30款热门AI模型一站整合DeepSeek/GLM/Claude 随心用限时 5 折。 点击领海量免费额度1. 从“对话”到“行动”为什么现在必须理解 AI Agent别再只把大模型当成一个更聪明的聊天机器人了。如果你还在用“用户提问-模型回答”的单轮对话模式来思考 AI 应用那你可能已经落后了。真正的变化在于AI 正在从“回答问题”转向“完成任务”。这就是 AI Agent 的核心。一个 Agent 不是一次性的问答机而是一个能自主规划、调用工具、循环执行直到完成目标的数字员工。它处理的是“长时程任务”——比如你让它“帮我研究一下 LangChain 1.0 的新特性并写一份报告”它需要自己决定先去搜索、然后整理信息、最后生成结构化的内容。这个过程涉及多轮思考、决策和行动这就是所谓的 ReActReasoning Acting循环。为什么现在必须关注这个因为技术栈已经就位。大模型的理解和推理能力足够支撑这种循环而像 LangChain 这样的框架则把构建这种循环的“脏活累活”标准化了。你不用自己从头写状态管理、循环控制、工具调度的复杂逻辑。对于开发者来说这意味着你可以把精力从“如何让 AI 跑起来”转移到“让 AI 做什么”上。这篇文章适合两类人一是对 AI 应用开发感兴趣但觉得直接调用 API 只能做简单问答的开发者二是已经听说过 Agent但被各种概念和框架搞晕不知道如何下手的技术人。我会带你拆解 LangChain 实现 Agent 的核心机制并从一个可运行的实战例子开始让你理解从“对话”到“行动”的转变到底是怎么发生的。2. LangChain 如何成为 Agent 的“脚手架”核心机制拆解直接调用大模型 API 就像给你一块最先进的芯片但 LangChain 帮你造好了主板、电源和散热系统。它的价值不在于让模型更聪明而在于为模型的“非确定性”行为提供一个确定性的、可管理的运行环境。2.1 裸调 API 的三大短板很多人会问我直接用requests库调用 OpenAI 的接口不行吗对于构建 Agent 来说确实不够。主要卡在三个地方无法优雅处理循环Agent 的核心是 ReAct 循环。你需要让模型思考Thought、决定行动Action、执行工具Tool、观察结果Observation然后再思考。自己写这个循环意味着要手动拼接上下文、管理对话历史、判断终止条件代码会迅速变得臃肿且难以调试。难以支撑长时任务一个研究任务可能运行几分钟调用十几次工具。你需要考虑任务的持久化万一中间断了怎么办、状态恢复、以及超时控制。这不是几行try...except能解决的。缺乏可观测性这是最关键的。Agent 的决策路径是非确定性的你无法像调试普通代码一样设断点。如果 Agent 跑偏了或者卡住了你根本不知道它“心里”在想什么哪一步出了问题。没有运行轨迹的追踪上线就等于开盲盒。LangChain特别是其底层的 LangGraph 运行时就是为了解决这些问题而生的。它把循环、状态、工具调用和观测能力封装成了标准化的组件。2.2 Agent 的四大核心组件理解 LangChain 的 Agent可以把它想象成一个团队LLM大脑负责理解和推理。它接收当前状态用户问题历史工具结果然后输出“思考”和“决策”。Agent调度员这是 LangChain 框架的核心逻辑。它根据 LLM 的决策决定下一步是调用工具还是结束任务并管理整个循环流程。Tools工具箱任何 Agent 可以执行的具体操作。可以是一个搜索 API、一个数据库查询函数、一段代码执行器甚至是另一个 Agent。Tools 是 Agent 与外部世界交互的手和脚。Memory记忆体负责记住对话历史、工具调用结果等状态。短期记忆服务于当前会话长期记忆可以跨会话存储关键信息。一个能工作的 Agent就是这四部分协同的结果大脑做决策调度员管流程工具箱干实事记忆体保状态循环跑到任务完成为止。2.3 ReAct 循环决策与执行的舞蹈ReAct 是 Agent 的工作模式LangChain 通过System Prompt来规范这个模式。一个典型的 ReAct 格式的思考过程如下Thought: 用户想了解 LangChain 1.0。我需要先获取最新信息。 Action: web_search Action Input: LangChain 1.0 new features Observation: LangChain 1.0 引入了新的 create_agent 函数与 LangGraph 深度集成强化了状态管理和可观测性... Thought: 我已经获得了关键信息现在可以组织答案了。 Final Answer: LangChain 1.0 的主要新特性包括...框架的作用就是自动解析 LLM 的输出识别出Action和Action Input然后去调用对应的 Tool并把Observation结果塞回上下文开启下一轮Thought。这个循环会一直持续直到 LLM 输出Final Answer或达到最大循环次数。3. 实战从零构建你的第一个“研究助手” Agent理论说再多不如跑一遍代码。我们来实现一个“智能研究助手”你问它一个问题它能自动去网上搜索信息并整理成答案。