最近在尝试将大语言模型（LLM）应用到具体业务场景时，很多开发者都会遇到一个共同的困惑：如何让一个“聪明”的模型，变成一个能稳定、可靠、按流程完成复杂任务的“智能体”（Agent）？尤其是在医疗、金融、客服这类对流程和准确性要求极高的领域，单纯调用模型API往往力不从心。本文将以一个医疗问诊智能体的完整构建过程为例，手把手带你理解 LangChain、LangGraph 和 LangSmith 这三个核心工具如何各司其职，协同工作。你将看到如何从一个简单的想法出发，逐步搭建起一个具备导诊、分诊、多轮对话和工具调用能力的智能系统。无论你是刚接触 Agent 开发的新手，还是希望优化现有流程的开发者，这篇文章都将提供一套可复现的实战方案。1. 背景与核心概念：为什么需要 Agent 框架？在深入代码之前，我们有必要厘清几个关键概念，理解它们解决的问题。1.1 什么是 AI Agent？AI Agent（智能体）不仅仅是一个问答模型。它是一个能够感知环境、自主决策、执行动作以实现特定目标的系统。在医疗问诊场景中，一个合格的 Agent 需要：理解用户意图：区分是咨询感冒症状，还是预约挂号。管理对话状态：记住用户之前提到的病史、过敏史。调用工具：查询药品数据库、检索最新的诊疗指南、计算用药剂量。控制流程：决定下一步是继续追问症状，还是直接给出建议，或是转接给专科模块。单纯使用大模型 API，你需要自己处理对话历史、工具调用逻辑、流程控制，代码会迅速变得复杂且难以维护。1.2 LangChain、LangGraph、LangSmith 分别是什么？你可以把它们想象成建设一座“智能医院”所需的不同专业团队：LangChain：医生的“工具箱”与“标准操作流程”LangChain 是一个用于开发由语言模型驱动的应用程序的框架。它提供了丰富的“组件”，比如：提示模板（Prompt Templates）：将用户输入和上下文规范化为模型能更好理解的指令。模型抽象（LLMs）：统一接口，方便切换不同的模型（如 OpenAI GPT, Anthropic Claude， 国内的通义千问等）。记忆（Memory）：管理对话历史，支持短期（缓冲区）和长期（数据库）记忆。链（Chains）：将多个组件（如提示词、模型、解析器）按顺序组合起来，完成一个固定任务。比如“问答链”、“摘要链”。工具（Tools）：封装外部功能，如搜索、计算、数据库查询，供模型调用。简单说，LangChain 提供了构建 Agent 所需的所有基础砖块和粘合剂。LangGraph：医院的“就诊流程图”与“调度中心”当任务变得复杂，需要循环、分支、并行或状态管理时，简单的“链”就不够用了。LangGraph 建立在 LangChain 之上，用于构建有状态、多环节的工作流。它用图（Graph）来定义工作流，节点（Node）代表一个步骤（如调用模型、执行工具），边（Edge）代表步骤之间的流转条件。它维护一个状态（State）对象，在整个流程中传递和更新信息（如用户输入、模型回复、工具结果）。它特别适合实现多智能体协作和复杂决策流程。比如，在我们的医疗问诊中，导诊Agent判断病情后，可以将状态传递给呼吸科Agent或皮肤科Agent。LangGraph 负责指挥调度，确保整个问诊流程井然有序，不会跑偏。LangSmith：医院的“质控中心”与“培训部”开发 Agent 过程中，调试和优化非常困难。为什么这次回答好，那次回答差？提示词怎么改？LangSmith 是一个用于调试、测试、评估和监控 LLM 应用程序的平台。跟踪（Tracing）：可视化整个链或工作流的执行过程，查看每一步的输入输出。评估（Evaluation）：用人工或自动化的方式评估应用表现，量化改进效果。数据管理：管理用于测试和优化的提示词、数据集。LangSmith 帮助开发者洞察系统内部，持续迭代优化，确保智能体的表现稳定可靠。三者关系总结：用 LangChain 造零件，用 LangGraph 组装成能运转的机器，用 LangSmith 来调试和优化这台机器。2. 环境准备与版本说明在开始构建之前，请确保你的开发环境已就绪。本文将使用 Python 作为开发语言。2.1 基础环境操作系统：Windows 10/11, macOS 或 Linux (Ubuntu 20.04+) 均可。Python 版本：建议使用 Python 3.10 或 3.11。