Agent 智能体开发实战指南（一）：从 LLM 到 Agent 的认知升级

系列导读：这是《Agent 智能体开发实战指南》系列的第一篇，将从零开始介绍 Agent 的核心概念、工作原理，以及为什么它能让大语言模型从"只会回答"升级为"会做事"。

---

一、为什么我们需要 Agent？

1.1 LLM 的局限性

想象一下，你问一个博学但被关在密室里的专家：

“明天深圳的天气怎么样？”
“帮我查一下华胜天成的股价”
“给我订一张明天去北京的机票”

这个专家可以滔滔不绝地讲解气象学原理、分析股市走势、介绍订票流程——但他无法获取实时数据，也无法执行实际操作。

这就是纯 LLM 的困境：

• ❌ 无法访问实时数据（天气、股价、新闻）
• ❌ 无法执行外部操作（发邮件、调用 API、操作文件）
• ❌ 无法进行复杂计算（需要代码解释器）
• ❌ 知识截止于训练数据，无法学习新信息

1.2 Agent 的诞生

Agent（智能体）= 大语言模型（大脑）+ 工具集（手脚）+ 决策逻辑（思维）

Agent 让 LLM 从一个"被动的问答机器"变成"主动的任务执行者"：

能力维度	纯 LLM	Agent
数据来源	训练数据（静态）	实时数据 + 训练数据
行动能力	仅生成文本	调用工具、影响现实
任务类型	单轮问答	多步骤复杂任务
决策方式	直接回答	思考→行动→观察→迭代

---

二、Agent 的核心架构

核心特点:

• 目标驱动:围绕用户的具体任务目标展开工作。
• 工具调用能力:能连接外部工具，弥补LLM 的局限性。
• 自主决策与迭代:不需要人工干预，能根据工具返回的结果，判断是否需要继续调用工具，或直接生成最终答案。
  

根据用户需求,创建工作流,根据工作流的进行自主调用不同的工具skills来完成任务

2.1 三层架构模型

┌─────────────────────────────────────┐
│           决策逻辑层（思维）          │
│  ReAct 框架：思考→行动→观察→再思考    │
├─────────────────────────────────────┤
│           大语言模型层（大脑）         │
│  ChatTongyi / GPT-4 / Claude 等      │
├─────────────────────────────────────┤
│           工具集层（手脚）            │
│  天气查询 / 股价获取 / RAG 检索 / ...  │
└─────────────────────────────────────┘

2.2 工作流程示意

用户提问
   ↓
┌──────────────────┐
│  LLM 分析任务     │ ← 思考：需要什么信息？
└──────────────────┘
   ↓
┌──────────────────┐
│  选择并调用工具   │ ← 行动：调用 get_weather()
└──────────────────┘
   ↓
┌──────────────────┐
│  接收工具返回结果 │ ← 观察：获取到天气数据
└──────────────────┘
   ↓
┌──────────────────┐
│  判断是否完成     │ ← 再思考：还需要其他信息吗？
└──────────────────┘
   ↓
 是 → 生成最终答案
 否 → 回到第一步

---

三、Agent vs Chain：本质区别

3.1 执行流程对比

普通 Chain（固定流程）：

# 流程在代码中写死
step1 = get_user_input()
step2 = process_data(step1)
step3 = generate_output(step2)
return step3

Agent（动态决策）：

# 流程由 LLM 根据任务决定
agent = create_agent(model, tools=[tool_a, tool_b, tool_c])
# LLM 自己决定：先调哪个工具？需要调几个？
result = agent.invoke({"messages": [user_query]})

3.2 适用场景对比

场景特征	选择 Chain	选择 Agent
任务步骤固定	✅	❌ 杀鸡用牛刀
需要条件分支	⚠️ 代码复杂	✅ LLM 自动决策
工具调用不确定	❌ 无法处理	✅ 核心优势
需要多轮推理	❌ 难以实现	✅ 天然支持

经验法则：

• 简单、标准化任务 → Chain
• 复杂、需要决策的任务 → Agent

---

四、第一个 Agent 示例

4.1 最简天气查询 Agent

from langchain.agents import create_agent
from langchain_community.chat_models.tongyi import ChatTongyi
from langchain_core.tools import tool


