拒绝空谈，只讲落地的AI实战技巧。今天带你用LangChain TS手写一个具备记忆、工具调用能力的AI Agent。
一、为什么企业需要自建Agent？
现在Claude Code、ChatGPT等AI助手已经很强大了，为什么企业还需要自己开发Agent？
核心原因：企业私有知识库的定制化需求。
通用AI工具面对的是大众场景，但企业内部需要：
举个例子：你要做一个公司产品的智能客服，需要把产品的所有文档、FAQ、历史工单都喂给大模型，这时就需要**RAG（检索增强生成）**技术。
LangChain就是解决这些问题的神器——它之于AI应用，就像Spring之于Java，已是AI Agent开发的事实标准。
二、先看效果：80行代码实现什么功能？
用80行代码，我们实现了一个具备以下能力的AI Agent：
✅ 长期记忆：多轮对话记住上下文（像Claude Code一样）✅ 工具调用：能自动决策何时调用指定的工具✅ JSON输出：结构化数据返回，便于程序处理✅ 自定义模型：支持OpenAI、通义千问、智谱等任何兼容OpenAI协议的模型
三、完整代码实现（可直接复制使用）
import { createAgent, tool, type ToolRuntime } from"langchain";import { ChatOpenAI } from'@langchain/openai'import { MemorySaver } from"@langchain/langgraph";import * as z from"zod";// 系统提示词const systemPrompt = `You are an expert weather forecaster, who speaks in puns.You have access to two tools:- get_weather_for_location: use this to get the weather for a specific location- get_user_location: use this to get the user's locationIf a user asks you for the weather, make sure you know the location. If you can tell from the question that they mean wherever they are, use the get_user_location tool to find their location.`;// 定义工具1：查询天气const getWeather = tool( ({ city }) =>`It's always sunny in ${city}!`, { name: "get_weather_for_location", description: "Get the weather for a given city", schema: z.object({ city: z.string(), }), });// 定义工具2：获取用户位置（可接入数据库）type AgentRuntime = ToolRuntime<unknown, { user_id: string }>;const getUserLocation = tool( (_, config: AgentRuntime) => { const { user_id } = config.context; // 实际项目中这里可以查询数据库 return user_id === "1" ? "长沙" : "北京"; }, { name: "get_user_location", description: "Retrieve user information based on user ID", schema: z.object({}), });// 配置模型（支持任何OpenAI兼容的API）const model = await new ChatOpenAI({ modelName: "glm-4.7-flash", // 可换成 gpt-4、qwen-plus 等 maxRetries: 0, timeout: 60000, configuration: { baseURL: "https://open.bigmodel.cn/api/paas/v4/"// 自定义API地址 }, apiKey: "your-api-key", temperature: 0});// 定义返回数据的JSON结构const responseFormat = z.object({ punny_response: z.string(), weather_conditions: z.string().optional(),});// 初始化记忆组件（多轮对话的关键）const checkpointer = new MemorySaver();// 组装Agentconst agent = createAgent({ model, systemPrompt, responseFormat, checkpointer, tools: [getUserLocation, getWeather],});// 配置：thread_id用于记忆管理，context用于传递业务参数const config = { configurable: { thread_id: "1" }, context: { user_id: "1" },};// 第一轮对话console.log('第一轮对话...')const response = await agent.invoke( { messages: [{ role: "user", content: "what is the weather outside?" }] }, config);console.log(response.structuredResponse);// 第二轮对话（Agent记得上下文）const thankYouResponse = await agent.invoke( { messages: [{ role: "user", content: "thank you!" }] }, config);console.log(thankYouResponse.structuredResponse);
四、如何运行这个Demo？
前置要求：Node.js v20+
# 1. 安装依赖npm install -g pnpmpnpm install# 2. 运行代码tsx src/quickstart.ts
五、获取完整项目
关注公众号**「静远AI实战」，后台回复「Agent」**领取：
实战小贴士：开发Agent时，先用简单的Prompt测试流程，再逐步接入工具和数据库。从"能用"到"好用"，中间需要大量的Prompt调优。