某些库对新版本（3.12+）的兼容性可能还在完善中。包管理工具：使用pip进行安装。2.2 创建虚拟环境（强烈推荐）为避免包冲突，建议为项目创建独立的虚拟环境。# 使用 venv (Python 内置) python -m venv med_agent_env # 激活环境 # Windows: med_agent_env\Scripts\activate # macOS/Linux: source med_agent_env/bin/activate2.3 安装核心库激活虚拟环境后，安装必要的 Python 包。我们将安装 LangChain 全家桶，并选用 OpenAI 的模型作为示例（你需要准备自己的 API Key）。你也可以替换为其他兼容的模型。pip install langchain langchain-core langchain-community langgraph langsmith pip install openai # 使用OpenAI API # 可选，用于网页搜索工具示例 pip install duckduckgo-search注意：LangChain 生态更新较快，上述langchain包是一个元包，会安装核心组件。langgraph和langsmith是独立的库。2.4 获取 API 密钥OpenAI：访问 OpenAI Platform 创建 API Key。LangSmith（可选但推荐）：访问 LangSmith 注册并创建 API Key。它提供免费的额度，对于开发和调试非常有帮助。将密钥设置为环境变量，这是管理敏感信息的推荐方式。# Windows (PowerShell) $env:OPENAI_API_KEY="your-openai-api-key" $env:LANGCHAIN_API_KEY="your-langsmith-api-key" # 可选 $env:LANGCHAIN_TRACING_V2="true" # 可选，启用追踪 $env:LANGCHAIN_PROJECT="Medical-Agent-Demo" # 可选，设置项目名 # macOS/
基于LangChain与LangGraph构建医疗问诊智能体：从原理到实战
最近在尝试将大语言模型（LLM）应用到具体业务场景时，很多开发者都会遇到一个共同的困惑：如何让一个“聪明”的模型，变成一个能稳定、可靠、按流程完成复杂任务的“智能体”（Agent）？尤其是在医疗、金融、客服这类对流程和准确性要求极高的领域，单纯调用模型API往往力不从心。本文将以一个医疗问诊智能体的完整构建过程为例，手把手带你理解 LangChain、LangGraph 和 LangSmith 这三个核心工具如何各司其职，协同工作。你将看到如何从一个简单的想法出发，逐步搭建起一个具备导诊、分诊、多轮对话和工具调用能力的智能系统。无论你是刚接触 Agent 开发的新手，还是希望优化现有流程的开发者，这篇文章都将提供一套可复现的实战方案。1. 背景与核心概念：为什么需要 Agent 框架？在深入代码之前，我们有必要厘清几个关键概念，理解它们解决的问题。1.1 什么是 AI Agent？AI Agent（智能体）不仅仅是一个问答模型。它是一个能够感知环境、自主决策、执行动作以实现特定目标的系统。在医疗问诊场景中，一个合格的 Agent 需要：理解用户意图：区分是咨询感冒症状，还是预约挂号。管理对话状态：记住用户之前提到的病史、过敏史。调用工具：查询药品数据库、检索最新的诊疗指南、计算用药剂量。控制流程：决定下一步是继续追问症状，还是直接给出建议，或是转接给专科模块。单纯使用大模型 API，你需要自己处理对话历史、工具调用逻辑、流程控制，代码会迅速变得复杂且难以维护。1.2 LangChain、LangGraph、LangSmith 分别是什么？你可以把它们想象成建设一座“智能医院”所需的不同专业团队：LangChain：医生的“工具箱”与“标准操作流程”LangChain 是一个用于开发由语言模型驱动的应用程序的框架。它提供了丰富的“组件”，比如：提示模板（Prompt Templates）：将用户输入和上下文规范化为模型能更好理解的指令。模型抽象（LLMs）：统一接口，方便切换不同的模型（如 OpenAI GPT, Anthropic Claude， 国内的通义千问等）。