LangChain Agent 对象分类（BaseAgent 派生的各类实体 Agent，对应 create_xxx_agent 产出实例）

区分：

Agent 对象 = 决策内核；

AgentExecutor = 运行容器。

下面全是不同种类 Agent 实例。

一、1. OpenAIToolsAgent（工具调用型 / FunctionCallingAgent）

python

运行

agent = create_tool_calling_agent(llm, tools, prompt)

1. 依赖模型原生 Tool Call (JSON 结构化输出)，GPT、Claude、Qwen、GLM 等支持 function call 模型；
2. LLM 直接输出标准tool_calls结构化参数，不靠 Prompt 正则解析；
3. 优点：格式稳定、支持一次批量调用多个工具；
4. 适用：商用大模型、Agent-RAG、MCP 远程工具混合场景。

二、2. ReActAgent（提示词解析型）

python

运行

agent = create_react_agent(llm, tools, prompt)

1. 依靠 Prompt 约定文本格式：Thought→Action→Action Input，靠字符串截取解析工具名和参数；
2. 不依赖模型原生函数能力，任何大模型都能用（Llama、Qwen 开源离线小模型首选）；
3. 单轮思考只能调用单个工具，易出现格式错乱；
4. 私有化内网知识库、离线 RAG 标配。

三、3. StructuredChatAgent（结构化对话 Agent）

python

运行

create_structured_chat_agent()

• 改良版 ReAct，支持多参数结构化入参，解决原生 ReAct 难以传递多字段参数的痛点；
• 依旧 Prompt 约束文本格式，无原生 FunctionCall 也可使用。

四、4. JSONAgent

强制 LLM 输出纯 JSON 格式动作，不用自定义文本标记，解析更稳健；适合不支持 ToolCall 但擅长 JSON 输出的开源模型。

五、5. XMLAgent

强制模型用 XML 标签包裹工具名称与参数，靠正则提取；部分国产小模型适配更好。

六、按使用场景细分的专用 Agent（底层仍是上面几类内核）

1. Retrieval Agent：工具列表内置create_retriever_tool，即 Agent-RAG；
2. MultiTool/MCP Agent：工具 = 本地函数 + MCP 远端工具（to_langchain_tools转换后的 MCP 工具）；
3. MultiAgent 子 Agent：子 Agent 封装为 Tool，被父 Agent 调用（LangGraph 常用）。

七、新版趋势：自定义 Agent（LCEL / LangGraph，不再使用内置 Agent 类）

1. LCEL：Prompt | llm.bind_tools() | RunnableLambda(tool_exec)，自己造 Agent 决策链路，无现成 Agent 对象；
2. LangGraph：手动定义节点 + 路由，抛弃 BaseAgent 体系，工业复杂 Agent 主流方案。

快速选型对照表

表格

关键总结

1. create_xxx_agent() 返回值 = 各类 Agent 实例对象；
2. 实例必须塞入AgentExecutor(agent=xxx,tools=...)才能运行；
3. 不想用内置 Agent 种类 → LCEL 手写 / LangGraph 自定义替代。