Part 10 · Agent 基础

Agent（智能体）= 让大模型"闭环干活"：  收到目标 → 自己规划 → 调工具 → 看结果 → 再决定下一步 → 直到完成对比：  普通对话：你问一句，它答一句（用完就停）  Agent：   你给个目标，它自己一路干到底

① 规划 Planning   拆任务：把大目标拆成小步骤，干一步想下一步② 记忆 Memory     短期=当前对话；长期=跨会话的知识/历史（存向量库）③ 工具 Tools      让模型能"动手"：搜索/计算/查库/发请求④ 执行 Action     真的去调用工具、读取结果、决定下一步

ReAct = 思考(Reason) + 行动(Act) 交替循环：  ① Thought  我想想现在该干嘛  ② Action   调用一个工具/动作  ③ Observation 观察工具返回结果  → 回到①，直到得出 Final Answer

import osfrom dotenv import load_dotenvfrom langchain_openai import ChatOpenAIfrom langchain_core.tools import toolload_dotenv()llm = ChatOpenAI(model="deepseek-chat", api_key=os.getenv("DEEPSEEK_API_KEY"), base_url="https://api.deepseek.com")@tooldef add(a: float, b: float) -> float:    """两个数相加。"""    return a + b@tooldef multiply(a: float, b: float) -> float:    """两个数相乘。"""    return a * b@tooldef get_weather(city: str) -> str:    """查询某城市天气（模拟数据）。"""    data = {"北京": "晴 25℃", "上海": "多云 28℃", "苏州": "小雨 24℃"}    return data.get(city, "暂无数据")print(add.invoke({"a": 1, "b": 2}))print(get_weather.invoke({"city": "苏州"}))

import osfrom dotenv import load_dotenvfrom langchain_openai import ChatOpenAIfrom langchain_core.tools import toolfrom langchain.agents import create_agentload_dotenv()llm = ChatOpenAI(model="deepseek-chat", api_key=os.getenv("DEEPSEEK_API_KEY"), base_url="https://api.deepseek.com")@tooldef add(a: float, b: float) -> float:    """两个数相加。"""    return a + b@tooldef multiply(a: float, b: float) -> float:    """两个数相乘。"""    return a * b@tooldef get_weather(city: str) -> str:    """查询某城市天气。"""    data = {"北京": "晴 25℃", "苏州": "小雨 24℃"}    return data.get(city, "暂无数据")tools = [add, multiply, get_weather]# LangChain 1.x：create_agent 统一了旧版 create_tool_calling_agent + AgentExecutoragent = create_agent(    model=llm,    tools=tools,    system_prompt="你是全能助手，需要计算就调计算工具，需要天气就调天气工具。",    debug=True,)result = agent.invoke({"messages": [{"role": "user", "content": "苏州天气怎么样？顺便算一下 15 乘以 32。"}]})print(result["messages"][-1].content)

短期记忆   当前这次对话的上下文（拼在 messages 里）——站7 Day5 做过长期记忆   跨对话的知识：用户偏好、历史记录 → 存向量库/数据库，下次对话再检索

import os, chromadbfrom dotenv import load_dotenvfrom langchain_openai import ChatOpenAIfrom sentence_transformers import SentenceTransformer, utilload_dotenv()llm = ChatOpenAI(model="deepseek-chat", api_key=os.getenv("DEEPSEEK_API_KEY"), base_url="https://api.deepseek.com")model = SentenceTransformer("BAAI/bge-small-zh-v1.5")mem = chromadb.PersistentClient(path="mem_db").get_or_create_collection("user_memory")def remember(text):    """把一句话存入长期记忆"""    mem.upsert(        ids=[f"m{mem.count()}"],        embeddings=model.encode([text]).tolist(),        documents=[text],    )def recall(query, k=2):    """按语义找相关的历史记忆"""    qv = model.encode([query]).tolist()    r = mem.query(query_embeddings=qv, n_results=k)    return r["documents"][0]# 存几条"用户偏好"remember("用户叫小明，喜欢简洁的回答")remember("用户正在学AI Agent开发")remember("用户讨厌啰嗦的长文")# 模拟下次对话：只凭"这个人喜欢什么风格"来召回print("召回:", recall("这个用户喜欢什么回答风格"))