记忆（Memory）：管理对话历史，支持短期（缓冲区）和长期（数据库）记忆。链（Chains）：将多个组件（如提示词、模型、解析器）按顺序组合起来，完成一个固定任务。比如“问答链”、“摘要链”。工具（Tools）：封装外部功能，如搜索、计算、数据库查询，供模型调用。简单说，LangChain 提供了构建 Agent 所需的所有基础砖块和粘合剂。LangGraph：医院的“就诊流程图”与“调度中心”当任务变得复杂，需要循环、分支、并行或状态管理时，简单的“链”就不够用了。LangGraph 建立在 LangChain 之上，用于构建有状态、多环节的工作流。它用图（Graph）来定义工作流，节点（Node）代表一个步骤（如调用模型、执行工具），边（Edge）代表步骤之间的流转条件。它维护一个状态（State）对象，在整个流程中传递和更新信息（如用户输入、模型回复、工具结果）。它特别适合实现多智能体协作和复杂决策流程。比如，在我们的医疗问诊中，导诊Agent判断病情后，可以将状态传递给呼吸科Agent或皮肤科Agent。LangGraph 负责指挥调度，确保整个问诊流程井然有序，不会跑偏。LangSmith：医院的“质控中心”与“培训部”开发 Agent 过程中，调试和优化非常困难。为什么这次回答好，那次回答差？提示词怎么改？LangSmith 是一个用于调试、测试、评估和监控 LLM 应用程序的平台。跟踪（Tracing）：可视化整个链或工作流的执行过程，查看每一步的输入输出。评估（Evaluation）：用人工或自动化的方式评估应用表现，量化改进效果。数据管理：管理用于测试和优化的提示词、数据集。LangSmith 帮助开发者洞察系统内部，持续迭代优化，确保智能体的表现稳定可靠。三者关系总结：用 LangChain 造零件，用 LangGraph 组装成能运转的机器，用 LangSmith 来调试和优化这台机器。2. 环境准备与版本说明在开始构建之前，请确保你的开发环境已就绪。本文将使用 Python 作为开发语言。2.1 基础环境操作系统：Windows 10/11, macOS 或 Linux (Ubuntu 20.04+) 均可。Python 版本：建议使用 Python 3.10 或 3.11。某些库对新版本（3.12+）的兼容性可能还在完善中。包管理工具：使用pip进行安装。2.2 创建虚拟环境（强烈推荐）为避免包冲突，建议为项目创建独立的虚拟环境。# 使用 venv (Python 内置) python -m venv med_agent_env # 激活环境 # Windows: med_agent_env\Scripts\activate # macOS/Linux: source med_agent_env/bin/activate2.3 安装核心库激活虚拟环境后，安装必要的 Python 包。我们将安装 LangChain 全家桶，并选用 OpenAI 的模型作为示例（你需要准备自己的 API Key）。你也可以替换为其他兼容的模型。pip install langchain langchain-core langchain-community langgraph langsmith pip install openai # 使用OpenAI API # 可选，用于网页搜索工具示例 pip install duckduckgo-search注意：LangChain 生态更新较快，上述langchain包是一个元包，会安装核心组件。langgraph和langsmith是独立的库。2.4 获取 API 密钥OpenAI：访问 OpenAI Platform 创建 API Key。LangSmith（可选但推荐）：访问 LangSmith 注册并创建 API Key。它提供免费的额度，对于开发和调试非常有帮助。将密钥设置为环境变量，这是管理敏感信息的推荐方式。# Windows (PowerShell) $env:OPENAI_API_KEY="your-openai-api-key" $env:LANGCHAIN_API_KEY="your-langsmith-api-key" # 可选 $env:LANGCHAIN_TRACING_V2="true" # 可选，启用追踪 $env:LANGCHAIN_PROJECT="Medical-Agent-Demo" # 可选，设置项目名 # macOS/
