前三篇談為何要蓋、開源地端模型該怎麼挑、再到 Ollama 這個把「下載模型、跑推論」變成一行指令的好夥伴。地基有了，接下來就是把房子蓋起來，也就是真正寫程式，讓模型變成能做事的 Agent。

這篇起開始一個小系列，會先把 LangChain 用起來，再直接過渡到 LangGraph：

1. "Hello World!"：用 LangChain 建第一個 Agent
2. 直接用 LangGraph 手刻流程，拿回更細的控制權
3. 設計模式分享：Workflow 流或 Agent 流

LangChain 在做什麼？

現在的 LangChain 已經不是早期那種「一堆 Chain 疊起來」的寫法了。核心概念很單純：用 create_agent 一次把三樣東西組起來：

• model：你要用哪個語言模型
• tools：模型可以呼叫的外部函式（查天氣、查資料庫、爬網頁…都算）
• system_prompt：定義這個 Agent 的角色與行為

組好之後呼叫 agent.invoke(...)，LangChain 會自動處理「模型判斷要不要呼叫工具 → 執行工具 → 把結果丟回模型繼續推理」這整套流程，不用自己手動寫迴圈去接工具呼叫的結果。這也是它比起早期版本好用很多的地方：以前要自己組 Chain、自己處理 Agent 的決策迴圈，現在幾行程式碼就能有一個會用工具的 Agent。

針對地端 Ollama 開發：怎麼接？

官方 Quickstart 裡示範的是雲端 API（OpenAI、Gemini、Claude…），但文件裡其實也直接把 Ollama 列為支援的 provider，接法幾乎一樣，差別在三件事：

（1）Ollama 服務要先跑起來

延續上一篇，ollama serve（或桌面版直接開著）要在背景待命，LangChain 是透過本機的 Ollama API 呼叫，不是打到雲端。

（2）用 ChatOllama 物件指定模型

比起用 "ollama:模型名" 這種字串寫法，更推薦直接建立 ChatOllama 物件，這樣可以順手把 temperature、num_ctx（context window 長度）等地端常會需要調整的參數一併設定好，做法可以參考最下方的「第一個範例」。

這邊先把套件裝起來：

pip install -U langchain langchain-ollama

（3）沒有雲端限流，吃自己的顯卡記憶體

地端跑 agent 最大的差異在這裡：工具呼叫（tool calling）的穩定度很吃模型本身能力，選一顆有明確標註支援 function calling 的模型會少踩很多雷。

第一個範例：一個會查天氣的地端 Agent

from langchain.agents import create_agent
from langchain_ollama import ChatOllama

def get_weather(city: str) -> str:
    """查詢指定城市的天氣。"""
    return f"{city} 現在總是晴天！"

model = ChatOllama(
    model="qwen3:8b",  # 換成你本機已經 pull 下來的模型
    temperature=0.5,
)

agent = create_agent(
    model=model,
    tools=[get_weather],
    system_prompt="你是一個樂於助人的助理。",
)

result = agent.invoke(
    {"messages": [{"role": "user", "content": "台北現在天氣如何？"}]}
)
print(result["messages"][-1].content)

跑起來後，Agent 會判斷這句話需要查天氣、呼叫 get_weather("台北")、再把結果組回自然語言回答你。