Как создать первого AI-агента с LangChain за 60 минут

AI-агенты — это системы, способные самостоятельно планировать и выполнять многошаговые задачи, используя набор инструментов. В отличие от обычного чат-бота, агент может искать информацию в интернете, выполнять код, работать с файлами и принимать решения о следующем шаге без вашего участия. В этом туториале мы создадим полноценного агента за один час.

Что мы построим

Исследовательский агент, который умеет: искать актуальную информацию через API, суммаризировать найденные данные, генерировать структурированный отчёт и сохранять результаты в файл. Этот шаблон подходит для автоматизации research-задач, мониторинга конкурентов и сбора данных.

Шаг 1: Настройка окружения

Установите необходимые библиотеки. Создайте виртуальное окружение Python 3.10+, затем выполните установку зависимостей: langchain, langchain-openai, langchain-community, python-dotenv и tavily-python для поиска в интернете. Создайте файл .env и добавьте ваш OPENAI_API_KEY и TAVILY_API_KEY — оба ключа доступны по бесплатным тарифам для тестирования.

Шаг 2: Определяем инструменты агента

Инструменты — это функции, которые агент может вызывать для выполнения задач. Мы определим три инструмента: поиск в интернете через Tavily API (возвращает актуальные результаты из веба), выполнение Python кода в sandbox-среде и сохранение текста в файл. Каждый инструмент декорируется аннотацией @tool из langchain.tools с подробным описанием — агент использует эти описания, чтобы понять, когда применять каждый инструмент.

Шаг 3: Создаём агента

Используем ReAct (Reasoning + Acting) архитектуру — одну из самых надёжных для автономных агентов. Инициализируем языковую модель GPT-4o, передаём список инструментов и создаём AgentExecutor с параметром verbose=True для отладки. В системном промпте чётко описываем роль агента, доступные инструменты и желаемый формат вывода.

Шаг 4: Добавляем память

Для сохранения контекста между сообщениями добавляем ConversationBufferWindowMemory с параметром k=5 (хранит последние 5 обменов). Это позволяет агенту ссылаться на предыдущие результаты поиска и выстраивать многошаговые исследования.

Тестирование и отладка

Запускаем агента с тестовым запросом и наблюдаем за chain-of-thought рассуждениями в консоли. Агент должен автоматически решить: выполнить поиск для сбора фактов, обработать результаты и сформулировать структурированный ответ. Типичные проблемы: infinite loops (решается добавлением max_iterations), hallucinations в инструментах (решается более строгими описаниями) и превышение контекстного окна (решается summarization памятью).

Следующие шаги

Базовый агент готов. Для продакшн-систем рекомендуем добавить: async выполнение для параллельных задач, persistent storage для долгосрочной памяти, rate limiting для API инструментов и observability через LangSmith. Всё это подробно разбирается в нашем курсе «Разработка AI-агентов».