AI Agent入门：从概念到搭建你的第一个智能体

安装依赖：

pip install langchain langchain-openai

创建一个能搜索和计算的Agent：

import os
from langchain_openai import ChatOpenAI
from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain_core.prompts import ChatPromptTemplate

# 配置API（可用OpenAI或兼容接口）
os.environ["OPENAI_API_KEY"] = "your-api-key"
llm = ChatOpenAI(model="gpt-4o-mini")

# 定义提示词
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个有帮助的助手，可以使用工具来回答问题。"),
    ("human", "{input}"),
    ("placeholder", "{agent_scratchpad}"),
])

# 创建Agent（含搜索和计算工具）
from langchain_community.tools import DuckDuckGoSearchRun
from langchain.tools import calculator

tools = [DuckDuckGoSearchRun(), calculator]

agent = create_tool_calling_agent(llm, tools, prompt)
executor = AgentExecutor(agent=agent, tools=tools)

# 运行
result = executor.invoke({"input": "今天的汇率是多少？100美元等于多少人民币？"})
print(result["output"])

Agent应用场景

  • 客服机器人：自动查询订单、处理退换货
  • 数据分析助手：自动连接数据库、执行SQL、生成图表
  • 自动化运维：监控告警 → 自动排查 → 修复问题
  • 个人助理：日程管理、邮件处理、信息检索

总结

AI Agent是大模型的下一阶段进化，通过添加”工具调用”和”自主规划”能力，让AI从被动回答变为主动执行。LangChain是目前最易上手的Agent框架，几十行代码就能搭建一个功能完整的智能体。

短期记忆：对话上下文；长期记忆：向量数据库存储的过往信息。记忆让Agent拥有持续学习和个性化能力。

4. 规划能力（Planning）

Agent能将复杂任务分解为多个子任务，按步骤执行。常用技术：思维链（Chain of Thought）、任务分解（ReAct框架）。

主流Agent框架

  • LangChain：最流行的Agent框架，Python/JS双语言，工具生态丰富
  • OpenAI Assistants API：官方Agent接口，自带代码解释器和文件搜索
  • AutoGen（微软）：多Agent协作框架，支持多角色对话
  • CrewAI：专注于多Agent团队协作
  • Dify：低代码Agent平台，可视化编排

实战：用LangChain搭建一个Agent

安装依赖：

pip install langchain langchain-openai

创建一个能搜索和计算的Agent：

import os
from langchain_openai import ChatOpenAI
from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain_core.prompts import ChatPromptTemplate

# 配置API（可用OpenAI或兼容接口）
os.environ["OPENAI_API_KEY"] = "your-api-key"
llm = ChatOpenAI(model="gpt-4o-mini")

# 定义提示词
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个有帮助的助手，可以使用工具来回答问题。"),
    ("human", "{input}"),
    ("placeholder", "{agent_scratchpad}"),
])

# 创建Agent（含搜索和计算工具）
from langchain_community.tools import DuckDuckGoSearchRun
from langchain.tools import calculator

tools = [DuckDuckGoSearchRun(), calculator]

agent = create_tool_calling_agent(llm, tools, prompt)
executor = AgentExecutor(agent=agent, tools=tools)

# 运行
result = executor.invoke({"input": "今天的汇率是多少？100美元等于多少人民币？"})
print(result["output"])

Agent应用场景

  • 客服机器人：自动查询订单、处理退换货
  • 数据分析助手：自动连接数据库、执行SQL、生成图表
  • 自动化运维：监控告警 → 自动排查 → 修复问题
  • 个人助理：日程管理、邮件处理、信息检索

总结

AI Agent是大模型的下一阶段进化，通过添加”工具调用”和”自主规划”能力，让AI从被动回答变为主动执行。LangChain是目前最易上手的Agent框架，几十行代码就能搭建一个功能完整的智能体。

3. 记忆（Memory）

短期记忆：对话上下文；长期记忆：向量数据库存储的过往信息。记忆让Agent拥有持续学习和个性化能力。

4. 规划能力（Planning）

Agent能将复杂任务分解为多个子任务，按步骤执行。常用技术：思维链（Chain of Thought）、任务分解（ReAct框架）。

主流Agent框架

  • LangChain：最流行的Agent框架，Python/JS双语言，工具生态丰富
  • OpenAI Assistants API：官方Agent接口，自带代码解释器和文件搜索
  • AutoGen（微软）：多Agent协作框架，支持多角色对话
  • CrewAI：专注于多Agent团队协作
  • Dify：低代码Agent平台，可视化编排

实战：用LangChain搭建一个Agent

安装依赖：

pip install langchain langchain-openai

创建一个能搜索和计算的Agent：

import os
from langchain_openai import ChatOpenAI
from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain_core.prompts import ChatPromptTemplate

