智能体：给大语言模型装上“手脚”，让它学会使用工具

你是否曾对着AI感叹："你要是能自己上网查资料、算个数学题，该多好！"

过去，LLM（大语言模型）就像一个知识渊博但行动迟缓的学者------能侃侃而谈，却无法动手操作。但今天，这个局面被彻底打破了！智能体（Agent） 技术让LLM不仅会"思考"，更能"行动"------调用搜索引擎、运行计算器、查询API......真正成为你的全能助手。

本文将带你深入智能体的核心：ReAct框架，并用LangChain亲手搭建一个能自主搜索、计算价格的智能体。准备好了吗？让我们一起开启AI的新纪元！

---

一、智能体是什么？为什么需要它？

我们之前构建的LLM应用，无论是简单的提示词链，还是带记忆的聊天机器人，都遵循一个固定流程：用户输入 -> 模型处理 -> 输出。这种模式虽然有效，但模型无法主动采取行动来弥补自身缺陷。

比如，LLM的数学能力一直被人诟病，简单的算术也可能出错。但如果它能调用一个计算器呢？再比如，它的知识截止于训练数据，无法回答实时问题。但如果它能自己上网搜索呢？

智能体正是为了解决这些问题而生。它是一个由LLM驱动的自主系统，能够：

• 理解用户意图

• 规划行动步骤

• 调用外部工具（如搜索引擎、计算器、API）

• 根据工具反馈调整计划

• 最终给出答案

如下图所示，智能体的核心在于：LLM不再只是生成文本，而是生成思考、行动指令，并观察结果，形成闭环。

---

二、ReAct：智能体的"思考-行动"循环

要让LLM自主行动，我们需要一个清晰的决策框架。2022年，Shunyu Yao等人提出了 ReAct（Reasoning + Acting）框架，完美融合了推理与行动。

ReAct的核心是一个三阶段循环（见下图）：

1. 思考（Thought）：LLM根据当前情况，思考下一步该做什么。

2. 行动（Action）：LLM输出一个具体的行动指令，比如调用某个工具。

3. 观察（Observation）：工具执行后返回结果，LLM将其作为新信息。

这个过程可以重复多次，直到模型认为可以给出最终答案。

举个实际例子：查询MacBook Pro价格并换算欧元

假设一位在欧洲的用户想买MacBook Pro，但美国官网标价是美元，他想知道换算成欧元是多少，汇率是0.85。智能体的工作流程如下图所示：

• 第1轮

  • 思考："我需要先查出MacBook Pro的美元价格。"

  • 行动：调用搜索引擎，查询"current price of MacBook Pro in USD"。

  • 观察：搜索引擎返回"$1299"（或其他实际价格）。

• 第2轮

  • 思考："现在我需要将美元换算成欧元，汇率0.85。"

  • 行动 ：调用计算器，计算 1299 × 0.85。

  • 观察：计算器返回"1104.15"。

• 最终：模型整合信息，输出"当前MacBook Pro价格约为1104.15欧元。"

你看，整个过程就像人类解决问题一样：先查资料，再计算，最后给出答案。而这一切，都是LLM自主完成的！

---

三、LangChain中的ReAct实现

理论讲完，我们动手实践。我们将用LangChain框架，基于OpenAI的GPT-3.5构建一个智能体，给它配备两个工具：搜索引擎 （DuckDuckGo）和计算器。

3.1 准备LLM和工具

首先，加载OpenAI模型（注意需要API密钥）：

python

import os
from langchain_openai import ChatOpenAI

os.environ["OPENAI_API_KEY"] = "你的密钥"
openai_llm = ChatOpenAI(model_name="gpt-3.5-turbo", temperature=0)

接着，定义工具。LangChain内置了许多工具，我们这里使用llm-math（计算器）和DuckDuckGo搜索。

python

from langchain.agents import load_tools
from langchain.tools import DuckDuckGoSearchResults, Tool

# 创建搜索工具
search = DuckDuckGoSearchResults()
search_tool = Tool(
    name="duckduck",
    description="一个网络搜索引擎，用于查询一般信息。",
    func=search.run,
)

