🎯 课程主题

介绍Agent（智能体）的概念、核心要素，以及LangChain 1.0中统一的Agent创建入口 create_agent。

📝 核心知识点

1. Agent的定义与定位

  • 概念说明：Agent是以大语言模型为推理和决策核心，结合记忆和工具调用，具备规划决策能力并能执行复杂任务的智能体。
  • 关键细节：
    • Agent是当前AI工程应用的"终极形态"，大模型应用开发本质上就是Agent开发。
    • 之前章节讲的模型创建、提示词、工具调用、结构化输出等，都是为Agent赋能的。
    • AGI（通用人工智能）是AI的终极形态，Agent则是现阶段离AGI最近的工程实践。

2. Agent的核心要素（按重要性排序）

  • 必须存在：行动（Action）—— 必须有一个具体的推理/执行过程。
  • 几乎总是存在：工具（Tools）—— 极大拓展Agent的能力边界。
  • 有条件存在：规划决策（Planning）—— 复杂任务需要拆解，简单任务可省略。
  • 最容易被省略：记忆（Memory）—— 但实际上也几乎是必须的。
  • 核心两个：工具 + 记忆。

3. LangChain 0.x vs 1.0 的Agent创建方式演变

  • 0.x时代：具体场景具体分析，不同需求创建不同Agent（如 react agent、结构化输出agent、工具调用agent），还需要通过 AgentExecutor 来调用。
    • 痛点：每种Agent需单独记忆API和参数，心智负担高；多Agent协作时无法统一调度；碎片化严重。
  • 1.0时代：统一入口 —— create_agent() 一个函数替代所有旧方式。

4. 本章内容概览

  • 基本使用：模型传入方式、invoke()调用方式、工具绑定。
  • 高级使用：Agent命名、系统提示词设置、结构化输出、流式输出。
  • 实战：创建多功能智能助手。

🏗️ 架构与工作流

Agent的底层基于LangGraph的 CompiledStateGraph 构建。通过 create_agent 创建的Agent本质上是一个图结构，包含：

  • 节点：model节点（负责推理决策）、tools节点（负责工具执行）
  • 路由：start → model → (需要工具?) → tools → model → (不需要工具?) → end
  • 多个Agent之间可以相互通信协作，构成多智能体系统（主流开发模式）。

💻 代码实战

from langchain.agents import create_agent

# LangChain 1.0 统一的Agent创建方式
# create_agent 最重要的两个参数：model 和 tools
agent = create_agent(
    model="deepseek:deepseek-chat",  # 模型
    tools=[...],                       # 工具列表
)

⚠️ 常见问题与避坑指南

  • 几个要素不一定需要同时出现才叫Agent，最精简的情况下只要有"行动"即可。
  • 旧版 AgentExecutor 方式已废弃，不要再用。

💡 个人总结与延伸

Agent是LangChain框架的核心抽象，前期学的所有内容（模型、提示词、工具、结构化输出、中间件、记忆、RAG、MCP等）本质上都是为Agent赋能的"插件"。LangChain 1.0通过 create_agent 统一了创建入口，大大降低了使用门槛。多智能体协同是未来大模型应用开发的主战场。

最近更新:
Contributors: yangwenguang