很多初学者直接上手 LangChain，会被它眼花缭乱的类名（Classes）和链条（Chains）搞晕，因为他们不知道底层在干嘛。但你不一样，当你看到 LangChain 的源码时，你会心一笑：“这不就是我前两天写的那个 while 循环和 try-except 嘛！”

1. 概念映射：你的手写代码 VS LangChain 组件

我们先把你在前几天手写的“土方法”，一一对应到 LangChain 的“正规军”装备上：

2. LangChain 初体验：用 30 行代码重构你的 Agent

你不需要再去写复杂的正则表达式和循环了。请确保你安装了最新的库：

pip install langchain langchain-openai langchain-community

新建一个 langchain_agent.py，直接体验工业级框架的丝滑：

from langchain_openai import ChatOpenAI
from langchain.agents import tool, AgentExecutor, create_react_agent
from langchain_core.prompts import PromptTemplate
from langchain.memory import ConversationBufferWindowMemory

# ==========================================
# 1. 挂载大脑 (LLM) - 连接你本地的 Qwen
# ==========================================
print("[*] 正在连接本地大模型...")
llm = ChatOpenAI(
    base_url="http://127.0.0.1:8080/v1", 
    api_key="sk-none", 
    model="qwen2.5-7b",
    temperature=0.1
)

# ==========================================
# 2. 定义手脚 (Tools) - 一个装饰器搞定工具注册
# ==========================================
@tool
def search_ziwei(query: str) -> str:
    """当用户询问命理、紫微斗数、星曜等专业知识时，必须使用此工具。"""
    # 这里为了演示直接返回字符串，实际中这里放你的 rag_system.query(query)
    print(f"   [⚙️ 底层执行工具] 正在检索: {query}")
    return f"检索结果：{query} 是一颗非常重要的星曜，代表了智慧与变动。"

tools = [search_ziwei]

# ==========================================
# 3. 组装记忆 (Memory)
# ==========================================
# k=3 表示记住最近 3 轮完整对话
memory = ConversationBufferWindowMemory(memory_key="chat_history", k=3)

# ==========================================
# 4. 编写 Prompt 与组装 Agent
# ==========================================
# LangChain 标准的 ReAct 模板，留出变量占位符
template = """你是一个紫微斗数专家。尽可能用中文回答问题。
你可以使用以下工具：
{tools}

请严格遵守以下格式：
Question: 用户的问题
Thought: 思考你需要做什么
Action: 必须是 [{tool_names}] 之一
Action Input: 传入工具的参数
Observation: 工具的返回结果
... (Thought/Action/Action Input/Observation 可以循环多次)
Thought: 我现在知道最终答案了
Final Answer: 最终回答给用户的话

之前的对话记录：
{chat_history}

Question: {input}
{agent_scratchpad}"""

prompt = PromptTemplate.from_template(template)

# 创建 Agent 逻辑 (它代替了你手写的正则解析和 Action 判断)
agent = create_react_agent(llm, tools, prompt)

# 创建执行器 (它代替了你手写的 for step in range(max_iterations) 循环)
# handle_parsing_errors=True 就是你昨天写的 JSON 自愈机制！
agent_executor = AgentExecutor(
    agent=agent, 
    tools=tools, 
    memory=memory, 
    verbose=True, # 开启 verbose，能看到它内部的思考过程！
    handle_parsing_errors=True 
)

# ==========================================
# 5. 极简的主循环
# ==========================================
print("="*50)
print("🔮 LangChain 版紫微斗数 Agent 已启动")
print("="*50)

while True:
    user_input = input("\n🧑‍💻 你: ").strip()
    if user_input.lower() in ['quit', 'exit']:
        break
    if not user_input: continue
        
    # 仅仅这一行代码，就走完了记忆读取、ReAct 循环、工具调用、自愈和记忆保存！
    response = agent_executor.invoke({"input": user_input})
    
    print(f"\n🤖 大师: {response['output']}")

3. 代码亮点解析（面试必聊）

当你运行这段代码时，注意观察控制台因为 verbose=True 打印出来的绿色文本。你会看到 LangChain 在底层帮你做了多少脏活累活：

1. @tool 装饰器： 你再也不用手写繁琐的 JSON 工具说明书了！LangChain 会自动把你函数的 docstring（注释）和参数类型解析成大模型能看懂的 JSON Schema。
2. handle_parsing_errors=True： 昨天你写了好几行 try-except 来捕获 JSON 错误并引导模型重写。在 LangChain 里，只需把这个参数设为 True，框架会自动帮你“温柔地”把错误信息喂回给模型，实现自愈。
3. memory.save_context 去哪了？ 因为你把 memory 对象传给了 AgentExecutor，LangChain 内部会自动在循环结束后，把极其干净的 input 和 output 存入记忆，自动帮你做了数据隔离，防止中间思考过程污染记忆。