本文深入浅出地讲解了 Agent 的概念、原理和实现方法从手写 30 行原生 Agent 代码开始帮助读者理解 Agent 的核心机制包括决策循环、工具调用和上下文管理。随后文章介绍了如何使用 LangChain 框架简化 Agent 的开发过程并探讨了框架如何处理复杂的工具调用和错误管理。最后文章还提供了一些常见的坑和推荐的学习路线帮助读者更好地掌握 Agent 技术。一、你的大模型其实是个残疾人你肯定遇到过“今天北京天气怎么样” “抱歉我无法获取实时信息我的知识截止到……”大模型很聪明但它有个致命短板——没有手脚。它会想不会做。不能上网查资料不会调 API连 3 × 5 都算不利索是的LLM 做算术是靠背的不是算的。那怎么办给它装上手脚。这篇文章就带你干一件事给 LLM 装上两个工具让它变成一个能自己干活、自己决策的 Agent。不光写代码还拆开看它里面到底是怎么转的。读完这篇文章当别人跟你聊 Agent 的时候你脑子里浮现的不是什么高大上的概念而是一个简单的 while 循环。二、Agent 到底是什么一句话Agent LLM 工具 决策循环画成图长这样图1Agent 架构示意——LLM 工具 决策循环图1Agent 架构示意——LLM 工具 决策循环三个角色的分工LLM大脑负责推理——“现在该干什么需要哪个工具传什么参数”工具手脚能被调用的 Python 函数——查天气、算数学、搜网页什么都能包决策循环指挥官一个 while 循环——“LLM 说要调工具好调完把结果塞回去继续问它下一步”跟工作流最大的区别工作流是固定剧本A→B→CAgent 是即兴发挥——它根据中间结果自己决定下一步走哪条路。什么时候用 Agent✅ 多步推理先查 A根据结果决定查 B 还是 C✅ 需要外部信息联网搜索、数据库查询、API 调用✅ 组合工具“搜索 计算 发邮件”❌ 单轮问答直接用 LLM别上 Agent 杀鸡用牛刀❌ 固定流程用普通 if/else 比 Agent 更快更可靠三、先别急着用框架——30 行代码手写一个 Agent这一章是全文最重要的部分。跳过框架直面 Agent 的本质。在引入 LangChain 之前先用纯 Python 写一个原生 Agent。30 行代码让你看到 Agent 底层就是一个 while 循环。3.1 准备工作一个 LLM 两个工具from openai import OpenAI # 初始化 LLM用 DeepSeek便宜够用换成 OpenAI/通义千问只改 base_url client OpenAI( api_keyyour-api-key, base_urlhttps://api.deepseek.com ) # 定义两个工具函数 # ⚠️ 注意docstring 是给 LLM 看的使用说明书写烂了它就不会用 def search_weather(city: str) - str: 查询指定城市的实时天气。当用户询问天气时使用此工具。 Args: city: 城市名称如 北京、上海 weather_db { 北京: 小雨 22°C东北风 3 级, 上海: 多云 28°C东南风 2 级, 深圳: 雷阵雨 30°C湿度 85% } return weather_db.get(city, f未找到{city}的天气信息) def calculate(expression: str) - str: 执行数学计算。当用户需要算数时使用此工具。 Args: expression: 数学表达式如 3 5 * 2、100 * (20 30) try: # eval 仅演示用生产环境请用更安全的方式 result eval(expression, {__builtins__: {}}, {}) return f计算结果: {result} except Exception as e: return f计算出错: {e}3.2 核心30 行 Agent 循环# 工具的 JSON Schema —— 告诉 LLM 每个工具叫什么、有什么参数 TOOLS [ { type: function, function: { name: search_weather, description: 查询指定城市的实时天气。当用户询问天气时使用。, parameters: { type: object, properties: { city: {type: string, description: 城市名称如 北京、上海} }, required: [city] } } }, { type: function, function: { name: calculate, description: 执行数学计算。当用户需要算数时使用。, parameters: { type: object, properties: { expression: {type: string, description: 数学表达式如 35*2} }, required: [expression] } } } ] # 工具分发器根据工具名找到对应函数并执行 def execute_tool(name: str, args: dict) - str: tools {search_weather: search_weather, calculate: calculate} return tools[name](args) # Agent 的核心一个 while 循环 def run_agent(user_query: str, max_steps: int 10) - str: 原生 Agent —— 揭示 Agent 就是 LLM 工具 while 循环 # 系统提示告诉 LLM 它是谁、有什么工具、怎么用 system_prompt 你是一个能调用工具的智能助手。 