Agent智能体介绍

智能体(Agent) 是一种能够自主规划、决策、执行任务的组件，核心是让大语言模型(LLM)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时，LLM 只能基于自身训练数据回答问题，遇到需要实时数据、复杂计算、外部工具调用的场景就会卡壳。
  • 有了Agent后，LLM 就像一个"指挥官"，能思考任务步骤选择合适工具执行工具调用>根据结果调整策略，直到完成任务。

需求 -> 规划 -> 选择工具（提供行动力） （整个流程中，会保存记忆）
在这里插入图片描述
核心特点:

  • 目标驱动:围绕用户的具体任务目标展开工作。
  • 工具调用能力:能连接外部工具，弥补LLM 的局限性。
  • 自主决策与迭代:不需要人工干预，能根据工具返回的结果，判断是否需要继续调用工具，或直接生成最终答案。

Agent的作用——例子

在这里插入图片描述

与chain对比：
在这里插入图片描述

Agent智能体=大语言模型(大脑)+工具集(手脚)+决策逻辑（思维)，是让LLM从"只会回答"升级为"会做事(影响现实世界)"的智能助手。

Agent智能体初体验

核心功能：工具调用

比如设计一个天气查询工具，让大模型有回答天气的能力。

from langchain.agents import create_agent
from langchain_community.chat_models.tongyi import ChatTongyi
from langchain_core.tools import tool

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

agent = create_agent(
    model=ChatTongyi(model="qwen3-max"), # 智能体的大脑
    tools=[get_weather], # 向智能体提供 工具列表
    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": "明天北京的天气怎么样？"},
        ]
    }
)
for msg in res["messages"]:
    print(type(msg).__name__, msg.content)

基于外部工具的提供，就让大模型拥有了：感知外部世界并影响现实的能力。

  • 丰富的工具集将极大提升大模型的工作性能和业务范畴。
  • 工具越多，Agent 能覆盖的业务场景就越广(从客服问答到库存管理，再到自动
    化运营    )，性能和实用性自然会大幅提升。

Agent的流式输出

通过create_agent方法可以创建Agent对象，其也是Runnable接口的子类实现，所以也拥有:

  • invoke，执行，一次性得到完整结果
  • stream，执行，流式得到结果
from langchain.agents import create_agent
from langchain_community.chat_models import ChatTongyi
from langchain_core.tools import tool


# 获取股票价格
@tool(description="获取股价，传入股票名称，返回字符串信息")
def get_price(name):
    return f"股票{name}的价格是 20元"

@tool(description="获取股票信息，传入股票名称，返回字符串信息")
def get_info(name):
    return f"股票{name}，是一家A股上市公司，专注于IT职业教育"

agent = create_agent(
    model=ChatTongyi(model="qwen3-max"),
    tools=[get_price, get_info],
    system_prompt="你是一个智能助手，可以回答股票相关问题，记住请告诉我思考过程，让我知道你为什么调用某个工具"
)

for chunk in agent.stream(
    {"messages": [{"role": 'user', "content": '传智教育股价多少，并介绍一下'}]},
    stream_mode="values"
):
    latest_message = chunk["messages"][-1]
    # print(latest_message)
    if latest_message.content:
        print(type(latest_message).__name__, latest_message.content)
    try:
        # 用户的消息没有tool_calls，会报错AttributeError
        if latest_message.tool_calls:
            print(f"工具调用：{[tc['name'] for tc in latest_message.tool_calls]}")
    except AttributeError as e:
        pass

Agent的ReAct行动框架

Agent ReAct 是大模型智能体的核心思考与行动框架，全称Reasoning+Acting(推理+行动)，是让Agent 像人类一样「思考问题>制定策略>执行行动>验证结果」的关键逻辑。

简单来说:ReAct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，一步步解决复杂问题，完美适配需要多步推理、工具协作的场景(如智能客服、报告生成、任务规划等)。

在这里插入图片描述

LangChain的Agent对象遵循ReAct框架要求，在执行的过程中会持续的自我思考、自我行动、自我观察。（LangChain可并行使用工具）

一个典型的ReAct案例如下:（调用 获取身高 和 获取体重 的工具 来计算BMI）

from langchain.agents import create_agent
from langchain_community.chat_models import ChatTongyi
from langchain_core.tools import tool


@tool(description="获取体重，返回整数，单位千克")
def get_weight():
    return 90

@tool(description="获取身高，返回整数，单位厘米")
def get_height():
    return 170

agent = create_agent(
    model=ChatTongyi(model="qwen3-max"),
    tools=[get_weight, get_height],
    system_prompt="""你是一个严格遵守ReAct框架的智能体，必须按[思考->行动->观察->在思考]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。
    并告知我你的思考过程，工具的调用原因，按思考、行动、观察三个结构告知我""",
)

for chunk in agent.stream(
    {"messages": [{"role": 'user', "content": '计算我的BMI'}]},
    stream_mode="values"
):
    latest_message = chunk["messages"][-1]
    # print(latest_message)
    if latest_message.content:
        print(type(latest_message).__name__, latest_message.content)
    try:
        # 用户的消息没有tool_calls，会报错AttributeError
        if latest_message.tool_calls:
            print(f"工具调用：{[tc['name'] for tc in latest_message.tool_calls]}")
    except AttributeError as e:
        pass

输出：

HumanMessage 计算我的BMI
AIMessage [思考]  
要计算BMI（身体质量指数），需要知道体重（千克）和身高（米）。公式为：  
**BMI = 体重（kg） / (身高（m）)^2**  