3.1 环境准备与依赖安装首先确保你的 Python 环境建议 3.8已经就绪。我们将使用 LangChain 和 OpenAI 的模型。此外为了让 Agent 能“动手”搜索我们需要一个搜索工具。这里使用 Tavily它是一个为 AI 优化的搜索引擎 API。打开终端安装必要的包pip install langchain langchain-openai tavily-python安装完成后你需要准备两个 API KeyOpenAI API Key用于调用 GPT 模型作为 Agent 的“大脑”。Tavily API Key去 Tavily 官网注册一个免费账户即可获取。将这两个 Key 设置为环境变量这是更安全的做法# Linux/macOS export OPENAI_API_KEY你的-openai-key export TAVILY_API_KEY你的-tavily-key # Windows (PowerShell) $env:OPENAI_API_KEY你的-openai-key $env:TAVILY_API_KEY你的-tavily-key3.2 定义工具给 Agent 装上“手”Tools 是 Agent 能力的扩展。我们先定义一个网络搜索工具。from langchain.tools import tool from tavily import TavilyClient # 初始化 Tavily 客户端 tavily_client TavilyClient(api_key“你的-tavily-key”) # 生产环境请从环境变量读取 tool def web_search(query: str) - str: 使用 Tavily 搜索网络信息。输入是一个搜索查询字符串返回是搜索结果的摘要文本。 try: # 执行搜索限制结果数量以控制上下文长度 response tavily_client.search(queryquery, max_results3) # 从结果中提取内容并拼接 contents [result[content] for result in response[results]] return \n\n.join(contents) except Exception as e: # 工具层处理异常返回错误信息避免异常直接抛给Agent导致崩溃 return f搜索工具调用失败: {str(e)}这里有几个关键点tool装饰器这是 LangChain 的标记告诉框架这是一个可被 Agent 调用的工具。文档字符串Docstring非常重要LLM 会根据这个描述来决定在什么情况下使用这个工具。描述要清晰准确。异常处理在工具内部捕获异常并返回友好信息。永远不要让工具调用抛出的异常直接中断 Agent 循环。3.3 组装 Agent连接大脑与工具有了工具接下来我们需要创建 LLM 实例并用它将工具和提示词组装成一个可运行的 Agent。from langchain_openai import ChatOpenAI from langchain.agents import create_agent # 1. 创建 LLM “大脑” llm ChatOpenAI(modelgpt-4o-mini, temperature0) # 使用 gpt-4o-mini 性价比高temperature0 使输出更稳定 # 2. 创建 Agent agent create_agent( modelllm, tools[web_search], # 传入我们定义的工具列表 system_prompt你是一个专业的研究助手。当用户提问时你应该优先考虑使用搜索工具获取最新、最准确的信息然后基于这些信息给出清晰、有条理的回答。, max_iterations5, # 关键安全设置防止无限循环 verboseTrue # 设置为 True 可以在控制台看到详细的 ReAct 步骤便于调试 )参数解读model: 这里使用ChatOpenAI你也可以替换为其他 LangChain 支持的模型。tools: 一个列表可以放入多个工具。Agent 会知道它“会”所有这些技能。system_prompt: 系统提示词用于设定 Agent 的角色和行为准则。这是引导 Agent 行为的关键。max_iterations:必设参数。它限制了 ReAct 循环的最大轮数是防止 Agent“陷入沉思”无法退出的安全阀。verbose: 调试神器。打开后你能在控制台看到每一轮Thought、Action、Observation的详细信息。3.4 运行与观察看 Agent 如何工作现在让我们问它一个问题并观察整个过程。# 定义用户问题 user_query LangChain 1.0 版本相比之前有哪些主要改进 # 运行 Agent result agent.invoke({ messages: [{role: user, content: user_query}] }) # 打印最终答案 final_message result[messages][-1] print(*50) print(用户问题:, user_query) print(*50) print(Agent 最终答案:\n, final_message.content) print(*50)当你运行这段代码并设置verboseTrue时在控制台会看到类似这样的输出 Entering new AgentExecutor chain... Thought: 用户想了解 LangChain 1.0 的改进。