🎯 课程主题

讲解 create_agent() 中 model 参数的两种传入方式：字符串和模型实例对象。

📝 核心知识点

1. create_agent 的核心参数

  • 概念说明：create_agent() 有两个最重要的参数 —— model（模型，Agent的大脑）和 tools（工具列表）。本节重点讲 model。
  • 关键细节：完整的参数列表可查阅官方文档，后续章节会逐步涉及其他参数（系统提示词、中间件等）。

2. 方式一：传入字符串

  • 概念说明：直接传入 "供应商:模型名" 格式的字符串，LangChain会自动解析并初始化对应的模型。
  • 关键细节：
    • 格式示例："deepseek:deepseek-chat"（供应商:模型名）
    • 本质是底层路由到对应的 ChatModel 类（如 ChatDeepSeek）
    • 必须调用 load_dotenv() 加载环境变量（如 DEEPSEEK_API_KEY），否则会报错
from dotenv import load_dotenv
from langchain.agents import create_agent

load_dotenv()

agent = create_agent(
    model="deepseek:deepseek-chat"
)

print(type(agent))
# 输出：<class 'langgraph.graph.state.CompiledStateGraph'>

3. 方式二：传入模型实例对象

  • 概念说明：先显式创建模型实例，再传入 create_agent()。
  • 关键细节：
    • 与字符串方式等价，底层调的是同一套机制
    • 可以更精细地控制模型参数（温度、top_p等）
    • 切换模型供应商只需换实例对象即可
from langchain_deepseek import ChatDeepSeek
from langchain_openai import ChatOpenAI
from langchain.agents import create_agent

# 方式A：DeepSeek
model = ChatDeepSeek(model="deepseek-chat")

# 方式B：OpenAI
model = ChatOpenAI(model="gpt-4")

agent = create_agent(model=model)

4. Agent底层是LangGraph图结构

  • 概念说明：create_agent() 返回的Agent本质上是一个 CompiledStateGraph 实例，底层依赖LangGraph。
  • 关键细节：可以通过 get_graph().draw_mermaid() 可视化图结构：
print(agent.get_graph().draw_mermaid())
# 输出：start → model → end 的Mermaid图

🏗️ 架构与工作流

  • create_agent() 内部自动构建LangGraph图：start → model 节点 → end。
  • 后续绑定工具后，图结构会增加 tools 节点和条件路由。

💻 代码实战

from dotenv import load_dotenv
from langchain.agents import create_agent
from langchain_deepseek import ChatDeepSeek

load_dotenv()

# ========== 方式一：字符串 ==========
agent_str = create_agent(model="deepseek:deepseek-chat")
print(type(agent_str))  # CompiledStateGraph

# ========== 方式二：模型实例 ==========
model = ChatDeepSeek(model="deepseek-chat")
agent_obj = create_agent(model=model)
print(type(agent_obj))  # CompiledStateGraph

# ========== 查看图结构 ==========
print(agent_obj.get_graph().draw_mermaid())

⚠️ 常见问题与避坑指南

  • 使用字符串方式时，务必先执行 load_dotenv()，否则会因找不到 API Key 而报错。
  • 字符串格式中的供应商名要与LangChain支持的集成名对应（如 deepseek → ChatDeepSeek，openai → ChatOpenAI）。

💡 个人总结与延伸

两种传入方式本质上等价，选择哪种取决于个人习惯和场景需求。字符串方式更简洁，适合快速原型；模型实例方式更灵活，适合需要精细控制模型参数的场景。理解Agent底层是LangGraph图结构很重要——这为后续理解工具调用流程和多节点协作打下了基础。

最近更新:
Contributors: yangwenguang