你有以下工具可用 - search_weather(city)查询指定城市的实时天气 - calculate(expression)执行数学计算 使用规则 1. **分析用户需求判断是否需要调用工具** 2. **如果需要调用对应工具获取信息** 3. **根据工具返回的结果给出最终答案** 4. **如果不需要工具直接回答用户问题** # messages 是 Agent 的记忆——每一轮对话都追加进去 messages [ {role: system, content: system_prompt}, {role: user, content: user_query} ] for step in range(max_steps): # ① 调用 LLM把所有对话历史 工具定义发给它 response client.chat.completions.create( modeldeepseek-chat, messagesmessages, toolsTOOLS ) msg response.choices[0].message messages.append(msg) # LLM 的回复也存进记忆 # ② 如果 LLM 直接回复没调工具循环结束 if not msg.tool_calls: return msg.content # ③ 执行 LLM 要求的工具调用结果追加回 messages for tool_call in msg.tool_calls: tool_name tool_call.function.name tool_args eval(tool_call.function.arguments) # JSON → dict print(f 调用工具: {tool_name}({tool_args})) result execute_tool(tool_name, tool_args) print(f 工具返回: {result}) messages.append({ role: tool, tool_call_id: tool_call.id, content: result }) return 达到最大步数限制任务未完成 # ── 跑一个试试 ── if __name__ __main__: result run_agent(北京天气怎么样如果下雨提醒我带伞。) print(f/n Agent 最终回答:/n{result})3.3 跑起来看看 Agent 的思考过程用户: 北京天气怎么样如果下雨提醒我带伞。 调用工具: search_weather({city: 北京}) 工具返回: 小雨 22°C东北风 3 级 Agent 最终回答: 北京现在是 小雨气温 22°C东北风 3 级。 今天有雨出门记得带伞发生了什么Agent 做了两件事推理——“用户想知道天气我得调 search_weather”行动——调了工具看到结果是小雨判断需要提醒带伞这就是 ReActReasoning Acting——推理和行动交替进行直到任务完成。图2ReAct 推理流程——思考→行动→观察图2ReAct 推理流程——思考→行动→观察什么时候自己手写 Agent✅ 学习原理——没有比手写一遍更好的理解方式✅ 极简场景——只有一两个工具不想引入框架依赖❌ 工具多、需要错误重试、需要流式输出——这时该上框架了四、三个核心机制——从代码里提炼原理上面 30 行代码藏了 Agent 的三个核心机制。4.1 决策循环Agent Loop本质就是这一段for step in range(max_steps): response llm.invoke(messages) # 调 LLM if not response.tool_calls: # LLM 不调工具了 return response.content # → 结束 for tc in response.tool_calls: # 否则 result execute(tc) # → 执行工具 messages.append(result) # → 结果追加到对话每次循环 一轮 Thought → Action → Observation。max_steps是安全阀——防止 LLM 在一个问题上反复横跳比如工具返回格式不对LLM 反复重试同一个工具。4.2 工具调用Tool Calling关键认知LLM 不执行工具它只说要调哪个、传什么参数。真正干活的是execute_tool函数——它根据 LLM 的指令去调对应的 Python 函数。LLM 的角色更像一个指挥官它看战场形势下令炮兵轰左边但炮弹不是它打的。工具描述决定一切。LLM 完全靠description和parameters来判断什么时候调用哪个工具。你写description: Does stuff.它就乱调。你写description: 查询指定城市的实时天气当用户询问天气时使用它就能精准匹配。4.3 上下文管理Messagesmessages列表就是 Agent 的记忆messages [ {role: system, content: 你有这些工具weather, calculate...