LLM 变身智能 Agent 的核心原理（超详细实操版）

大气层煮月亮

438人浏览 · 2026-04-15 16:18:00

大气层煮月亮 · 2026-04-15 16:18:00 发布

前言

大家好，今天跟大家拆解一个核心知识点——LLM（大语言模型）如何从“只能聊天”的工具，升级成“能自主解决问题”的智能 Agent。其实核心逻辑特别简单，一句话就能概括：

给 LLM 提供：明确的指令 + 可用的工具 + 多次尝试的机会 = 智能 Agent

很多同学觉得 Agent 很高深，其实本质就是对 LLM 做了4个关键模块的改进，再配合合理的工作流程，就能实现“自主思考、自主调用工具、自主验证结果”的能力。下面从核心模块、工作流程、代码位置、实操示例四个维度，手把手教大家搞懂，新手也能轻松get！

一、核心改进的4个模块（重中之重！）

这4个模块是 Agent 能“自主工作”的关键，每一个都有明确的代码对应位置，大家可以直接对照自己的项目查看、修改，实操性拉满。

1️⃣ 提示词模块（最关键！决定 Agent 行为边界）

代码文件：backend/core/system_prompt.py

核心作用：明确告诉 LLM “你是谁”、“你能做什么”、“你应该怎么做”，相当于给 Agent 定规矩、立身份。

关键改进对比：

普通提示词（仅聊天）：“你是一个助手”
智能 Agent 提示词（能自主调用工具）：“你是一个助手，当用户问数据库问题时，必须调用 query_oracle_data 工具验证，不要瞎猜”

改进效果：LLM 不再凭记忆瞎回答，而是明确知道“遇到什么问题该调用什么工具”，从“被动回答”变成“主动解决”。

2️⃣ 推理模块（核心引擎，决定 Agent 思考深度）

代码文件：backend/core/graph.py

核心作用：允许 LLM 进行多轮思考、多次调用工具，而不是一次回答就结束。

关键改进对比：

普通模式：max_iterations = 1（只能调用1次工具，甚至不调用）
Agent 模式：max_iterations = 20（最多可调用20次工具，支持多轮迭代）

改进效果：LLM 能像人一样“逐步排查问题”，比如：

第1次：调用工具查询基础数据
第2次：发现结果不对，再次调用工具补充查询
第3次：调用工具验证修正后的数据
... 直到得出正确答案，彻底解决问题

3️⃣ 工具模块（扩展能力，给 Agent 装“手”和“眼睛”）

代码文件：backend/tools/*.py（所有工具相关文件）

核心作用：打破 LLM “只能靠记忆回答”的局限，给它提供实时查询、执行操作的能力（比如查数据库、查知识库、调用接口等）。

关键改进对比：

没有工具：LLM 只能靠训练时的记忆回答，比如“客户 ID 17247 的数据是...”（大概率是错的，尤其是实时数据）
有工具：LLM 可以调用工具实时查询，比如执行 query_oracle_data("SELECT * FROM customers WHERE id=17247")，直接返回真实的实时数据

改进效果：LLM 不再“瞎猜”，所有涉及真实数据、实时信息的问题，都能通过工具验证，回答准确率大幅提升。

4️⃣ 参数调整（行为控制，决定 Agent 的“性格”）

代码文件：backend/services/agent_service.py

核心作用：通过调整 LLM 的关键参数，控制它的思考方式（谨慎/大胆），适配 Agent 的工作需求。

关键改进对比：

普通模式：temperature=0.7（性格大胆、有创造性，但容易瞎猜），回答常出现“我觉得可能是这样...”
深度思考模式（Agent 专用）：temperature=0.1（性格谨慎、注重准确），回答常出现“让我先查一下...”，更倾向于调用工具验证

