Search⌘ K
AI Features

ما هو create_agent؟

استخدم create_agent، API عالية المستوى الخاصة بـ LangChain لبناء حلقة النموذج والأدوات القياسية التي قمنا بتنفيذها يدويًا باستخدام StateGraph.

خلال الدروس القليلة الماضية، قمنا ببناء نفس حلقة الوكيل بشكل متكرر: أtool_calling_llm العقدة التي تستدعي النموذج المُمكّن بالأداة،ToolNode التي تنفذ استدعاءات الأدوات التي يُرجعها النموذج، وtools_condition يتم توجيه تنفيذ التعليمات إما إلى الأدوات أو إلى نهاية الرسم البياني. بعد تنفيذ الأداة، يعود الرسم البياني إلى النموذج. يبقى النموذج وعقدة تنفيذ الأداة وبنية التوجيه كما هي. تتغير فقط الأدوات المرتبطة بالنموذج.

يعكس هذا التكرار نمطًا شائعًا للوكيل. توفر LangChain API عالية المستوى لحلقة النموذج والأدوات القياسية هذه من خلالcreate_agent الوظيفة. خلال هذا الدرس، سنعيد استخدام الأدوات الثلاث التي تم تقديمها في "أدوات متعددة في سير عمل LangGraph":

def multiply(a: int, b: int) -> int:
"""Multiply two integers and return the product."""
return a * b
def translate_to_french(text: str) -> str:
"""Return a mock French translation of the input text."""
return f"French translation of '{text}'"
def get_weather(city: str) -> str:
"""Return a mock weather string for the given city."""
return f"The weather in {city} is sunny."
The same tools used throughout the advanced LangGraph module

منStateGraph لcreate_agent

تعمل الحلقة من "استدعاءات الأدوات المتسلسلة في LangGraph" على النحو التالي: يطلب النموذج استدعاء أداة، ويتم إرجاع نتيجة الأداة إلى النموذج، وتستمر الحلقة حتى يُرجع النموذج استجابة بدون استدعاءات أدوات:

from langchain_openai import ChatOpenAI
from langgraph.graph import MessagesState, StateGraph, START, END
from langgraph.prebuilt import ToolNode, tools_condition
llm = ChatOpenAI(model="gpt-5")
llm_with_tools = llm.bind_tools([multiply, translate_to_french, get_weather])
def tool_calling_llm(state: MessagesState):
response = llm_with_tools.invoke(state["messages"])
return {"messages": [response]}
builder = StateGraph(MessagesState)
builder.add_node("tool_calling_llm", tool_calling_llm)
builder.add_node("tools", ToolNode([multiply, translate_to_french, get_weather]))
builder.add_edge(START, "tool_calling_llm")
builder.add_conditional_edges("tool_calling_llm", tools_condition, {"tools": "tools", END: END})
builder.add_edge("tools", "tool_calling_llm")
graph = builder.compile()
The manual agent loop, as built in earlier lessons

create_agentيقوم بإنشاء نفس الرسم البياني لك:

from langchain.agents import create_agent
graph = create_agent(
model="openai:gpt-5",
tools=[multiply, translate_to_french, get_weather],
system_prompt="You are a helpful assistant.",
)
The same agent loop via create_agent
  • السطر 1: نستوردcreate_agent منlangchain.agents . ...