这是一个关于技术框架最新版本的问题我需要获取准确和最新的信息。我应该使用搜索工具。 Action: web_search Action Input: LangChain 1.0 major improvements new features Observation: [这里会是 Tavily 返回的搜索摘要包含 1.0 版本信息...] Thought: 根据搜索结果LangChain 1.0 引入了新的 create_agent 高阶函数与 LangGraph 运行时深度集成以支持复杂状态管理并增强了可观测性工具 LangSmith。我现在有足够的信息来组织答案了。 Final Answer: LangChain 1.0 的主要改进集中在以下几个方面1. **简化 Agent 创建**提供了 create_agent 函数... 2. **强化状态管理**与 LangGraph 深度集成... 3. **提升可观测性**进一步完善了 LangSmith 的集成... Finished chain. 用户问题: LangChain 1.0 版本相比之前有哪些主要改进 Agent 最终答案: LangChain 1.0 的主要改进集中在以下几个方面... 看到这个过程了吗Agent 自动完成了“思考-搜索-再思考-回答”的完整流程。你没有写任何if语句来决定何时调用搜索你只是告诉了 Agent 它有这个能力并把决策权交给了模型。这就是“目标导向”编程与“指令式”编程的区别。4. 从 Demo 到工程化避开 Agent 开发的常见深坑让一个 Agent 在 Jupyter Notebook 里跑通和让它在一个生产系统中稳定可靠地运行中间隔着一道巨大的鸿沟。以下是几个你必须提前考虑的工程问题。4.1 控制循环防止 Agent“鬼打墙”最典型的问题是 Agent 陷入无限循环或无效循环。比如它可能反复搜索同一个关键词或者在一个问题上不停绕圈子。解决方案设置max_iterations这是底线。根据任务复杂度通常设置为 5-10 轮。对于简单问答3轮可能就够了。优化系统提示词System Prompt在提示词中明确指令例如“如果经过两轮搜索仍无法获得新信息则基于已有信息给出最佳答案并说明局限性”。使用更智能的停止条件除了轮数还可以检查连续几轮的Action是否相同或者Observation是否不再变化从而提前终止。4.2 处理工具失败构建韧性工具调用可能因网络、API 限制、权限等问题失败。一个脆弱的工具会导致整个 Agent 崩溃。解决方案工具内部重试与降级像我们之前代码那样在工具函数内部进行try...except捕获并返回有意义的错误信息。对于网络请求可以加入指数退避重试。Agent 层面的容错在 Agent 的提示词中加入处理工具失败的指导例如“如果工具调用失败请分析失败原因并尝试另一种方法或告知用户”。使用备用工具为关键操作提供多个工具实现如不同的搜索 API当一个失败时Agent 可以尝试另一个。4.3 管理上下文应对 Token 爆炸每次循环历史对话、工具结果都会被追加到上下文。几轮之后很容易超出模型的上下文窗口导致性能下降或成本激增。解决方案选择性记忆不要将全部历史都塞给模型。使用ConversationSummaryMemory或ConversationBufferWindowMemory等记忆组件只保留最近几轮或总结后的摘要。利用 LangGraph 的状态管理LangGraph 允许你定义更精细的状态结构只将必要的状态传递给下一个节点而不是整个对话历史。精简工具输出让工具返回最精炼的结果。例如搜索工具可以返回摘要而非全文。4.4 实现可观测性给 Agent 装上“黑匣子”没有可观测性Agent 就是一个盲盒。你无法优化、无法调试、更无法信任。解决方案集成 LangSmith这是 LangChain 官方的可观测性平台。它能记录每一次 LLM 调用、工具调用、Token 消耗、耗时和完整的链式轨迹。通过分析这些轨迹Traces你能清楚地看到 Agent 的决策路径在哪里出现了偏差。结构化日志在代码中关键节点如每次工具调用前后、每次循环开始结束打入带有唯一 ID 的详细日志方便在分布式系统中追踪单个请求的全链路。定义评估指标对于生产系统你需要定义什么是“好”。是任务完成率是平均循环轮次还是用户满意度建立评估体系才能持续迭代优化 Agent。4.5 LangChain vs. LangGraph如何选型这是常见的困惑。简单来说LangChain高层提供开箱即用的高级抽象如create_agent。它适合快速原型验证、标准化场景。你关注的是“做什么”而不是“怎么做”。LangGraph底层是一个基于状态图的运行时引擎。它让你能通过定义节点Node和边Edge来精确控制复杂的工作流、循环和状态转移。适合需要精细控制、长时运行、多 Agent 协作的生产级应用。