03_Agent智能体与LangGraph-北京尧图网络

03 — Agent 智能体与 LangGraph 知识点总结面向人群：AI 初学者 / 大模型应用开发岗位候选人学习目标：从零理解 Agent 的原理、实现方式和企业落地实践前置知识：了解 LLM 基本调用、Prompt 工程目录Agent 基础概念Tool 工具定义Agent 实现方式Agent Memory（智能体记忆）中间件（Middleware）人在回路（Human-in-the-Loop）LangGraph 状态图LangGraph 工作流模式综合实战：智能问答 AgentAgent 面试重点一、Agent 基础概念1.1 什么是 AgentAgent（智能体）是"LLM + 工具 + 决策循环"的组合体。它不止会"说话"，还会"行动"。对比维度普通 LLMAgent能力范围只能生成文本能调用工具、访问数据库、执行代码决策方式一次回答结束多轮思考-行动循环对外交互无（纯文本输出）有（通过工具操作外部系统）典型输出“北京今天可能会下雨”调用天气API获取实时数据后回答Agent 的核心三要素：┌─────────────┐ │ LLM (大脑) │ ← 推理决策 └──────┬──────┘ │ 决策 ┌────────┴────────┐ │ │ ┌────▼────┐ ┌────▼────┐ │ Tool (手) │ │ Memory │ ← 记忆 └──────────┘ └─────────┘1.2 ReAct 模式：Reason → Act → Observe 循环ReAct = Reasoning（推理） + Acting（行动），是 Agent 最核心的工作模式。用户提问 "北京今天天气怎么样？" │ ▼ ┌─ 步骤1: 推理 (Reason) ─────────────────────┐ │ LLM 思考："用户想知道北京天气， │ │ 我需要调用 get_weather 工具" │ └────────────────────────────────────────────┘ │ ▼ ┌─ 步骤2: 行动 (Act) ────────────────────────┐ │ 调用工具 get_weather(city="北京") │ │ 返回结果："晴，25°C" │ └────────────────────────────────────────────┘ │ ▼ ┌─ 步骤3: 观察 (Observe) ────────────────────┐ │ LLM 看到工具返回的数据 │ │ 思考："北京是晴天，25度" │ └────────────────────────────────────────────┘ │ ▼ ┌─ 步骤4: 最终回答 ──────────────────────────┐ │ "北京今天天气晴朗，气温25°C，适合外出活动" │ └────────────────────────────────────────────┘循环的关键：如果 LLM 认为还需要更多信息，它会再次调用工具（循环），直到所有信息足够回答用户为止。1.3 Agent vs 普通 LLM 的代码对比# ===== 普通 LLM =====model.invoke("北京今天天气怎么样？")# 输出: "我无法获取实时天气数据，建议你查看天气预报APP"# ===== Agent =====@tooldefget_weather(city:str)-str:"""查询指定城市的天气。"""return{"北京":"晴，25°C","上海":"多云，28°C"}.get(city,"暂无数据")agent=create_agent(model=model,tools=[get_weather],system_prompt="你是一个有用的助手")agent.invoke({"messages":[HumanMessage("北京今天天气怎么样？")]})# 输出: "北京今天天气晴朗，气温25°C，适合外出活动"1.4 生活化比喻Agent = 餐厅服务员顾客点餐（用户输入）服务员判断需要什么（LLM 推理）去厨房/吧台取餐（调用工具）端给顾客（输出答案）复杂订单多跑几趟（多次循环）普通 LLM = 只会说话的顾问能给出建议，但无法实际操作说"你应该查一下天气预报"，但自己不会查二、Tool 工具定义2.1 什么是 ToolTool（工具）是 Agent 与外部世界交互的桥梁。纯 LLM 只能"说"——生成文字；有了 Tool 就能"做"——调用外部函数。Tool = 给 AI 配的工具箱。2.2 @tool 装饰器基础LangChain 提供了最简洁的工具定义方式——@tool装饰器：fromlangchain_core.toolsimporttool@tooldefget_weather(city:str)-str:"""查询指定城市的天气信息。 Args: city: 城市名称，如"北京"、"上海" """weather_db={"北京":"晴，25°C","上海":"多云，28°C","广州":"小雨，30°C"}returnweather_db.get(city,f"暂无{city}的天气数据")# 查看工具元信息print(f"工具名:{get_weather.name}")# get_weatherprint(f"描述:{get_weather.description}")# 查询指定城市的天气信息print(f"参数:{get_weather.args}")# {'city': {'title': 'City', 'type': 'string'}}# 直接调用（不需要LLM）result=get_weather.invoke({"city":"北京"})关键点：函数的文档字符串（docstring）会被 LLM 读取，帮助 LLM 决定何时调用该工具函数的类型注解会被自动提取为参数 Schema@tool装饰器自动将函数转换为 LLM 可调用的工具对象2.3 工具描述的重要性LLM 通过工具的描述来决定是否调用它。描述写得越清楚，LLM 就越能正确地使用工具。# ❌ 不好的描述@tooldefcalc(x:str)-str:"""计算"""returnstr(eval(x))# ✅ 好的描述@tooldefcalculate(expression:str)-str:"""执行数学计算。当你需要做加减乘除、幂运算、三角函数等数学计算时使用。 Args: expression: 数学表达式，如 "3 + 5 * 2", "sqrt(16)", "2 ** 10" """try:returnstr(eval(expression,{"__builtins__":{}},{}))exceptExceptionase:returnf"计算错误:{e}"面试重点：工具描述是 Agent 正确性的关键。描述模糊 = LLM 不会用该工具 = 工具形同虚设。2.4 bind_tools() 工具注册工具定义好后，需要通过bind_tools()注册到模型：# 1. 定义工具@tooldefget_weather(city:str)-str:"""查询天气"""...@tooldefcalculator(expression:str)-str:"""计算数学表达式"""...# 2. 注册到模型model=ChatOllama(model="qwen3.5:2b")model_with_tools=model.bind_tools([get_weather,calculator])# 3. 现在模型知道有哪些工具可用# 当用户问"北京天气怎么样"，model_with_tools 会返回 tool_callsresponse=model_with_tools.invoke("北京天气怎么样？")print(response.tool_calls)# [{'name': 'get_weather', 'args': {'city': '北京'}, 'id': '...'}]2.5 复杂参数与 Pydantic Schema当工具参数比较复杂时，可以用 Pydantic 模型定义参数 Schema，自带类型验证：frompydanticimportBaseModel,FieldfromtypingimportLiteralclassWeatherInput(BaseModel):"""天气查询参数。"""city:str=Field(description="城市名称")units:Literal["celsius","fahrenheit"]=Field(default="celsius",description="温度单位")@tool(args_schema=WeatherInput)defget_weather(city:str,units:str="celsius")-str:"""查询指定城市的天气。"""temp=22ifunits=="celsius"else72unit="°C"ifunits=="celsius"else"°F"returnf"{city}当前温度:{temp}{unit}"2.6 企业实践：客服 Agent 的多工具设计在实际企业中，一个客服 Agent 可能需要多个工具协同工作：@tooldefquery_order(order_id:str)-str:"""查询订单状态。"""# 调用订单系统 APIreturnf"订单{order_id}状态: 已发货"@tooldefquery_logistics(express_no:str)-str:"""查询物流信息。"""# 调用物流平台 APIreturnf"快递{express_no}当前位置: 北京分拣中心"@tooldefinitiate_return(order_id:str,reason:str)-str:"""发起退换货申请。"""# 调用售后系统 APIreturnf"退换货申请已提交，订单{order_id}"@tooldefget_support_hours()-str:"""查询客服工作时间。"""return"人工客服工作时间: 周一至周日 9:00-21:00"# 注册所有工具tools=[query_order,query_logistics,initiate_return,get_support_hours]企业中 Agent 工具的设计原则：单一职责：每个工具只做一件事清晰的描述：让 LLM 知道何时调用错误处理：工具内部做好异常捕获安全防护：敏感操作需要权限校验三、Agent 实现方式3.1 方式1：model.bind_tools() + 手动循环最底层的方式，手动控制思考-行动循环：fromlangchain_core.toolsimporttoolfromlangchain_core.messagesimportHumanMessage,ToolMessage@tooldefadd(a:int,b:int)-int:"""计算两个数的和"""returna+b@tooldefmultiply(a:int,b:int)-int:"""计算两个数的乘积"""returna*b tools=[add,multiply]tools_by_name={t.name:tfortintools}model=ChatOllama(model="qwen3.5:2b")model_with_tools=model.bind_tools(tools)# 手动 ReAct 循环messages=[HumanMessage(content="(3 + 4) × 5 等于多少？")]whileTrue:response=model_with_tools.invoke(messages)messages.append(response)# 检查是否需要调用工具ifnothasattr(response,'tool_calls')or

