一、什么是 Agent（智能体）？
1.1 通俗解释
想象你有一个特别聪明的助手，它不仅能和你聊天，还能帮你干活：
- 你说"帮我查一下北京明天的天气"，它会调用天气 API 查询
- 你说"帮我订一张去上海的机票"，它会调用订票系统
- 你说"帮我写一段代码"，它会调用代码执行工具
这就是 Agent（智能体）------一个能"动手干活"的 AI。
1.2 正式定义
一个 Agent 由三个核心组件构成：
┌─────────────────────────────────────────────────────────────┐
│ Agent 的组成 │
├─────────────────────────────────────────────────────────────┤
│ │
│ 1. 大语言模型 (LLM) │
│ - 负责"思考"和决策 │
│ - 决定什么时候调用工具、调用哪个工具 │
│ │
│ 2. 工具集 (Tools) │
│ - Agent 可以使用的"技能" │
│ - 比如：搜索、计算、调用 API、执行代码等 │
│ │
│ 3. 提示词 (Prompt) │
│ - 给 Agent 的"指令" │
│ - 定义 Agent 的角色、行为规范等 │
│ │
└─────────────────────────────────────────────────────────────┘1.3 Agent 的执行循环
Agent 不是"一次对话就结束"，而是在一个循环中持续运行：
┌─────────────────────────────────────────────────────────────┐
│ Agent 执行循环 │
├─────────────────────────────────────────────────────────────┤
│ │
│ ┌──────────┐ │
│ │ 用户输入 │ │
│ └────┬─────┘ │
│ │ │
│ ▼ │
│ ┌──────────┐ ┌──────────┐ │
│ │ LLM 思考 │────▶│ 选择工具 │ │
│ └──────────┘ └────┬─────┘ │
│ │ │
│ ▼ │
│ ┌──────────┐ │
│ │ 执行工具 │ │
│ └────┬─────┘ │
│ │ │
│ ▼ │
│ ┌──────────┐ │
│ │ 获得结果 │ │
│ └────┬─────┘ │
│ │ │
│ ▼ │
│ ┌──────────┐ │
│ │ 任务完成？│ │
│ └────┬─────┘ │
│ 是 │ │ 否 │
│ │ └──────┐ │
│ ▼ │ │
│ ┌──────────┐ │ │
│ │ 返回结果 │ │ │
│ └──────────┘ │ │
│ │ │
│ └──────▶ 回到 LLM 思考 │
│ │
└─────────────────────────────────────────────────────────────┘简单说：Agent 会不断"思考-行动-观察"，直到完成任务。
二、LangGraph 的核心功能
LangGraph 提供了构建生产级 Agent 系统所需的关键功能：
2.1 记忆管理（Memory）
Agent 需要"记住"之前的对话和状态：
| 类型 | 说明 | 例子 |
|---|---|---|
| 短期记忆 | 单次会话内的记忆 | "我刚才说了什么？" |
| 长期记忆 | 跨会话的持久记忆 | "记住我的偏好" |
# LangGraph 原生支持记忆
from langgraph.checkpoint.memory import MemorySaver
memory = MemorySaver()
graph = builder.compile(checkpointer=memory)2.2 人工干预（Human-in-the-Loop）
Agent 执行过程中可以暂停，等待人工确认：
Agent: 我准备删除这个文件，确认吗？
人工: 确认
Agent: 已删除关键特点：
- 可以无限期暂停（不依赖实时连接）
- 支持异步审批
- 可在工作流任意节点干预
2.3 流式输出（Streaming）
实时输出 Agent 的执行过程：
# 流式输出 Agent 状态
for event in graph.stream(input, stream_mode="values"):
print(event)可以流式输出：
- Agent 状态变化
- LLM 生成的 token
- 工具执行结果
2.4 部署工具
LangGraph 提供完整的部署解决方案：
| 工具 | 说明 |
|---|---|
| LangGraph Studio | 可视化 IDE，用于调试和检查工作流 |
| LangGraph Platform | 支持多种生产环境部署 |
| CLI & SDK | 命令行工具和开发套件 |
三、高级预构建组件
LangGraph 提供了一系列预构建组件，让你不用从零开始实现 Agent：
3.1 为什么需要预构建组件？
传统方式（从零开始）:
- 自己实现状态管理
- 自己实现记忆存储
- 自己实现人工干预
- 自己实现错误处理
...费时费力
使用预构建组件:
- 调用 create_react_agent() 就能创建 Agent
- 内置状态管理、记忆、干预等功能
...快速上线3.2 核心预构建组件
| 组件 | 功能 |
|---|---|
create_react_agent |
创建 ReAct 风格的 Agent |
ToolNode |
工具执行节点 |
tools_condition |
条件边：判断是否需要调用工具 |
四、包生态系统
LangGraph 的功能分布在多个包中：
4.1 核心包
| 包名 | 用途 | 安装命令 |
|---|---|---|
langgraph |
核心框架 + 预构建组件 | pip install langgraph |
langgraph-supervisor |
构建主管模式多 Agent | pip install langgraph-supervisor |
langgraph-swarm |
构建蜂群模式多 Agent | pip install langgraph-swarm |
4.2 扩展包
| 包名 | 用途 | 安装命令 |
|---|---|---|
langchain-mcp-adapters |
MCP 服务器集成 | pip install langchain-mcp-adapters |
langmem |
