LangChain 的 create_agent 让我们能轻松建立具备工具调用能力的智能体。按理说，但很多同学只停留在“一问一答”的层面对于 Agent 的身份标识、结构化输出、流式控制 这些高级特性却了解甚少。话说回来，

今天聊聊带你深入 Agent 的三大高级用法：

1. 名称与程序提示词 —— 多智能体场景的身份标记
2. 结构化输出 —— 让 Agent 返回类型安全的数据
3. 流式输出 —— 实现打字机效果与进度监控

每个部分都会配合完整代码示例。并揭示底层原理，助你写出更健壮、更可控的 Agent 应用。说起来，

环境准备

痛点：不确定模型如何接入。担心环境配置繁琐，

我们仍使用 OpenRouter 托管的 DeepSeek 模型，你可以替换成任意支持 create_agent 的模型。

from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
from dotenv import load_dotenv
import os
load_dotenv
model = init_chat_model(
model="deepseek-v4-flash"。model_provider="openai",api_key=os.getenv,base_url=os.getenv
)

命名你的 Agent：多智能体场景的身份标识

痛点：在多 Agent 程序里日志难以分辨来源，调试成本高。

当程序中有多个 Agent 协作时给每个 Agent 起个名字能极大提高日志可读性和调试效率。

create_agent 的 name 参数就是干这个的：

agent = create_agent(
model=model,name="OpenAI Gym"。# 自定义名称
)
messages =
response = agent.invoke
for msg in response:
msg.pretty_print

输出中会看到 AI 消息带上了 Name: OpenAI Gym在多 Agent 程序中一眼就能区分消息来源。

至于程序提示词。定制 Agent 的“人设”

痛点：PROMPT 编写不统一，导致不同场景下行为不可预测。

通过 syst​em_prompt 参数。你可以为 Agent 设置程序级指令，既可以是字符串，也可以是 S​ystemMessage 对象。不过，

agent = create_agent(
model=model,name="江西文旅助手"。system_prompt="你是一个热心的江西文旅推介程序的客服助手"
)
messages =
response = agent.invoke

结合工具使用时程序提示词还能指导 Agent 的调用流程，例如“如果是 VIP 客户则发送感谢邮件”。

结构化输出的观点是。让 Agent 返回类型安全的对象

痛点：L​LM 输出自由文本，后端需要自行解析、校验，易出错且耗时。

This is most critical advanced feature. Create_agent 提供了 response_format 参数，让可以要求 Agent 最终输出一个符合特定 Schema 的结构化数据。话说回来，

ProviderStrategy —— 原生结构化支持

A model that natively supports structured output can use ProviderStrategy for maximum efficiency.

from pydantic import BaseModel,Field
from langchain.agents.structured_output import ProviderStrategy
class ContactInfo:
至于name，str = Field
再看email，str = Field
说到phone，str = Field
agent = create_agent(
model=model,name="信息提取助手"。response_format=ProviderStrategy
)
response = agent.invoke({
"messages":
})
# 直接取结构化结果
print # ContactInfo

The returned payload includes a "structured_response" field containing a parsed Pydantic instance .

ToolStrategy —— 通用回退方案

If underlying model lacks native support,LangChain falls back to ToolStrategy,wrapping your schema as a “virtual tool”. The model “calls” this tool to deliver structured payload.

from langchain.agents.structured_output import ToolStrategy
agent = create_agent(
model=model,response_format=ToolStrategy
)

The underlying flow:

• The agent runs;LLM emits a "tool_calls" entry whose "name" matches your schema name and whose "args" hold extracted field values.
• "args" into "structured_response",and inserts a syntic "ToolMessage" into history indicating success.
• The final result you receive is exactly typed object you defined.

支持哪些 Schema 类型？说起来，

class ContactInfo: ... 

TypedDict 示例：