在 LangChain 的世界里，智能体（Agents） 是最令人兴奋的高级特性。如果说"链（Chains）"是预先设定的"流水线"，那么"智能体"就是一个拥有决策权的"虚拟员工"。
一、 什么是智能体 (Agents)？
简单来说，智能体是使用大语言模型（LLM）作为推理引擎来决定如何行动的系统。
- 链 (Chains)：动作序列是硬编码在代码里的。比如：先翻译，再总结。
- 智能体 (Agents)：模型自己决定需要采取哪些步骤，以及调用的顺序。它会根据用户的输入，不断进行"思考 -> 行动 -> 观察"的循环，直到任务完成。
核心公式：智能体 = 大脑 (LLM) + 手脚 (Tools) + 规划逻辑 (Control Loop)
二、 智能体的三大核心组件
- 大脑 (LLM)： 负责逻辑推理、意图识别和决定下一步该做什么。
- 工具 (Tools)： 智能体可以调用的外部功能。例如：谷歌搜索、计算器、数据库查询接口、Python 代码解释器等。
- 代理执行器 (Agent Executor / LangGraph)： 控制智能体运行的运行时环境。它负责循环调用 LLM，解析其输出，执行工具，并把工具结果反馈给 LLM。
三、 经典模式：ReAct
大多数智能体遵循 ReAct (Reason + Act) 模式。其执行过程类似人类思考：
- Thought (思考)：LLM 思考"我现在的目标是什么？为了实现目标，我需要调用什么工具？"
- Action (行动)：选择一个工具并生成调用参数。
- Observation (观察)：运行工具，获取返回结果（如搜索结果或计算值）。
- Repeat (循环)：根据观察到的新信息，回到步骤1再次思考。
四、 代码示例：构建一个具备搜索和计算能力的智能体
我们将创建一个能上网查资料并进行计算的智能体（使用 OpenAI 模型和 Tavily 搜索工具）。
python
import os
from langchain_openai import ChatOpenAI
from langchain_community.tools.tavily_search import TavilyAnswer
from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain_core.prompts import ChatPromptTemplate
# 1. 定义工具
# Tavily 是目前最适合智能体的搜索接口
search_tool = TavilyAnswer()
tools = [search_tool]
# 2. 初始化模型
# 必须使用支持工具调用（Tool Calling）的模型，如 GPT-4o 或 Claude 3
llm = ChatOpenAI(model="gpt-4o", temperature=0)
# 3. 创建提示词模板
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个非常强大的助手。"),
("human", "{input}"),
# 占位符：用于存放中间步骤的"思考过程"
("placeholder", "{agent_scratchpad}"),
])
# 4. 构建智能体
agent = create_tool_calling_agent(llm, tools, prompt)
# 5. 实例化执行器（负责循环运行直到出结果）
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
# 6. 测试
response = agent_executor.invoke({"input": "谁是2024年诺贝尔物理学奖得主？他们主要的贡献是什么？"})
print(response["output"])五、 现代演进：从 AgentExecutor 到 LangGraph
在 2024 年以后的 LangChain 开发中，官方更推荐使用 LangGraph 来构建智能体。
- AgentExecutor：是一个"黑盒"循环，对于复杂的任务（如循环、回溯、多智能体协作）控制力较弱。
- LangGraph ：将智能体的行为定义为有向图 。
- 节点 (Nodes)：是具体的步骤（如"调用 LLM"或"执行工具"）。
- 边 (Edges)：决定了流程如何流转（如"如果工具结果是错误，则重试"）。
- 状态 (State)：可以在步骤间共享和修改。
- 优势：支持"人工干预"（Human-in-the-loop），允许你在 AI 执行敏感操作（如发邮件）前暂停并确认。
六、 智能体的应用场景
- 自动化调研：输入一个主题，智能体自动搜索多篇文档、对比差异并汇总报告。
- 客服支持：自动查询订单数据库、物流接口，并根据退换货政策做出决定。
- 代码/数据分析：自动读取 CSV 文件，编写并运行 Python 代码生成图表。
- 智能助理：帮你查看日历、安排会议、并在多个应用间同步数据。
总结
智能体让 AI 从"聊天机器人"变成了**"行动者"**。它不再只是回答问题，而是通过调用外部工具主动解决问题。虽然目前智能体的稳定性和成本仍有挑战，但它是大模型通往 AGI (通用人工智能) 的关键路径。