Agent 记忆管理 | pip install langmem |
agentevals |
Agent 性能评估 | pip install agentevals |
五、创建 Agent 的基本方法
5.1 最简单的例子
from langgraph.prebuilt import create_react_agent
from langchain_openai import ChatOpenAI
# 1. 创建 LLM
model = ChatOpenAI(model="gpt-4")
# 2. 定义工具
def get_weather(city: str) -> str:
"""查询城市天气"""
return f"{city}今天晴天，温度25度"
# 3. 创建 Agent
agent = create_react_agent(
model,
tools=[get_weather],
)
# 4. 运行 Agent
result = agent.invoke({
"messages": [{"role": "user", "content": "北京今天天气怎么样？"}]
})
print(result)5.2 Agent 的内部结构
create_react_agent 创建的 Agent 包含以下组件：
┌─────────────────────────────────────────────────────────────┐
│ Agent 内部结构 │
├─────────────────────────────────────────────────────────────┤
│ │
│ tools: 工具列表 │
│ - Agent 可以调用的函数或 API │
│ │
│ pre_model_hook: 模型调用前的钩子 │
│ - 可以修改消息、添加系统提示等 │
│ │
│ post_model_hook: 模型调用后的钩子 │
│ - 可以添加防护措施、人工干预等 │
│ │
│ response_format: 输出格式约束 │
│ - 可以指定输出为特定的数据结构 │
│ │
└─────────────────────────────────────────────────────────────┘5.3 可视化 Agent 图
# 查看 Agent 的图结构
agent.get_graph().draw_ascii()
# 保存为 PNG
png_data = agent.get_graph().draw_mermaid_png()
with open("agent_graph.png", "wb") as f:
f.write(png_data)六、Agent vs 传统程序
6.1 对比表
| 特性 | 传统程序 | Agent |
|---|---|---|
| 决策方式 | 预定义规则 | LLM 动态决策 |
| 灵活性 | 固定流程 | 可根据情况调整 |
| 工具使用 | 硬编码调用 | LLM 决定何时调用 |
| 错误处理 | 需要预先考虑所有情况 | LLM 可以动态应对 |
| 适用场景 | 流程明确、规则固定 | 需要灵活应对的场景 |
6.2 什么时候用 Agent？
适合用 Agent：
- 任务流程不确定，需要灵活应对
- 需要根据用户输入动态选择工具
- 需要处理开放性问题
不适合用 Agent：
- 流程固定、规则明确
- 不需要 LLM 决策
- 性能要求极高（Agent 有额外开销）
七、最佳实践
7.1 工具设计原则
# 好的工具设计：职责单一、描述清晰
def search_web(query: str) -> str:
"""搜索网络信息
Args:
query: 搜索关键词
Returns:
搜索结果摘要
"""
...
# 不好的工具设计：职责混乱
def do_everything(action: str, params: dict) -> dict:
"""万能工具"""
...7.2 提示词设计
# 给 Agent 明确的角色和行为规范
system_prompt = """
你是一个智能助手，负责帮助用户解决问题。
你的能力：
1. 可以搜索网络获取信息
2. 可以进行数学计算
3. 可以查询天气
你的行为规范：
1. 先思考再行动
2. 如果不确定，主动询问用户
3. 完成任务后总结结果
"""7.3 错误处理
# 工具内部做好错误处理
def risky_operation(param: str) -> str:
try:
result = do_something(param)
return result
except Exception as e:
return f"操作失败: {str(e)}"
# Agent 会根据错误信息决定下一步行动八、常见问题
Q1: Agent 和 ChatBot 有什么区别？
| ChatBot | Agent |
|---|---|
| 只能对话 | 能调用工具执行任务 |
| 被动响应 | 主动规划和执行 |
| 单轮或简单多轮 | 复杂的多步骤任务 |
Q2: Agent 会一直循环下去吗？
不会。Agent 有停止条件：
- LLM 认为任务完成
- 达到最大迭代次数
- 遇到错误
Q3: 如何控制 Agent 的成本？
- 限制工具数量
- 设置最大迭代次数
- 使用更便宜的模型
- 缓存常见查询结果
九、延伸阅读
附录：快速开始
安装
pip install langgraph langchain-openai最小示例
from langgraph.prebuilt import create_react_agent
from langchain_openai import ChatOpenAI
model = ChatOpenAI(model="gpt-4")
def calculator(a: int, b: int) -> int:
"""计算两个数的和"""
return a + b
agent = create_react_agent(model, tools=[calculator])
result = agent.invoke({
"messages": [{"role": "user", "content": "计算 3 + 5"}]
})
print(result["messages"][-1].content)总结
Agent = LLM + 工具 + 提示词
LangGraph 让你可以：
- 快速创建 Agent（使用预构建组件）
- 管理记忆和状态
- 实现人工干预
- 部署到生产环境
核心思想：让 AI 不仅能"说话"，还能"做事"。