本章目标：深入理解 ReAct 推理模式，掌握用create_agent（LangGraph V1.0 起从langchain.agents导入，原名create_react_agent）快速构建 Agent、手动实现 Agent 循环、多工具 Agent 设计，以及 Agent 与 Chain 的选型判断。前期回顾第01章：从零开始调用 LLM-入门 Qwen 大模型 API第02章：Prompt 工程 —— 用语言精准指挥 AI第03章：LCEL 链式调用——让 AI 任务像流水线一样运转第04章：AI Tools 工具调用 —— 让 AI 伸出"手"与世界交互🚀 写给零基础开发者（5分钟读懂 Agent）1.1 什么是 Agent？用一个比喻理解想象你在指挥一个助理完成一项任务：“帮我计划一次北京→上海的出差，整理日程表并发送邮件。”普通程序员（没有 Agent）的做法：步骤1：我写代码查询机票 → 步骤2：我写代码查询酒店 → 步骤3：我手动整合结果 → 步骤4：我写代码发邮件 每一步都要我预先知道做什么，预先写好代码，无法应对变化。有了 Agent 之后：用户说："帮我计划出差" → Agent 自主决定：先查机票 → 根据机票结果查酒店 → 发现冲突就重新搜索 → 整合信息 → 发邮件 AI 自己决定步骤，自己执行，自己检查，直到完成任务。一句话总结：Agent = 能自主思考 + 主动调用工具 + 循环改进直到完成任务的 AI 助理。1.2 为什么需要 Agent？没有它会有什么问题？❌ 只用 LLM（无 Agent/无工具）：能力有限、结果不可信# 纯 LLM 对话，没有工具，没有 Agentfromlangchain_openaiimportChatOpenAI llm=ChatOpenAI(model="qwen-plus",...)# 问题1：实时数据 → LLM 只能猜测response=llm.invoke("今天北京天气怎么样？")# 输出：❌ "今天北京天气晴朗..." (LLM 瞎编的！它根本不知道今天天气)# 问题2：精确计算 → LLM 会出错response=llm.invoke("sqrt(256) × 17 + 2^8 是多少？")# 输出：❌ 可能是 "4352"（大模型数学常出错，无法保证精确）# 问题3：多步骤开放性任务 → LLM 无法真正执行response=llm.invoke("查询一下我公司的最新销售数据，然后生成报表")# 输出：❌ "我无法访问你公司的数据..." （LLM 根本没有工具访问能力）❌ 只用硬编码程序（无 LLM）：灵活性极差# 假设你用 if-else 写了一个"智能"助手defsmart_assistant(user_input:str)-str:if"天气"inuser_input:returnquery_weather()# 只能处理天气elif"计算"inuser_input:returndo_calculation()# 只能处理计算else:return"我不理解你的问题"# 稍微变个说法就失败# 用户说："现在几度？需要带伞吗？"# ❌ 程序不认识"几度"这个词，无法处理# 用户说："帮我算一下出发前还有几天，然后查一下目的地天气，决定带哪件外套"# ❌ 多步骤任务完全无法处理（需要先算日期，再查天气，再决策）✅ LLM + Agent：两者优点结合用户输入 → LLM 理解意图（自然语言理解） → Agent 自主决定调用哪些工具 → 工具执行真实操作（精确、实时） → LLM 分析结果、决定下一步 → 循环直到完成任务 → 输出可信的最终答案总结对比表：维度只用 LLM只用代码LLM + Agent自然语言理解✅ 强❌ 弱✅ 强实时数据获取❌ 不支持✅ 支持✅ 支持精确计算⚠️ 不可靠✅ 精确✅ 精确处理未知任务⚠️ 有限❌ 需重写代码✅ 自动路由多步骤动态任务❌ 无法规划❌ 需预先设计✅ 自主规划适应语言变化✅ 强❌ 弱✅ 强错误自我修复❌ 不支持❌ 不支持✅ 支持1.3 什么场景该用 Agent？（4题自测）遇到以下问题，答"是"就需要 Agent：❓ 任务完成的步骤数是不确定的吗？（比如：可能需要 2 步，也可能需要 5 步）❓ 任务需要访问实时数据（天气、股价、数据库）吗？❓ 任务需要自主决策（根据上一步结果决定下一步）吗？❓ 任务可能需要在失败后自动重试或换一种方式吗？答了 2 个以上"是" → 考虑使用 Agent是，固定步骤否，动态决定否，纯文本处理是，需要工具否，固定顺序是，动态规划用户任务步骤是否预先确定？用 Chain需要外部工具？用 Chain步骤数不确定？用 Chain + Tools用 Agent ✅1.4 典型 Agent 使用场景场景举例为什么用 Agent数据分析助手“分析过去一年的销售数据，找出下滑原因”步骤不确定：可能需要多次查询、比对智能客服“查询订单状态，计算退款，发通知”多系统工具调用，顺序动态决定代码助手“写一个函数，测试，如有错误修复”需要执行→观察→改进的循环研究助手“调研竞品，总结优缺点，写报告”搜索→阅读→分析→撰写，步骤不固定任务规划“安排下周出差行程，订机票酒店”多工具、多决策、条件判断数据管道“从数据库取数，清洗，存到新表”需要根据数据质量动态调整清洗步骤不适合 Agent 的场景：固定格式的文本生成（用 Chain 更快更稳定）单次查询问答（直接用 LLM 即可）确定步骤的工作流（用 Chain + Tools）一、什么是 Agent？和 Chain 有什么区别？在第03章，我们学了 Chain：预先定义好执行步骤，输入进来，按固定顺序走完所有步骤，输出结果。Chain 很适合确定性任务（如：翻译→润色→输出），但面对开放性问题就力不从心了。Agent（智能体）则完全不同：Chain：你决定执行哪些步骤，执行几次Agent：LLM决定执行哪些步骤，执行几次，何时停止Agent（自主决策循环）是任务完成