# 加载计算器工具
tools = load_tools(["llm-math"], llm=openai_llm)
tools.append(search_tool)

3.2 创建ReAct模板

ReAct框架依赖一个特定的提示词模板，它告诉LLM如何思考、行动、观察，以及如何输出最终答案。模板如下：

text

Answer the following questions as best you can. You have access to the following tools:

{tools}

Use the following format:

Question: the input question you must answer
Thought: you should always think about what to do
Action: the action to take, should be one of [{tool_names}]
Action Input: the input to the action
Observation: the result of the action
... (this Thought/Action/Action Input/Observation can repeat N times)
Thought: I now know the final answer
Final Answer: the final answer to the original input question

Begin!

Question: {input}
Thought:{agent_scratchpad}

注意，{tools}和{tool_names}会被替换为实际工具列表，{agent_scratchpad}用于记录之前的思考-行动历史。

在LangChain中，我们可以用PromptTemplate定义这个模板：

python

from langchain import PromptTemplate

react_template = """...（上面内容）..."""

prompt = PromptTemplate(
    template=react_template,
    input_variables=["tools", "tool_names", "input", "agent_scratchpad"]
)

3.3 构建智能体执行器

LangChain提供了create_react_agent函数来创建ReAct智能体，并用AgentExecutor来运行它。

python

from langchain.agents import AgentExecutor, create_react_agent

agent = create_react_agent(openai_llm, tools, prompt)
agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    verbose=True,          # 输出中间步骤，方便调试
    handle_parsing_errors=True
)

3.4 运行智能体

现在，让我们用之前的MacBook问题测试一下：

python

result = agent_executor.invoke({
    "input": "What is the current price of a MacBook Pro in USD? How much would it cost in EUR if the exchange rate is 0.85 EUR for 1 USD?"
})
print(result["output"])

执行时，设置verbose=True会看到如图7-17所示的中间步骤，例如：

text

> Entering new AgentExecutor chain...
I need to find the current price of a MacBook Pro in USD first before converting it to EUR.
Action: duckduck
Action Input: "current price of MacBook Pro in USD"
Observation: [搜索结果 snippet]
Thought: I have the price $2249.00. Now I need to convert to EUR using the exchange rate.
Action: Calculator
Action Input: $2249.00 * 0.85
Observation: 1911.6499999999999
Thought: I now know the final answer.
Final Answer: The current price of a MacBook Pro in USD is $2249.00. It would cost approximately €1911.65 in EUR.

最终，智能体成功完成了任务！

---

四、智能体的优势与挑战

通过这个例子，我们看到了智能体的巨大潜力：

• 自主决策：无需人类干预，模型自己规划步骤。

• 工具扩展：可以集成任意工具，如天气API、数据库查询、代码执行器等，能力无限。

• 自我纠错：如果某步工具返回错误，模型可以重新思考，尝试其他方法。

但也要注意，智能体并非万能：

• 可靠性：模型可能错误选择工具，或误解工具输出，导致错误答案。如图7-17所示，实际价格可能与搜索结果有出入，需要人工验证。

• 延迟：多次调用工具和模型会显著增加响应时间。

• 安全风险：自主调用外部工具可能带来安全隐患（如执行恶意代码），需严格限制工具权限。

因此，在生产环境中，我们通常需要加入验证机制，比如要求模型返回信息来源，或对关键步骤进行人工审核。

---

五、小结：智能体开启LLM应用新篇章

本章我们学习了：

• 智能体的定义：能够自主规划、调用工具、解决问题的LLM系统。

• ReAct框架：通过"思考-行动-观察"循环实现推理与行动的协同。

• LangChain实现：用OpenAI模型、搜索引擎和计算器构建了一个真实智能体。

• 应用前景：从问答到自动化工作流，智能体正成为AI落地的核心形态。

智能体的出现，标志着LLM从"聊天机器人"向"数字员工"的跃迁。未来，每个企业都可能拥有自己的智能体集群，自动完成市场调研、数据分析、客户服务等复杂任务。

本文参考：图解大模型：生成式AI原理与实战

书籍pdf免费下载地址：https://pan.baidu.com/s/1mTaUQ5czcfGpBM8KvJuS2g?pwd=un44