@tool(description="查询天气")
def get_weather() -> str:
    return "晴天"


agent = create_agent(
    model=ChatTongyi(model="qwen3-max"),  # 智能体的大脑LLM
    tools=[get_weather],                   # 向智能体提供工具列表
    system_prompt="你是一个聊天助手，可以回答用户问题。",
)

res = agent.invoke({
    "messages": [
        {"role": "user", "content": "明天深圳的天气如何？"},
    ]
})

for msg in res["messages"]:
    print(type(msg).__name__, msg.content)

4.2 执行过程解析

当用户问"明天深圳的天气如何？"时，Agent 内部发生：

1. 思考：用户问天气，我有 get_weather 工具可用
2. 行动：调用 get_weather()工具
3. 观察：工具返回"晴天"
4. 生成答案：整合信息，回复用户

4.3 关键知识点

@tool 装饰器的作用：

• 将普通 Python 函数转换为 LangChain 可识别的 Tool 对象
• 自动提取函数名、参数、类型注解
• description 参数至关重要：LLM 靠它理解何时调用该工具

# 描述不够清晰
@tool(description="获取天气")

# 优秀的描述
@tool(description="查询指定城市的天气情况，返回包含气温、湿度、风向的详细信息")

---

五、核心概念速查

5.1 术语表

术语	含义
LLM	大语言模型，Agent 的"大脑"
Tool	工具，LLM 可调用的函数/API
ReAct	Reasoning + Acting，Agent 的思考框架
Chain	固定的任务执行流程
Agent	能自主决策的工具调用系统
Stream	流式输出，实时展示思考过程

5.2 LangChain 核心组件

langchain.agents.create_agent  → 创建 Agent
langchain_core.tools.tool      → 定义工具
langchain_community.chat_models → 模型接入

---

六、常见误区与避坑指南

6.1 误区一：工具越多越好

错误做法：给 Agent 提供 50+ 工具，指望它自动找到合适的。

问题：

• LLM 选择工具的准确率随工具数量增加而下降
• Token 消耗剧增（每个工具的 description 都要传入）
• 调试困难

建议：

• 每个 Agent 专注 3-8 个核心工具
• 按场景拆分不同 Agent（客服 Agent、数据分析 Agent 等）

6.2 误区二：description 随便写

错误做法：

@tool(description="获取数据")  # 太模糊！

问题：LLM 不知道何时该用这个工具。

建议：

@tool(description="获取股票价格，传入股票名称（如'华胜天成'），返回当前股价字符串")

6.3 误区三：忽略系统提示词

错误做法：

agent = create_agent(model, tools, system_prompt="你是助手")  # 太简单

建议：

system_prompt="""你是严格遵循 ReAct 框架的智能体，必须按「思考→行动→观察」的流程解决问题。
每轮仅能调用 1 个工具，禁止单次调用多个工具。
告知用户你的思考过程，解释为什么调用某个工具。"""

---

七、本章小结

核心要点

1. Agent 的本质：让 LLM 从"被动回答"升级为"主动做事"
2. 三层架构：决策逻辑 + 大模型 + 工具集
3. 与 Chain 的区别：动态决策 vs 固定流程
4. 关键组件：@tool 装饰器、description 描述、system_prompt

下章预告

下一篇我们将深入 工具调用系统，学习：

• 如何设计优秀的工具函数
• 工具描述的最佳实践
• 多工具协作的场景
• 工具参数设计技巧

---

系列文章导航

1. Agent 智能体开发实战指南（一）：从 LLM 到 Agent 的认知升级（本文）
2. Agent 智能体开发实战指南（二）：工具调用系统深度解析
3. Agent 智能体开发实战指南（三）：ReAct 框架深度解析
4. Agent 智能体开发实战指南（四）：流式输出与状态管理
5. Agent 智能体开发实战指南（五）：中间件系统与动态提示词
6. Agent 智能体开发实战指南（六）：RAG 与向量存储实战
7. Agent 智能体开发实战指南（七）：项目架构设计与工程化实践
8. Agent 智能体开发实战指南（八）：UI 集成与生产部署

---

本文是《Agent 智能体开发实战指南》系列的第一篇，下一篇将深入讲解工具调用系统。