实战建议从 LangChain 的create_agent开始。当你的需求变得复杂例如需要自定义循环逻辑、实现复杂分支、或管理持久化状态时再深入使用 LangGraph。事实上create_agent的底层就是由 LangGraph 驱动的。5. 超越搜索扩展你的 Agent 能力蓝图搜索只是一个起点。Agent 的真正威力在于它能集成各种工具成为一个“全能助手”。下面是一些扩展思路和代码片段。5.1 集成多种工具一个强大的 Agent 应该拥有一个工具箱。让我们给它加上计算和文件读写能力。import math from datetime import datetime tool def calculator(expression: str) - str: 执行数学计算。输入是一个数学表达式字符串例如 3 5 * 2。返回计算结果。 try: # 警告使用 eval 有安全风险仅作示例。生产环境应使用更安全的解析库如 ast.literal_eval 或专用数学库。 result eval(expression, {__builtins__: None}, {math: math}) return str(result) except Exception as e: return f计算失败: {str(e)} tool def write_memo(content: str, filename: str None) - str: 将内容写入备忘录文件。输入是要写入的文本和可选的文件名。返回操作结果。 if filename is None: filename fmemo_{datetime.now().strftime(%Y%m%d_%H%M%S)}.txt try: with open(filename, w, encodingutf-8) as f: f.write(content) return f内容已成功写入文件: {filename} except Exception as e: return f写入文件失败: {str(e)} # 创建拥有多工具的 Agent advanced_agent create_agent( modelllm, tools[web_search, calculator, write_memo], system_prompt你是一个高级助手可以搜索信息、进行数学计算和记录备忘录。请根据用户需求合理使用你的工具。, max_iterations8 ) # 测试多工具 Agent result advanced_agent.invoke({ messages: [{role: user, content: 请先计算圆周率乘以10的平方然后将结果和今天的日期一起记入备忘录。}] }) print(result[messages][-1].content)这个 Agent 会先调用calculator计算math.pi * 10**2然后调用write_memo将结果和日期写入文件。5.2 处理复杂任务与状态管理对于需要多步骤、有依赖关系的复杂任务简单的循环可能不够。这时需要用到 LangGraph 来定义明确的工作流。假设我们要构建一个“数据报告生成 Agent”1. 从数据库取数据 2. 用 Python 分析 3. 生成图表 4. 撰写报告。# 这是一个概念性示例展示 LangGraph 的思路 from langgraph.graph import StateGraph, END from typing import TypedDict, Annotated import operator # 1. 定义状态结构 class ReportState(TypedDict): question: str raw_data: Annotated[list, operator.add] # 累积数据 analysis_result: str chart_path: str final_report: str # 2. 定义各个节点函数工具 def fetch_data(state: ReportState): # 模拟数据库查询 state[raw_data] [{x: i, y: i*i} for i in range(10)] return state def analyze_data(state: ReportState): # 模拟数据分析 data state[raw_data] state[analysis_result] f分析完成共 {len(data)} 条数据。 return state def generate_chart(state: ReportState): # 模拟生成图表这里用保存文本模拟 state[chart_path] chart_20231027.png return state def write_report(state: ReportState): # 综合所有信息写报告 state[final_report] f报告摘要 问题{state[question]} {state[analysis_result]} 图表已生成{state[chart_path]} return state # 3. 