AI Agent（人工智能智能体）是能够感知环境、制定计划、调用工具、执行动作并自我反思的 AI 系统。LangChain 提供了工具调用、记忆管理、Agent 循环控制等基础设施。

一、Agent 核心范式

# pip install langchain langchain-openai langchain-community
import os
os.environ['OPENAI_API_KEY'] = 'sk-...'
from langchain.agents import AgentExecutor, create_react_agent
from langchain_core.tools import tool
from langchain_openai import ChatOpenAI
from langchain import hub
@tool
def calculator(expression: str) -> str:
    "计算数学表达式的值。"
    try:
        result = eval(expression, {'__builtins__': {}}, {})
        return f'{expression} = {result}'
    except Exception as e:
        return f'计算错误: {e}'
@tool
def get_weather(city: str) -> str:
    "获取指定城市的天气信息。"
    weather_db = {'北京': '晴，25C', '上海': '多云，28C', '广州': '雷阵雨，31C', '深圳': '晴，32C'}
    return weather_db.get(city, f'未知城市 {city}')
@tool
def search_web(query: str) -> str:
    "搜索互联网获取最新信息。"
    return f'搜索结果：{query} 的相关信息'
tools = [calculator, get_weather, search_web]
llm = ChatOpenAI(model='gpt-4o-mini', temperature=0)
prompt = hub.pull('hwchase17/react')
agent = create_react_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True, max_iterations=10)
result = agent_executor.invoke({'input': '计算 (15 + 27) * 3 的平方根，再查询北京现在的天气'})
print(result['output'])

from langchain.memory import ConversationBufferMemory

memory = ConversationBufferMemory(memory_key='chat_history', return_messages=True)
agent_with_memory = create_react_agent(llm, tools, prompt)
agent_executor_with_memory = AgentExecutor(agent=agent_with_memory, tools=tools, memory=memory, verbose=True)
agent_executor_with_memory.invoke({'input': '我叫张三，请记住这个名字'})
result = agent_executor_with_memory.invoke({'input': '我叫什么名字？'})
print(result['output'])
from datetime import datetime
@tool
def get_current_time(format: str = '%Y-%m-%d %H:%M:%S') -> str:
    "返回当前日期和时间。"
    return datetime.now().strftime(format)
all_tools = tools + [get_current_time]
agent_v2 = create_react_agent(llm, all_tools, prompt)
agent_executor_v2 = AgentExecutor(agent=agent_v2, tools=all_tools, verbose=True)
result = agent_executor_v2.invoke({'input': '现在是什么时间？'})
print(result['output'])

二、常见 Agent 架构

# ReAct Agent    ：交替推理 + 行动，适合工具调用类任务
Plan-and-Execute：先规划所有步骤，再逐个执行

Baby AGI       ：目标分解 + 优先级排序 + 记忆 + 执行循环

AutoGPT        ：自主目标分解 + 递归子任务执行

Multi-Agent    ：多个专业 Agent 协作</code></pre><h2>三、常见问题</h2><p><strong>Q1：Agent 进入无限循环怎么办？</strong><br/>设置 <code>max_iterations</code> 限制最大步数（通常 5~15 步）。</p><p><strong>Q2：如何让 Agent 使用指定的工具而非猜测？</strong><br/>工具描述要精确、具体，说明输入格式和适用范围。在 Prompt 中强调约束。</p><p><strong>Q3：多 Agent 协作如何设计？</strong><br/>定义清晰的 Agent 角色和职责。用共享消息队列或 <code>langgraph</code> 的 StateGraph 管理。</p><h2>四、延伸阅读</h2><ul><li>LangChain Agents 文档：<a href="https://python.langchain.com/docs/concepts/agents/">https://python.langchain.com/docs/concepts/agents/</a></li><li>LangGraph：<a href="https://langchain-ai.github.io/langgraph/">https://langchain-ai.github.io/langgraph/</a></li><li>AutoGPT：<a href="https://github.com/Significant-Gravitas/AutoGPT">https://github.com/Significant-Gravitas/AutoGPT</a></li></ul>