大模型学习·第46天：Agent智能体核心概念与ReAct框架

一、什么是Agent智能体？

一句话：Agent 是一种能自主规划、决策、执行任务的组件，核心是让大模型根据任务需求，选择并调用工具，完成单靠模型自身无法解决的复杂问题。

没有Agent	有Agent
模型只能基于训练数据回答	模型像"指挥官"，能思考步骤→选择工具→执行调用→根据结果调整策略

核心特点：目标驱动、工具调用能力、自主决策与迭代。

公式：Agent智能体 = 大语言模型（大脑）+ 工具集（手脚）+ 决策逻辑（思维）

二、工具调用（Function Calling）

工具调用是Agent的核心。通过 @tool 装饰器把普通函数变成工具，然后通过 create_agent 提供给模型。

python 复制代码

from langchain.agents import create_agent
from langchain_ollama import ChatOllama
from langchain_core.tools import tool

@tool(description="查询天气")
def get_weather() -> str:
    return "晴天"

agent = create_agent(
    model=ChatOllama(model="qwen3:4b"),
    tools=[get_weather],
    system_prompt="你是一个聊天助手，可以回答用户问题"
)

res = agent.invoke(
    {"messages": [{"role": "user", "content": "明天深圳的天气怎么样"}]}
)

注意：qwen:1.8b 不支持工具调用，需要换 qwen3:4b 或更大的模型。

Agent 也是 Runnable 接口子类，支持 invoke（一次性）和 stream（流式）。

多个工具示例：提供股票价格和股票信息两个工具，模型会根据用户问题自主决定调用哪个。

三、ReAct框架

ReAct = Reasoning（推理）+ Acting（行动），是Agent的核心思考与行动框架。让Agent不再是"直接回答问题"，而是通过"自然语言思考过程"指导工具调用，逐步解决复杂问题。

ReAct循环流程：

复制代码

思考（分析需求）→ 行动（调用工具）→ 观察（分析结果）→ 思考（是否继续）→ ...

代码中通过 system_prompt 要求模型遵循ReAct框架：

python 复制代码

system_prompt = """
你是严格遵循ReAct框架的智能体，必须按「思考→行动→观察→再思考」的流程解决问题，
且每轮仅能思考并调用1个工具，禁止单次调用多个工具。
"""

作用：适合多步推理、工具协作的场景，如智能客服、报告生成、任务规划等。

四、Middleware中间件

中间件用于对Agent每一步工作进行控制和自定义执行。

作用场景：日志记录、调试、转换提示词、工具选择、重试、安全防护等。

六种中间件钩子：

钩子	触发时机
`@before_agent`	Agent执行前
`@after_agent`	Agent执行后
`@before_model`	模型调用前
`@after_model`	模型调用后
`@wrap_model_call`	模型执行中
`@wrap_tool_call`	工具执行中

python 复制代码

@before_model
def log_before_model(state, runtime):
    print(f"[before_model]模型即将调用")

agent = create_agent(
    model=ChatOllama(model="qwen3:4b"),
    tools=[get_weather],
    middleware=[log_before_model, ...]
)

今日核心总结

Agent = LLM + 工具集 + 决策逻辑，让模型从"只会说"升级为"会做事"
工具调用 ：@tool 定义工具，create_agent 组合模型和工具
ReAct框架：思考→行动→观察循环，是Agent的核心工作方式
Middleware：六种钩子控制Agent每一步，适合日志、调试、安全防护
模型要求 ：Agent需要模型支持 Function Calling，qwen:1.8b 不支持，需换 qwen3:4b