Agents 的概念：
Agents 是将大模型+你项目中的工具结合起来，做某一个任务的一个应用。
输入：任务 大模型解析任务，然后调用工具得到结果 ：
因此模型 是重点：
该模型是你代理人的推理引擎。它可以以多种方式进行指定，支持静态和动态模型选择。
LangChain 创建代理的时候，支持动态加载模型和静态加载两种模式。
from langchain.agents import create_agent
agent = create_agent("openai:gpt-5", tools=tools)
如果使用董涛价值模型，可以使用中间件@wrap_model_call例如：
定义两个模型
basic_model = ChatOpenAI(model="gpt-4.1-mini") # 基础版（便宜、快）
advanced_model = ChatOpenAI(model="gpt-4.1") # 高级版（强、贵）
动态模型选择器（核心！）
@wrap_model_call # 这是 LangChain 提供的模型装饰器
def dynamic_model_selection(request: ModelRequest, handler) -> ModelResponse:
"""根据对话复杂度自动选模型"""
# 看看现在对话有多少条消息
message_count = len(request.state["messages"])
# 如果消息超过10条 → 对话变复杂了
if message_count > 10:
model = advanced_model # 用高级模型
else:
model = basic_model # 否则用基础模型
# 把选中的新模型塞进去
return handler(request.override(model=model))
#创建智能体
gent = create_agent(
model=basic_model, # 默认先用基础模型
tools=tools,
middleware=[dynamic_model_selection] # 把动态切换功能加进去！)
二：工具：因为工具的存在，才使得智能体能将大模型的结果落地
工具赋予代理采取行动的能力。代理不仅仅限模型工具绑定，还促进了：
多个工具调用依次触发（由一个提示触发）
适当时并行工具调用
基于以往结果的动态工具选择
工具重试逻辑与错误处理
工具调用间的状态持久性
同样的工具也分为静态工具和动态工具
静态工具
静态工具在创建代理时定义，执行过程中保持不变。这是最常见且最直接的方法。
要定义带有静态工具的代理，将工具列表传递给代理。
from langchain.tools import tool
from langchain.agents import create_agent
@tool
def search(query: str) -> str:
"""Search for information."""
return f"Results for: {query}"
@tool
def get_weather(location: str) -> str:
"""Get weather information for a location."""
return f"Weather in {location}: Sunny, 72°F"
agent = create_agent(model, tools=[search, get_weather])
动态工具
而动态工具则是在运行时修改代理可用的工具集，而不是事先定义。并非所有工具都适合所有情况。过多工具可能会使模型不堪重负（上下文过载），并增加错误;限制能力太少。动态工具选择允许根据认证状态、用户权限、功能标志或对话阶段调整可用工具集。
根据工具是否事先已知，有两种方法：
过滤预注册工具
当所有可能的工具在代理创建时都已知，你可以预先注册它们，并根据状态、权限或上下文动态过滤哪些工具暴露在模型中。
运行时注册工具：
当工具在运行时被发现或创建（例如从MCP服务器加载、基于用户数据生成，或从远程注册表获取），你需要既注册工具，还需要动态处理其执行。
这需要两个中间件钩子：
wrap_model_call- 将动态工具添加到请求中
wrap_tool_call- 处理动态添加工具的执行