改进效果：LLM 从“大胆猜测”变成“谨慎验证”，彻底摆脱“一本正经地胡说八道”，更符合 Agent 自主解决问题的核心需求。

二、普通 LLM vs 智能 Agent 工作流程对比（一眼看懂差距）

光说模块不够直观，我们用一个“SQL 问题排查”的场景，看两者的核心区别：

❌ 普通 LLM 工作流程（低效、易出错）

用户提问：“这个 SQL 有问题吗？”
LLM 凭记忆回答：“可能有性能问题，建议加索引”
流程结束（没有验证，大概率是错的，比如表结构不同、数据不存在等）

✅ 智能 Agent 工作流程（高效、准确、自主）

用户提问：“这个 SQL 有问题吗？”
LLM 思考：“我需要先查一下表结构，确认字段和索引情况”
调用工具：search_knowledge_base（查询表结构）
工具返回：表结构详情（含字段类型、现有索引）
LLM 思考：“表结构没问题，我需要执行 SQL 看看实际结果”
调用工具：query_oracle_data（执行 SQL）
工具返回：NULL（执行结果为空）
LLM 思考：“结果是空的，可能数据不存在，需要进一步验证数据是否存在”
继续调用工具排查，直到找到问题根源（比如 SQL 条件错误、数据未录入等）

三、代码位置速查表（新手必存！）

很多同学看完模块，不知道去哪里找对应代码，这里整理了一份速查表，直接对照查找即可，不用再翻遍项目文件夹：

功能	对应文件	行数范围	核心作用
系统提示词（Agent 规则）	system_prompt.py	40-214	告诉 LLM 角色、工作规则和行为边界
深度思考提示词	system_prompt.py	217-307	引导 LLM 进行多步推理、自主排查问题
多轮推理引擎	graph.py	110-285	允许 LLM 多次调用工具，支持多轮迭代思考
工具定义	tools/*.py	全部	给 LLM 提供查询、执行等能力（核心工具集合）
参数调整（temperature）	agent_service.py	813-831	控制 LLM 的思考风格（谨慎/大胆）
工具绑定	agent_service.py	107-118	将工具注册到 LLM，让 LLM 能调用工具

四、最小可复现示例（直接复制就能用！）

如果大家想快速体验 Agent 的效果，不用搭建复杂项目，下面这个最小示例，复制到本地就能运行，核心就是“定义工具+写对提示词”：

# 1. 定义工具（这里以数据库查询工具为例）
@tool
def query_database(sql: str) -> str:
    """执行 SQL 查询，返回查询结果（真实场景中替换为实际数据库连接逻辑）"""
    return "查询结果（真实场景中返回数据库查询到的真实数据）"

# 2. 编写 Agent 专用系统提示词
system_prompt = """
你是一名专业的数据库专家，你的核心工作是解决用户的数据库相关问题。
当用户问任何数据库相关问题（包括 SQL 排查、数据查询、表结构分析等），必须调用 query_database 工具进行验证，绝对不要凭记忆瞎猜。
如果工具返回结果不明确，需要再次调用工具补充查询，直到得出准确答案。
"""

# 运行效果：LLM 会自动识别数据库问题，调用 query_database 工具，不再瞎猜！

五、关键疑问解答（为什么这样就能工作？）

很多同学会疑惑：“为什么加了提示词、工具和参数，LLM 就变成 Agent 了？” 核心原因就2点：

LLM 本身就有推理能力：像 GPT-4、DeepSeek 等主流大模型，本身就具备“思考链”能力，它们能理解“不确定的事情需要查询验证”，只是没有明确的规则和工具，无法发挥出来。
我们只是“激活”了它的能力：我们提供的4个模块，本质是给 LLM 搭了一个“框架”：
1. 明确的指令（提示词）：告诉它“什么时候该调用工具”
2. 可用的工具：给它提供“查询验证的能力”
3. 多次机会（推理引擎）：允许它“反复排查，直到正确”
4. 正确的参数：让它“谨慎思考，不瞎猜”