}, {role: user, content: 北京天气}, {role: assistant, tool_calls: [search_weather(北京)]}, # LLM 说我要调工具 {role: tool, content: 小雨 22°C}, # 工具返回结果 {role: assistant, content: 北京小雨 22°C带伞} # LLM 综合判断后回答 ]规则很简单只追加不删除不重置。LLM 每轮能看到完整的我做过什么才能做出正确的下一步决策。局限也很明显对话太长 messages 会撑爆上下文窗口。LangChain 的SummarizationMiddleware就是为这个设计的——长对话自动压缩历史。图3三大核心机制——循环、工具调用、上下文图3三大核心机制——循环、工具调用、上下文五、用 LangChain 重写——感受框架帮你干了什么手写版 30 行。现在用 LangChain 的create_agent重写看看框架帮你省掉了什么。5.1 三行代码搞定from langchain.agents import create_agent from langchain.tools import tool from langchain_openai import ChatOpenAI # 定义工具 —— tool 装饰器自动把函数转成 LangChain Tool tool def search_weather(city: str) - str: 查询指定城市的实时天气。当用户询问天气时使用。 weather_db {北京: 小雨 22°C, 上海: 多云 28°C, 深圳: 雷阵雨 30°C} return weather_db.get(city, f未找到{city}的天气) tool def calculate(expression: str) - str: 执行数学计算。当用户需要算数时使用。 result eval(expression, {__builtins__: {}}, {}) return f计算结果: {result} # 一行建 Agent agent create_agent( modelChatOpenAI(modeldeepseek-chat, temperature0), tools[search_weather, calculate], system_prompt你是一个有用的助手帮用户查天气、算数学。 ) # 调用 result agent.invoke({ messages: [{role: user, content: 北京天气怎么样如果下雨提醒我带伞}] }) print(result[messages][-1].content)5.2 LangChain 帮你干了什么对着第三章的手写版看看哪些脏活不用自己干了手写版你要做的LangChain 自动处理手动写 JSON Schema 描述工具tool装饰器自动提取函数签名和 docstring 生成 schema手动写 while 循环内置 Agent Loop底层是 LangGraph 图引擎手动解析tool_calls并 dispatch自动解析、分发、执行手动构造{role: tool, ...}消息自动追加ToolMessage到 messages手动管理max_steps防死循环max_iterations参数默认 25无错误处理ModelRetryMiddlewareToolRetryMiddleware自动重试看不到内部过程agent.stream(stream_modeupdates)一行看每一步说白了LangChain 没有发明什么新技术——它只是把 while 循环、工具分发、消息管理这些脏活累活帮你封装了。核心机制完全一样。什么时候用 LangChain Agent✅ 快速原型——不想从零搭循环和错误处理✅ 工具较多——手动 dispatch 太麻烦✅ 需要中间件——PII 检测、上下文压缩、人工审批节点❌ 学习原理阶段——先用原生手写搞懂本质六、create_agent 底层长什么样如果你好奇create_agent一行代码背后到底发生了什么这一节给你拆开看。6.1 底层是 LangGraph 的状态图create_agent不是一个黑盒。它底层构建了一个 LangGraph 有向图图4LangGraph 状态图——create_agent 底层架构图4LangGraph 状态图——create_agent 底层架构两个核心节点model 节点把 messages含工具结果发给 LLM等它回复tools 节点解析 LLM 的tool_calls执行对应的 Python 函数结果追加回 messages一条条件边router检查 LLM 回复里有没有tool_calls。有 → 跳到 tools 节点没有 → 结束返回最终答案。6.2 旧版 vs 新版如果你看过一些老教程可能会见到AgentExecutorcreate_tool_calling_agent的写法。那是旧 API。AgentExecutor旧create_agent新循环方式Pythonwhile循环LangGraph 图节点跳转状态管理agent_scratchpad变量拼进 promptAgentStateTypedDict显式管理流式输出困难需要 hack原生stream()支持可扩展性有限中间件系统10 内置中间件建议❌ 新项目别用了✅ 唯一推荐方式如果你现在开始学 Agent直接上create_agent别在旧 API 上浪费时间。