图解 LangChain 18｜create_agent：v1.0 的标准 Agent 入口

Phase 2 结尾，我们手动搭了一个客服 Agent：定义 State、写 Node、连 Edge、加条件分支、挂 Checkpointer。这一套手工活，搭一个简单 Agent 还行，但如果每次做 Agent 都这么搭一遍，太累。

create_agent 就是来解决这个的——它把标准 Agent 的那一套封装好，你一行代码就能搭出一个能调工具、有循环的 Agent。这一篇讲它封装了什么、底层是什么。

create_agent 封装了什么

回忆 Phase 2 那个客服 Agent，我们手动做了什么：

• 定义 messages state
• 写模型节点（调 LLM）
• 写工具节点（执行工具）
• 连条件 edge（有工具调用吗？）
• 连循环（工具回模型）
• 挂 checkpointer

这六步，几乎是每个工具型 Agent 都要做的。create_agent 把这六步打包：

from langchain import create_agent

agent = create_agent(
    model=model,
    tools=[查订单工具, 搜索工具],
)

这一行就得到了一个能调工具、能循环推理的 Agent。它内部替你完成了 state 定义、模型节点、工具节点、条件分支、循环——全是 Phase 2 讲的那套。

关键事实：底层就是一个 LangGraph

这是理解 create_agent 最重要的一个事实：它底层就是一个 LangGraph。

create_agent 返回的 Agent，内部跑的就是一张图——和你在 Phase 2 手动搭的图，结构几乎一样：模型节点 → 条件分支（要不要调工具）→ 工具节点 → 循环回模型。

这意味着什么？意味着你没有丢失任何能力。用 create_agent 不是「降级」到一个黑盒——它跑的还是你熟悉的 LangGraph。需要时，你可以拿到这张图，像 Phase 2 那样去改它、扩展它。

create_agent 和 LangGraph 的关系是「封装 vs 原料」：create_agent 是封装好的标准品，LangGraph 是底层原料。标准品够用就用标准品，不够用时下沉到原料自己搭。

核心 Agent Loop

create_agent 跑的核心循环，就是 ReAct 模式（Phase 2 第 12 篇讲过）：

1. 调用模型，把 tools 告诉它
2. 模型决定：直接回答，还是调某个工具
3. 如果调工具 → 执行工具 → 把结果回灌模型 → 回到第 1 步
4. 如果直接回答 → 输出，结束

这个循环会一直转，直到模型决定「不再调工具，直接回答」。create_agent 把这个循环实现了，你只管提供 model 和 tools。

什么时候用 create_agent，什么时候自己搭

简单说：先试 create_agent，它覆盖了 80% 的工具型 Agent 需求；遇到它套不上的特殊流程，再下沉到 LangGraph 手搭。

create_agent 返回的也是 Runnable

一个小但重要的点：create_agent 返回的 Agent 也是一个 Runnable（因为底层是编译后的 LangGraph）。

所以它有 invoke / stream / batch，能流式输出 Agent 的思考过程，能被 LangSmith 追踪。Phase 1 学的 Runnable 能力，这里全都用得上。

收束：从手搭到开箱即用

这一篇讲了 create_agent：

• 它把标准 Agent 的六步（state/模型节点/工具节点/条件分支/循环/checkpointer）封装好
• 底层就是一个 LangGraph，不丢失任何能力
• 核心是 ReAct 循环：模型决定调工具还是直接答
• 覆盖 80% 工具型 Agent 需求，套不上再下沉手搭
• 返回的 Agent 是 Runnable，继承所有能力

下一篇讲怎么在 create_agent 的基础上定制——Middleware：不动核心 loop，通过钩子注入记忆、压缩、护栏等能力。这是 Phase 3 的核心。

关于十三Tech

我是十三，All in AI Agent 方向的架构师，专注 AI 工程实践。我相信 AI 是程序员的最佳搭档。

如果你想跟完这套「图解 LangChain」，欢迎关注公众号 「十三Tech」。全系列 42 篇，会按认识基础、LangGraph 状态机、Agent 与 middleware、RAG 检索、Tools/MCP/记忆、生产化收束这条线更新。