Langchain-06 什么是Agent

第 5 章 · 智能体：十行代码拥有一个 AI 助手

5.1 智能体是什么？（定义）

智能体 ：语言模型 + 工具的组合体。它能对任务自主推理、自己决定调用哪些工具、反复迭代直到完成任务。

简单说：模型只会"说"，智能体既会"说"又会"做"。

模型 vs 智能体的区别看这个例子：

你问模型："北京今天天气如何？" → 它只能编："我记得北京今天......"（瞎猜）
你问智能体同样的问题 → 它发现有个 get_weather 工具可用，调用工具查到真实天气，再回答你 ✅

5.2 智能体的工作原理：ReAct 循环

LangChain 智能体遵循 ReAct 模式（Reasoning + Acting，推理 + 行动）：

复制代码

1. 接收用户问题
2. 【推理】思考：要不要用工具？用哪个？
3. 【行动】调用工具（或直接回答）
4. 【观察】把工具返回的结果喂回给模型
5. 回到第 2 步，直到模型给出最终答案（停止条件）

这个"循环"就是智能体的心脏。模型每次循环消耗一次 API 调用，所以工具越多、任务越复杂，成本越高。

5.3 创建第一个智能体

create_agent 是 v1.0 的核心 API，就这一个函数，记住它：

python 复制代码

from langchain.agents import create_agent

# 第一步：定义一个工具（普通 Python 函数）
# ⚠️ docstring（函数下方的三引号字符串）非常重要！
# 模型靠它判断"这个工具是干什么的、什么时候该用它"
def get_weather(city: str) -> str:
    """获取指定城市的天气。"""
    return f"{city}今天晴，26度！"

# 第二步：组装智能体
agent = create_agent(
    model="openai:gpt-4o-mini",        # 大脑：用哪个模型
    tools=[get_weather],               # 手：能用哪些工具（函数列表）
    system_prompt="你是一个乐于助人的中文助手",  # 人设：系统提示
)

# 第三步：运行！注意输入格式是 {"messages": [消息列表]}
result = agent.invoke(
    {"messages": [{"role": "user", "content": "北京今天天气怎么样？"}]}
)

# 结果也是一个字典，最新消息在 "messages" 列表的最后一个
print(result["messages"][-1].text)

运行时背后发生的事：模型看到问题 → 决定调用 get_weather(city="北京") → 框架自动执行你的函数 → 结果返回给模型 → 模型组织成自然语言回答。函数调用和结果回传全是自动的，你只管定义函数。

5.4 一个更完整的例子：理解每一步

python 复制代码

from langchain.agents import create_agent

def add(a: int, b: int) -> int:
    """计算两个整数的和。"""
    return a + b

def multiply(a: int, b: int) -> int:
    """计算两个整数的乘积。"""
    return a * b

agent = create_agent(
    model="openai:gpt-4o-mini",
    tools=[add, multiply],
    system_prompt="你是一个数学助手，遇到计算必须使用工具，不要心算。",
)

result = agent.invoke(
    {"messages": [{"role": "user", "content": "计算 (3 + 5) 乘以 12"}]}
)

# 遍历所有消息，观察智能体到底干了什么
for msg in result["messages"]:
    # .pretty_print() 是消息对象的内置方法，打印得比较好看
    msg.pretty_print()

输出类似：

复制代码

================================ Human Message ================================
计算 (3 + 5) 乘以 12

================================== Ai Message ==================================
Tool Calls:
  add (call_abc123)
    Call ID: call_abc123
    Args:  a: 3, b: 5

================================= Tool Message =================================
Name: add
8

================================== Ai Message ==================================
Tool Calls:
  multiply (call_xyz789)
    Call ID: call_xyz789
    Args:  a: 8, b: 12

================================= Tool Message =================================
Name: multiply
96

================================== Ai Message ==================================
(3 + 5) × 12 = 96

看！智能体自己拆解了任务：先加后乘，调了两次工具。这就是"推理 + 行动"循环。

5.5 create_agent 参数速查

参数	说明
`model`	模型，字符串或模型对象
`tools`	工具函数列表（空列表 = 纯聊天，无工具能力）
`system_prompt`	系统提示（字符串）。不传则模型自行推断任务
`checkpointer`	记忆管理器，实现多轮对话（第 8 章讲）
`response_format`	结构化输出格式（第 7 章讲）
`middleware`	中间件列表，扩展智能体行为（第 16 章讲）
`context_schema`	定义运行时上下文的数据结构（第 6 章讲）

📝 第 5 章练习

写一个带 get_stock_price(symbol: str) 工具（返回写死的假数据即可）的智能体，问它"苹果和特斯拉的股价分别是多少"，观察它是否并行调用了两次工具
给上面的数学智能体加一个 divide 除法工具，问它"100 除以 0 是多少"，看它怎么处理报错