使用 LangChain 和 VibeCodeCheap 构建AI代理
← 返回博客

使用 LangChain 和 VibeCodeCheap 构建AI代理

1 分钟阅读
langchain ai-agents tutorial python

AI代理正在改变我们构建智能应用的方式。在本教程中,我们将使用 LangChain 和 VibeCodeCheap 的实惠API构建一个强大的AI代理。

我们将构建什么

一个研究助手代理,可以:

  • 在网上搜索信息
  • 总结内容
  • 回答后续问题
  • 保持对话上下文

先决条件

  • Python 3.9+
  • VibeCodeCheap API密钥
  • 基本Python知识

步骤1:安装依赖

pip install langchain langchain-openai python-dotenv

步骤2:配置API

创建 .env 文件:

OPENAI_API_KEY=您的-vibecodecheap-密钥
OPENAI_API_BASE=https://api.vibecodecheap.com/v1

步骤3:创建代理

from langchain_openai import ChatOpenAI
from langchain.agents import AgentExecutor, create_openai_functions_agent
from langchain.tools import tool
from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder
import os
from dotenv import load_dotenv

load_dotenv()

# 使用 VibeCodeCheap 初始化 LLM
llm = ChatOpenAI(
    model="claude-sonnet-4.5",
    openai_api_key=os.getenv("OPENAI_API_KEY"),
    openai_api_base=os.getenv("OPENAI_API_BASE"),
)

@tool
def search_web(query: str) -> str:
    """在网上搜索信息。"""
    # 您的搜索实现
    return f"搜索结果:{query}"

@tool
def summarize(text: str) -> str:
    """总结给定的文本。"""
    return llm.invoke(f"总结这个:{text}").content

# 创建代理
tools = [search_web, summarize]

prompt = ChatPromptTemplate.from_messages([
    ("system", "您是一个有帮助的研究助手。"),
    MessagesPlaceholder(variable_name="chat_history"),
    ("human", "{input}"),
    MessagesPlaceholder(variable_name="agent_scratchpad"),
])

agent = create_openai_functions_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

步骤4:运行代理

result = agent_executor.invoke({
    "input": "研究AI编程助手的最新趋势",
    "chat_history": []
})

print(result["output"])

为什么使用 VibeCodeCheap 构建AI代理?

构建代理需要大量API调用。我们的定价使其变得实惠:

  • 成本降低50% - 更多实验,更少担忧
  • 兼容OpenAI - 开箱即用地与 LangChain 配合
  • 多种模型 - 尝试 Claude、GPT-4、Gemini
  • 高速率限制 - 处理生产工作负载

下一步

  • 为您的代理添加更多工具
  • 实现长对话的记忆
  • 部署为Web服务

今天就开始构建AI代理

相关文章

Build Your AI Agents Now

API proxy for Claude Code, LangChain, CrewAI & more. One API key for Claude, Gemini models.