目前我没有用户的体重和身高数据，因此需要先获取这两个数值。按照ReAct框架，每轮只能调用一个工具，所以我先获取体重。

[行动]  

工具调用：['get_weight']
ToolMessage 90
AIMessage [观察]  
获取到用户的体重为 **90 千克**。

[思考]  
现在我已经有了体重数据，接下来需要获取身高（厘米），然后将其转换为米，用于计算BMI。按照ReAct框架，每轮只能调用一个工具，因此下一步我将调用 `get_height` 来获取身高。

[行动]  


工具调用：['get_height']
ToolMessage 170
AIMessage [观察]  
获取到用户的身高为 **170 厘米**，即 **1.70 米**。

[思考]  
现在我已经获取了计算BMI所需的全部数据：  
- 体重 = 90 千克  
- 身高 = 1.70 米  

可以计算BMI：  
**BMI = 90 / (1.70)^2 ≈ 31.14**  

根据世界卫生组织（WHO）的标准：  
- BMI < 18.5 → 体重过轻  
- 18.5 ≤ BMI < 24.9 → 正常范围  
- 25 ≤ BMI < 29.9 → 超重  
- BMI ≥ 30 → 肥胖  

该用户的BMI ≈ **31.14**，属于 **肥胖** 范围。  

现在可以给出最终答案。

ReAct是一种工作范式，定义了大模型的工作流程。

  • 思考:分析需求，考虑下一步
  • 行动:工具调用获取信息
  • 观察:分析获取的信息

思考 -> 行动 -> 观察 -> 思考 -> … -> … ->结束；

LangChain的Agent对象，就是按ReAct模式运行。

Agent的middleware中间件

中间件的作用是对智能体的每一步工作进行控制和自定义的执行。
作用场景:

  • 日志记录、分析、调试
  • 转换提示词、工具选择
  • 重试、备用、提前终止等逻辑控制
  • 安全防护、个人身份检测等

在这里插入图片描述
LangChain中内置了一些基础的中间件,参见: [https://docs.langchain.com/oss/python/langchain/middleware/built-in]
中间件通过Hooks钩子来实现拦截，自定义中间件可以简单的使用装饰器来定义。

节点式钩子(执行点顺序拦截):

  • before_agent:agent执行之前拦截
  • after_agent:agent执行后拦截
  • before_model:模型执行前拦截
  • after_model:模型执行后拦截

针对工具和模型的包装式钩子:

  • wrap_model_call:每个模型调用时候拦截
  • wrap_tool_call:每个工具调用时候拦截

下面是一个 演示代码，真实场景中根据具体任务调用

from langchain.agents import create_agent, AgentState
from langchain.agents.middleware import before_agent, after_agent, before_model, after_model, wrap_model_call, \
    wrap_tool_call
from langchain_community.chat_models.tongyi import ChatTongyi
from langchain_core.tools import tool
from langgraph.runtime import Runtime

@tool(description="查询天气, 传入城市名称，返回字符串天气信息")
def get_weather(city: str) -> str:
    return f"{city}天气：晴天"
"""
agent执行前
agent执行后
model执行前
model执行后
工具执行中
模型执行中
"""

@before_agent
def log_before_agent(state: AgentState, runtime: Runtime) -> None:
    # agent执行前会调用这个函数，并传入state和runtime两个对象
    print(f"【before agent】agent启动，并附带{len(state['messages'])}消息")

@after_agent
def log_after_agent(state: AgentState, runtime: Runtime) -> None:
    print(f"【before agent】agent结束，并附带{len(state['messages'])}消息")

@before_model
def log_before_model(state: AgentState, runtime: Runtime) -> None:
    print(f"【before model】model即将调用，并附带{len(state['messages'])}消息")

@after_model
def log_after_model(state: AgentState, runtime: Runtime) -> None:
    print(f"【after model】model调用结束，并附带{len(state['messages'])}消息")

@wrap_model_call
def model_call_hook(request, handler):
    print("模型调用中")
    return handler(request)

@wrap_tool_call
def monitor_tool(request, handler):
    print(f"工具执行：{request.tool_call['name']}")
    print(f"工具执行传入参数{request.tool_call['args']}")
    # 原本的请求 返回
    return handler(request)

agent = create_agent(
    model=ChatTongyi(model="qwen3-max"),
    tools=[get_weather],
    middleware=[log_before_agent, log_after_agent, log_before_model, log_after_model, model_call_hook, monitor_tool],
)

res = agent.invoke({"messages": [{"role": "user", "content": "北京天气如何?"}]})
print("**********\n", res)
# 人工智能 # 学习 # android
Logo
AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

告别抢购！OpenCode Go 一站式解锁六大国产模型，无缝接入 Claude Code / Openc Code 全攻略

摘要： 面对GLM、腾讯等厂商AI编程套餐抢购难的问题，OpenCode Go提供了无需抢购、支持多模型的API订阅服务（首月5美元）。其优势包括即买即用、兼容主流工具（如Claude Code）、国内直连及高性价比（按美元计费，不同模型请求数不同）。本文还提供了OpenCode Go接入主流Agent的教程。

avatar AtomGit开源社区
cover

多模态 AI 在政务：文本、语音、图片一体化办理

avatar AtomGit开源社区
cover

Gemini 3.5发布后的AI格局：谷歌重新定义行业标准

avatar AtomGit开源社区