七、别踩这些坑附学习路线三个最常见的坑工具描述写太烂LLM 全靠 docstring 判断什么时候调用哪个工具。你写Does stuff.它永远不知道什么时候调。正确的写法# ❌ 模糊 tool def f(x: str) - str: Do something. ... # ✅ 清晰名称 用途 参数说明 tool def search_web(query: str) - str: 搜索互联网获取最新信息。 当需要实时数据或 LLM 训练数据中不包含的信息时使用。 Args: query: 2-10 个词的搜索关键词 ...忘设 max_iterationsAgent 有时会在同一个工具上反复调用比如结果格式不对LLM 以为没调成功。不设上限它就一直循环。create_agent默认 25 步大多数场景够用复杂任务可以调大但一定设个值。工具返回太多数据工具一次返回 5000 行的 JSONmessages 瞬间暴涨。超出上下文窗口后 LLM 会失忆——前面的关键信息被截断了。解决办法工具内部做摘要或使用SummarizationMiddleware。推荐学习路线手写原生 Agent30 行 ← 搞懂本质while 循环 tool calling ↓ 用 create_agent 重写 ← 体会框架帮你省了什么 ↓ 加更多工具 看 stream 输出 ← 理解每一步在发生什么 ↓ 读 langgraph/prebuilt/tool_node.py ← 想深入就去看源码总结Agent 不神秘。用三句话讲清楚给 LLM 一份工具清单System Prompt 里列出所有工具及用法LLM 决定调哪个工具、传什么参数Agent 负责真正执行工具结果塞回对话LLM 看着结果继续推理——直到它觉得搞定了create_agent帮你把这个循环跑起来了。但底层原理就是你在第三章手写的那 30 行代码。搞懂这个AutoGen、CrewAI、Dify 这些框架都是同一套底层逻辑的不同封装。万变不离其宗。最后2026年技术圈的分化愈发明显降薪裁员潮持续蔓延传统开发、测试等岗位大批缩水不少从业者陷入职业焦虑与之形成鲜明对比的是AI大模型相关岗位迎来疯狂扩招薪资逆势飙升150%大厂更是直接开出70-100W年薪疯抢具备实战能力的大模型人才甚至放宽年龄限制只求能快速落地技术、创造价值很多程序员、职场新人纷纷入局大模型领域绝非盲目跟风而是实实在在看到了不可替代的价值优势这也是2026年最值得抓住的职业风口1、窗口期红利入门门槛友好不同于成熟赛道的“内卷式招聘”2026年大模型人才缺口巨大简历只要达标掌握基础AI应用具备简单项目经验年龄、学历均非硬性要求小白可快速入门转行程序员也能无缝衔接2、技术可复用上手速度翻倍如果你有前后端开发、测试、数据分析等基础在大模型落地、系统部署、Prompt工程等环节会更具优势无需从零开始复用原有技术能力就能快速进阶3、懂业务更吃香竞争力翻倍单纯懂技术已不够2026年大厂更看重“技术业务”的复合型人才有垂直领域金融、医疗、工业等经验者能精准定位模型落地痛点薪资比纯技术岗高出30%以上更重要的是即便没有转型需求用AI大模型工具为工作赋能、提升效率也已经成为80%企业的硬性要求——不会用大模型提效未来很可能被行业淘汰那么2026年小白/程序员该如何高效学习大模型很多人想入门大模型却陷入两大困境要么到处搜集零散资料不成体系越学越懵要么被收费高昂的课程割韭菜花了钱却学不到实战技能白白浪费时间走弯路。今天就给大家精心整理了一份2026年最新、免费、系统化的AI大模型学习资源包覆盖从零基础入门到商业实战、从理论沉淀到面试通关的全流程所有资料均已整理归档无需拼凑直接领取就能上手学习小白可照做程序员可进阶扫码免费领取全部内容1、大模型系统化学习路线这份学习路线结合2026年行业趋势和新手学习规律由行业专家精心设计从零基础到精通每一步都有明确指引帮你节省80%的无效学习时间少走弯路、高效进阶避免踩坑。2、从0到进阶大模型学习视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、大模型学习书籍电子文档涵盖2026年最新技术要点包括基础入门、Transformer核心原理、Prompt工程、RAG实战、模型微调与部署等内容4、AI大模型最新行业报告报告包含腾讯、阿里、甲子光年等权威机构发布的核心内容还有2026年中文大模型基准测评报告、AI Agent行业研究报告等帮你站在行业前沿把握技术风口。5、大模型项目实战配套源码项目包含Deepseek R1、GPT项目、MCP项目、RAG实战等热门方向还有视频配套代码手把手教你从0到1完成项目开发既能练手提升技术又能丰富简历为求职和职业发展加分。6、2026大模型大厂面试真题2026年大模型面试已全面升级不再单纯考察基础原理而是转向侧重技术落地和业务结合的综合考察很多程序员和新手因为缺乏针对性准备明明技术不错却在面试中失利。适用人群四阶段学习规划共90天可落地执行第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容7、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】