构建图 workflow StateGraph(ReportState) workflow.add_node(fetch, fetch_data) workflow.add_node(analyze, analyze_data) workflow.add_node(chart, generate_chart) workflow.add_node(report, write_report) # 4. 定义边执行顺序 workflow.add_edge(fetch, analyze) workflow.add_edge(analyze, chart) workflow.add_edge(chart, report) workflow.add_edge(report, END) # 5. 编译并运行图 app workflow.compile() initial_state {question: 展示近期的增长趋势} final_state app.invoke(initial_state) print(final_state[final_report])通过 LangGraph你将 Agent 的工作流从“自由发挥”变成了“有剧本的表演”更适合对流程有严格要求的复杂生产任务。5.3 为 Agent 添加记忆为了让 Agent 在多次交互中记住上下文你需要给它加上记忆。from langchain.memory import ConversationBufferMemory from langchain.agents import AgentExecutor from langchain.agents import create_react_agent from langchain import hub # 拉取一个标准的 ReAct 提示词模板 prompt hub.pull(hwchase17/react) # 创建记忆 memory ConversationBufferMemory(memory_keychat_history, return_messagesTrue) # 使用更底层的 AgentExecutor 来集成记忆 llm ChatOpenAI(modelgpt-4o-mini, temperature0) tools [web_search, calculator] agent create_react_agent(llm, tools, prompt) # 创建执行器传入记忆 agent_executor AgentExecutor( agentagent, toolstools, memorymemory, verboseTrue, max_iterations5 ) # 现在进行多轮对话 result1 agent_executor.invoke({input: 北京今天的天气怎么样}) print(result1[output]) result2 agent_executor.invoke({input: 那上海呢}) # Agent 会记得上一轮在问天气 print(result2[output])ConversationBufferMemory会将所有对话历史保存在内存中。对于长对话可以考虑ConversationSummaryMemory来压缩历史节省 Token。6. 评估与迭代如何判断你的 Agent 是否“好用”构建出 Agent 只是第一步。如何衡量它的表现并持续改进是更大的挑战。这没有银弹但可以从以下几个维度入手任务完成率给定一批测试任务有多少被成功完成了这是最基础的指标。平均循环轮次Steps完成一个任务平均需要多少次 ReAct 循环轮次越少通常意味着效率越高、成本越低。工具调用准确率Agent 选择使用工具的决定是否正确有没有该用没用或不该用乱用的情况最终输出质量答案是否准确、完整、有用这可以通过人工评估或使用另一个 LLM 作为裁判LLM-as-a-Judge来打分。成本与延迟处理单个任务消耗的 Token 数和总耗时是多少这直接关系到可用性和运营成本。建立评估流水线准备一个涵盖不同场景和难度的测试用例集。每次对 Agent 的提示词、工具或模型进行修改后都在这个测试集上运行并记录上述指标。使用 LangSmith 可以自动化地追踪每次运行的轨迹和成本是进行这种评估的绝佳工具。迭代循环基于评估结果分析失败案例的轨迹Trace。是提示词不清晰是工具描述不准还是模型能力不足然后有针对性地进行调整。Agent 的开发是一个典型的“数据驱动”和“观测驱动”的迭代过程。别再只停留在讨论和观望。真正的理解始于动手。从安装 LangChain、定义一个搜索工具、创建一个能自动完成“思考-行动”循环的 Agent 开始。你会立刻感受到编程的范式正在从“告诉计算机每一步怎么做”转向“告诉计算机你想要什么结果”。在这个过程中最大的挑战可能不是技术而是思维方式的转变——从控制到赋能从确定到引导。你的角色正在从细枝末节的流程编码者转变为为智能体设定目标和边界的架构师。 30款热门AI模型一站整合DeepSeek/GLM/Claude 随心用限时 5 折。 点击领海量免费额度