LangChain 实战：Agnets核心组件

一、理解 Agent

1.1 AI的终极形态

通用人工智能（AGI）将是 AI的终极形态，几乎已成为业界共识。

同样，构建智能体（Agent）则是AI 工程应用当下的"终极形态" ，即Agent是大模型应用开发的核心.

1.2 面向Harness构建Agent

Agent 是一种在循环中调用工具的模型，直到给定任务完成。

Agent = Model + Harness

Harness 就是围绕这个循环的一切：提示词、工具，以及任何塑造模型行为的中间件。

二、Agent 核心组件

2.1 Model

向Agent提供工具，可传递任何 Python 可调用函数、LangChain 工具或工具字典。

Python 复制代码

from langchain.agents import create_agent

agent = create_agent(model = model,tools = None)

response=agent.invoke({"messages":[{"role":"user", "content":"你说我帅吗？"}]})

2.2 Tools

为agent提供工具，可传递任何 Python 可调用函数、LangChain 工具或工具字典

Python 复制代码

from langchain_core.tools import tool


@tool
def search(query: str) -> str:
    """Search for information."""
    return f"Results for: {query}"


agent = create_agent(model=model, tools=[search])

2.3 System prompt

控制 agent 处理任务的方式。

系统提示参数可接受字符串或 SystemMessage。

For dynamic prompts at runtime，可以使用 MiddleWare。

Python 复制代码

create_agent(
    model=model,
    tools=None,
    system_prompt="You are a helpful assistant. Be concise and accurate.",
)

2.4 Structured output

使用 response_format= 从agent返回验证后的模式

C++ 复制代码

class Answer(BaseModel):
    summary:str = Field(default = "",description = "总结")
    confidence:float= Field(default= 0.0)


agent = create_agent(model=model, response_format=Answer)
result = agent.invoke({"messages": [{"role": "user", "content": "Summarize AI trends"}]})
rprint(result["structured_response"])

2.5 Agent state

每个agent都通过 AgentState 来管理其执行上下文，AgentState 是一个类型化的字典，用于存储当前的对话历史以及工具和中间件所需的任何自定义字段。

Python 复制代码

class MyState(AgentState):
    user_id: str
    call_count: int


agent = create_agent(
    model="openai:gpt-5.5",
    tools=[],
    state_schema=MyState,
)

后面专题再讲

三、Agent基本用法

3.1 执行图

Python 复制代码

from IPython.display import Image, display
display(Image(agent.get_graph().draw_mermaid_png()))

3.2 给Agent 起一个昵称

可选择为agent 指定一个名称。

这在多 agent、嵌套agent、子父agent尤为有用。

Python 复制代码

agent = create_agent(model="openai:gpt-5.5", tools=tools, name="research_assistant")

3.3 设置失败重试次数

生产环境中的agent会遇到开发阶段很少出现的问题：速率限制、模型超时、临时API错误。

Fault tolerance middleware 在基础设施层面处理这些问题，因此工具和业务逻辑无需在每次调用时都使用try/catch。

Python 复制代码

from langchain.agents.middleware import ModelRetryMiddleware, ToolRetryMiddleware

agent = create_agent(
    model="openai:gpt-5.5",
    tools=[search],
    middleware=[
        # 模型重试次数
        ModelRetryMiddleware(max_retries=3),
        # 工具重试次数
        ToolRetryMiddleware(max_retries=2),
    ],
)

四、总结

经过前三章的拆解，现在我们可以把 Agent 的全貌收拢成一句话：

Agent = Model + Harness。

模型负责"思考与决策"，Harness 负责"围绕决策循环的一切"------提示词、工具、中间件、状态管理。

这正是第一章提到的"面向 Harness 构建 Agent"------Agent 是一种在循环中调用工具的模型，直到任务完成。

4.1 六大核心组件，各司其职

把第二章的内容压缩成一张"职责表"，方便你日后按层排查问题：

组件	参数	职责	不填会怎样
Model	`model`	推理引擎，决定调哪个工具、传什么参	Agent 退化成纯聊天
Tools	`tools`	赋予 Agent "手脚"，执行具体动作	Agent 只能凭记忆回答
System Prompt	`system_prompt`	定义角色、边界、输出风格	模型用默认行为，不可控
Structured Output	`response_format`	强制最终输出符合 Pydantic schema	返回非结构化文本，代码难消费
Agent State	`state_schema`	扩展 `AgentState`，携带 `user_id`、`call_count` 等自定义字段	只能存消息列表
Middleware	`middleware`	在循环的各阶段插入重试、日志、权限、HITL 等	生产容错、可观测性为零

💡 这六个参数，就是 Harness 的全部"旋钮"

调得动 Harness，才调得动 Agent 的行为。

📌 下一步专题预告

Agent State 与自定义字段的深度玩法（user_id、session、跨中间件共享状态）
Middleware 生命周期全钩子 ：before_model / after_model / wrap_tool_call 实战
Checkpointer 与 Store：短期记忆与长期记忆的存储后端选型
多 Agent 协作：父子 Agent、人工介入（HITL）、子 Agent 派生的编排模式