create_tool_calling_agent(llm, tools, prompt)
创建代理执行器
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
6. 运行你的第一个 AI 代理
现在，一切就绪。我们可以向代理提出一个需要调用工具的问题，观察它的思考和行动过程。
result = agent_executor.invoke({"input": "请问北京今天的天气怎么样？"})
print(result["output"])
当代理运行时，你会看到它先调用 `get_weather` 工具，获取结果后，再组织成自然的语言回复用户。这个简单的示例完整地展示了从模型初始化、工具定义到代理执行的整个流程。
7. 迁移至 LangChain 1.3：关键变化与注意事项
从旧版本迁移到 LangChain 1.3 需要注意一些重大变化。首先，许多此前在 `langchain` 主包中的内容被移到了 `langchain-classic` 中，需要调整导入路径。其次，官方强烈建议使用 `invoke` 接口替代旧的 `__call__` 方法。对于复杂的代理项目，LangGraph 成为了官方推荐的多智能体（Multi-Agent）编排框架。建议使用 `langchain-cli migrate` 工具辅助进行代码迁移。
What Undercode Say:
- Key Takeaway 1: LangChain 1.3 通过简化 API 和强化 `@tool` 装饰器，极大地降低了构建自定义 AI 代理的门槛，让开发者能更专注于业务逻辑而非框架细节。
- Key Takeaway 2: Groq 的 LPU 架构为 LLM 推理带来了数量级的速度提升，与 LangChain 的结合使得构建实时、低延迟的智能代理应用成为可能，这对于生产环境至关重要。
分析： 本次实践的核心在于将 LangChain 强大的编排能力与 Groq 极致的推理速度相结合。@tool 装饰器的设计哲学体现了“约定优于配置”，它通过类型提示和文档字符串自动生成工具的模式（schema），极大地简化了开发流程。理解工具调用机制是掌握 Agentic AI 的关键，它不仅仅是函数执行，更是一种让 LLM 参与到复杂决策与规划中的范式。随着 LangChain 1.3 的成熟和 Groq 等高效推理硬件的普及，构建能够处理现实世界任务的自主智能体正变得越来越标准化和易于实现。
Prediction:
- +1 Groq 等高效推理芯片的普及将大幅降低 AI 代理的运行成本，使得在边缘设备和实时系统中部署复杂的 Agentic AI 成为主流。
- +1 LangChain 1.3 的简化与 LangGraph 的强化，将推动 Multi-Agent Systems（多智能体系统）从研究走向大规模工业应用，开启“AI 团队”协作的新时代。
- -1 随着 AI 代理自主性的增强，其带来的安全风险（如工具滥用、提示注入攻击）将急剧上升，对 API 安全、权限控制和行为监控提出更高要求。
▶️ Related Video (94% Match):
🎯Let’s Practice For Free:
🎓 Live Courses & Certifications:
Join Undercode Academy for Verified Certifications
🚀 Request a Custom Project:
Secure, high-velocity infrastructure and disruptive technological engineering. Contact our engineering team for high-tier development and proprietary systems:
[email protected]
💎 Smart Architecture | 🛡️ Secure by Design | ⭐ Trusted by Thousands
IT/Security Reporter URL:
Reported By: Ahmad Ali – Hackers Feeds
Extra Hub: Undercode MoN
Basic Verification: Pass ✅
