网上讲AI Agent的教程，一半在堆概念，一半在卖焦虑。”自主规划””多智能体协同””认知架构”……词儿一个比一个吓人，看完你还是不会写。今天我把Agent扒个底朝天：它没那么神，本质就三样东西——一个会思考的模型、几个能干活的工具、一个来回转的循环。
跟着我，用LangChain从零手写一个会调工具的Agent。不依赖任何黑盒平台，每一行代码你都看得懂。写完你会发现：哦，原来Agent就是这么回事。
第一章 先泼盆冷水：别被”Agent”吓住，它就是”模型+工具+循环”
很多人觉得Agent高不可攀，是因为被术语劝退了。我给你翻译成人话。
模型：就是那个大模型，负责”动脑子”。它看到你的问题，决定下一步干啥。
工具：就是函数。查天气的函数、算数学的函数、搜网页的函数、读数据库的函数。Agent强不强，一半看它手里有几个好用的工具。
循环：模型不是一次答完就完。它先”想”（Thought），再”决定调哪个工具”（Action），工具返回结果（Observation），它再看结果决定下一步，直到觉得能答了，才输出最终答案（Final Answer）。
就这么简单。LangChain干的事，就是把”模型+工具+循环”这三样，用统一的接口串起来，让你不用自己写那套复杂的调度逻辑。理解了这个，Agent在你眼里就从”黑魔法”变成”乐高”。
第二章 5分钟跑通环境：只装4个包，绕开新手依赖地狱
LangChain新手最大的坑，不是写不出代码，是装不对环境——pydantic版本冲突、包拆得七零八落，光”Hello World”就能劝退一半人。
听我的，只装这几个，别多装：pip install langchain langchain-openai langchain-community python-dotenv。模型我建议用兼容OpenAI格式的（DeepSeek、通义千问都行），免费额度够练手，国内直连。
建个.env文件存密钥，别硬编码：API_KEY=xxx、BASE_URL=https://api.deepseek.com、MODEL=deepseek-chat。代码里 load_dotenv() 一读就行。Python 3.9+ 即可，不用最新版，稳定最重要。
第三章 第一个工具：写个查天气的函数，让Agent自己决定调不调
Agent的灵魂是Tool。我们写个最朴素的：读一个本地weather.json，按城市返回天气。关键在于——你要写清楚”这个描述”，因为模型是靠描述来决定要不要调它的。
用LangChain的 @tool 装饰器包一下，函数的docstring就是给模型看的说明书。比如：”根据城市名查询当前天气，输入必须是中文城市名”。描述写得越清楚，模型调得越准。
然后把工具和模型绑定：llm_with_tools = llm.bind_tools([get_weather])。你问”东京天气咋样”，模型看到工具描述，自己判断”这事儿得调get_weather”，返回结构化调用请求。你执行这个函数，把结果喂回去，它再基于结果说话。整个过程，模型自己拿主意，你只负责”执行工具+回传结果”。
第四章 拆开ReAct循环：Thought→Action→Observation怎么转
这是整篇文章最值钱的一节。Agent的”智能感”来自ReAct框架，拆开就是三个动作反复转。
你问”Task Decomposition的标准方法是啥？查到后顺便看看它的常见扩展”。模型先 Thought：我得先查标准方法。于是 Action：调用检索工具。工具返回 Observation：标准方法是X。模型再 Thought：知道了，接着查扩展。又一轮 Action→Observation。直到信息够了，才给 Final Answer。
文章里这张循环图，把一次完整推理画出来了：左边是用户问题，中间模型不断”想-调-看”，右边是工具返回，最终汇聚成答案。看懂这张图，你就看懂了所有Agent——不管是Manus还是Claude，内核都是这个循环，只是工具更多、模型更猛。
第五章 接上记忆：让Agent记住前文，多轮对话不翻车
光会调工具还不够。你问完”北京天气”，接着问”那上海呢”——如果Agent不记得上一句在聊天气，它就懵了。所以得给它装”记忆”。
LangChain里用 MessagesPlaceholder(variable_name="chat_history") 在提示词里留个位置，再用 RunnableWithMessageHistory 维护历史。每一轮对话，历史自动塞回提示词，模型就知道前文聊了啥。
但记忆不是越多越好。塞太多轮，模型容易跑偏、还费token。实战心法：只保留相关的近几轮，或者把长对话压缩成摘要再存。别让”记性太好”拖垮了回答质量。
第六章 进阶：把本地文档变成它的”长期记忆”
想让Agent真正懂你的业务？把你的文档喂给它，做成RAG（检索增强生成），它就有了”长期记忆”。
链路：文档加载 → 切小块（300~500字） → 向量化存Chroma → 用户提问时，先检索最相关的几块，连同问题一起丢给模型。这样它答的每句话，都有你的文档撑腰，不瞎编。
文章里这张架构图，就是”RAG+Agent”组合拳：最底层是你的私有文档和向量库，中间是检索器和大模型，上层Agent负责拆解问题、决定要不要检索、再组织答案。配合上一章的本地Ollama，你甚至能搭一个完全断网、数据不出本机的企业知识库助手。这才是Agent落地的真价值。
第七章 总结：手写Agent之后，你真正懂了什么
写完整套代码，你收获的不只是一个能跑的Agent，而是”看穿AI”的能力。以后再看到任何Agent产品，你脑子里自动拆成：它用了什么模型？接了哪些工具？循环怎么编排的？有没有记忆？
这种”拆解视角”，比会用十个平台都值钱。因为工具会过时，框架会迭代，但”模型+工具+循环”这个内核十年不会变。
下一步建议你：把手写版跑通后，再去碰LangGraph——它用状态机把多步任务编排得更稳，是生产级Agent的下一站。但根基，就在今天这几行代码里。关注圈圈，下篇带你用LangGraph把Agent编排到生产级。
暂无评论内容