03_Agent智能体与LangGraph

相关推荐

RAD与XRAY联动：实现无感漏洞扫描的实战配置与优化策略

如何快速掌握Blender的Unreal PSK/PSA插件：3D游戏资产导入导出终极指南

精密高速模具机打刀缸选型指南：高端台系工艺如何重塑国产标杆

更多资讯

Claude Code配置模板实战：分层设置、权限控制与成本监控

WorkBuddy+DeepSeek-V4-Flash构建企业级AI日报自动化工作流

GitHub 上的 Graph Engineering：概念很热，代码写到哪了——用 TaoToken 统一 Key 跑通 LangGraph Agent 骨架

Cadence Allegro 17.4元件库与原理图工程实战指南

读《设计心理学1》｜交互设计六大核心要素笔记（示能、意符、映射、概念模型、反馈、约束）

ECUTEST+TSMasterAPI+Python：CAN信号交互测试组合方案

今日更新

济南做网站多少钱：3个案例拆解，防黑源码下载全攻略

婚恋网站实战案例：避开3个高价坑，省钱50%还能跑赢流量

制作网页比较方便的软件怎么选?一文搞懂避坑指南

本周精选

如何彻底离线使用 Laya-CoreML：Hugging Face 下载、缓存机制与 local_files_only 详解

基于1Panel 部署MySQL MCP 服务：TaoToken 统一 Key 接入与 config.toml 配置实战

崇州园区营销网站建设避坑指南：5大注意事项保备案安全

本月热门

基于YOLO的焊缝缺陷检测：从数据标注到工业部署全流程实践

分布式服务的决策记录

创业产品的首版范围

读完文章，想聊聊您的网站？