import osfrom dotenv import load_dotenvfrom langchain_openai import ChatOpenAIload_dotenv()llm = ChatOpenAI(model="deepseek-chat", api_key=os.getenv("DEEPSEEK_API_KEY"), base_url="https://api.deepseek.com")goal = "我要转行AI Agent开发，三个月内达到能独立做产品的水平，帮我拆成周计划"resp = llm.invoke(f"你是资深学习规划师。请把目标拆成可执行的小任务清单，用编号列出，每项一句话：\n{goal}")print(resp.content)

import osfrom dotenv import load_dotenvfrom langchain_openai import ChatOpenAIload_dotenv()llm = ChatOpenAI(model="deepseek-chat", api_key=os.getenv("DEEPSEEK_API_KEY"), base_url="https://api.deepseek.com")# 第一轮：写draft = llm.invoke("写一段关于'折叠思维'这个博客站点的介绍，50字以内。").contentprint("初稿:", draft, "\n")# 第二轮：Critic 批评critic = llm.invoke(f"这段文字有什么问题？从'是否通顺/是否有AI味/是否吸引人'三个角度批评：\n{draft}").contentprint("批评:", critic, "\n")# 第三轮：按批评重写revised = llm.invoke(f"根据这些意见重写，50字以内：\n{draft}\n\n意见：{critic}").contentprint("改后:", revised)

import osfrom dotenv import load_dotenvfrom langchain_openai import ChatOpenAIfrom langchain_core.tools import toolfrom langchain.agents import create_agentload_dotenv()llm = ChatOpenAI(model="deepseek-chat", api_key=os.getenv("DEEPSEEK_API_KEY"), base_url="https://api.deepseek.com")# 一组"数学工具箱"@tooldef add(a: float, b: float) -> float:    """相加"""    return a + b@tooldef subtract(a: float, b: float) -> float:    """相减"""    return a - b@tooldef multiply(a: float, b: float) -> float:    """相乘"""    return a * bmath_tools = [add, subtract, multiply]  # 打包成工具集agent = create_agent(    model=llm,    tools=math_tools,    system_prompt="你是计算器。",    debug=True,)result = agent.invoke({"messages": [{"role": "user", "content": "计算 (35 - 8) * 2 + 100"}]})print(result["messages"][-1].content)

ReAct             边想边做边看（站8主力，create_agent 底层就是这个）Plan-and-Execute  先出完整计划，再逐步执行（适合复杂长任务）Self-Ask          遇到不懂就先问自己小问题（链式拆解）Thinking/Reflection 做完反思改进（Day9 做过）

AutoGPT    一个目标自驱动的通用 agentCAMEL      "两个 AI 互相角色扮演"协作AutoGen    微软的多 agent 对话编排MetaGPT    模拟软件公司：产品/开发/测试多角色分工

import osfrom dotenv import load_dotenvfrom langchain_openai import ChatOpenAIfrom langchain_core.tools import toolfrom langchain_community.tools import TavilySearchResultsfrom langchain.agents import create_agentload_dotenv()llm = ChatOpenAI(model="deepseek-chat", api_key=os.getenv("DEEPSEEK_API_KEY"), base_url="https://api.deepseek.com")@tooldef add(a: float, b: float) -> float:    """相加"""    return a + b@tooldef multiply(a: float, b: float) -> float:    """相乘"""    return a * bsearch = TavilySearchResults(max_results=2)tools = [add, multiply, search]agent = create_agent(    model=llm,    tools=tools,    system_prompt="你是研究助手：查资料用搜索，算数用计算工具。",    debug=True,)result = agent.invoke({"messages": [{"role": "user", "content": "搜索一下2026年最火的AI编程工具，然后帮我算 3 个加起来是多少：如果每个订阅费分别是 20、15、18 美元。"}]})print(result["messages"][-1].content)

坑1  工具调用循环卡死 → 给 create_agent 加 max_iterations=5 限制坑2  模型不调工具 → docstring 写清楚"何时用"坑3  长任务上下文爆炸 → 截断历史 / 用 LangGraph 状态管理坑4  工具抛异常 → 工具内 try/except 返回友好错误，别让整个 Agent 崩