# 配置API（可用OpenAI或兼容接口）
os.environ["OPENAI_API_KEY"] = "your-api-key"
llm = ChatOpenAI(model="gpt-4o-mini")

# 定义提示词
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个有帮助的助手，可以使用工具来回答问题。"),
    ("human", "{input}"),
    ("placeholder", "{agent_scratchpad}"),
])

# 创建Agent（含搜索和计算工具）
from langchain_community.tools import DuckDuckGoSearchRun
from langchain.tools import calculator

tools = [DuckDuckGoSearchRun(), calculator]

agent = create_tool_calling_agent(llm, tools, prompt)
executor = AgentExecutor(agent=agent, tools=tools)

# 运行
result = executor.invoke({"input": "今天的汇率是多少？100美元等于多少人民币？"})
print(result["output"])

Agent应用场景

  • 客服机器人：自动查询订单、处理退换货
  • 数据分析助手：自动连接数据库、执行SQL、生成图表
  • 自动化运维：监控告警 → 自动排查 → 修复问题
  • 个人助理：日程管理、邮件处理、信息检索

总结

AI Agent是大模型的下一阶段进化，通过添加”工具调用”和”自主规划”能力，让AI从被动回答变为主动执行。LangChain是目前最易上手的Agent框架，几十行代码就能搭建一个功能完整的智能体。

Agent可以调用的外部工具：搜索API、数据库查询、文件操作、HTTP请求、代码执行等。工具是Agent与真实世界交互的桥梁。

3. 记忆（Memory）

短期记忆：对话上下文；长期记忆：向量数据库存储的过往信息。记忆让Agent拥有持续学习和个性化能力。

4. 规划能力（Planning）

Agent能将复杂任务分解为多个子任务，按步骤执行。常用技术：思维链（Chain of Thought）、任务分解（ReAct框架）。

主流Agent框架

  • LangChain：最流行的Agent框架，Python/JS双语言，工具生态丰富
  • OpenAI Assistants API：官方Agent接口，自带代码解释器和文件搜索
  • AutoGen（微软）：多Agent协作框架，支持多角色对话
  • CrewAI：专注于多Agent团队协作
  • Dify：低代码Agent平台，可视化编排

实战：用LangChain搭建一个Agent

安装依赖：

pip install langchain langchain-openai

创建一个能搜索和计算的Agent：

import os
from langchain_openai import ChatOpenAI
from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain_core.prompts import ChatPromptTemplate

# 配置API（可用OpenAI或兼容接口）
os.environ["OPENAI_API_KEY"] = "your-api-key"
llm = ChatOpenAI(model="gpt-4o-mini")

# 定义提示词
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个有帮助的助手，可以使用工具来回答问题。"),
    ("human", "{input}"),
    ("placeholder", "{agent_scratchpad}"),
])

# 创建Agent（含搜索和计算工具）
from langchain_community.tools import DuckDuckGoSearchRun
from langchain.tools import calculator

tools = [DuckDuckGoSearchRun(), calculator]

agent = create_tool_calling_agent(llm, tools, prompt)
executor = AgentExecutor(agent=agent, tools=tools)

# 运行
result = executor.invoke({"input": "今天的汇率是多少？100美元等于多少人民币？"})
print(result["output"])

Agent应用场景

  • 客服机器人：自动查询订单、处理退换货
  • 数据分析助手：自动连接数据库、执行SQL、生成图表
  • 自动化运维：监控告警 → 自动排查 → 修复问题
  • 个人助理：日程管理、邮件处理、信息检索

总结

AI Agent是大模型的下一阶段进化，通过添加”工具调用”和”自主规划”能力，让AI从被动回答变为主动执行。LangChain是目前最易上手的Agent框架，几十行代码就能搭建一个功能完整的智能体。

2. 工具（Tools / Functions）

Agent可以调用的外部工具：搜索API、数据库查询、文件操作、HTTP请求、代码执行等。工具是Agent与真实世界交互的桥梁。

3. 记忆（Memory）

短期记忆：对话上下文；长期记忆：向量数据库存储的过往信息。记忆让Agent拥有持续学习和个性化能力。

4. 规划能力（Planning）

Agent能将复杂任务分解为多个子任务，按步骤执行。常用技术：思维链（Chain of Thought）、任务分解（ReAct框架）。

主流Agent框架

  • LangChain：最流行的Agent框架，Python/JS双语言，工具生态丰富
  • OpenAI Assistants API：官方Agent接口，自带代码解释器和文件搜索
  • AutoGen（微软）：多Agent协作框架，支持多角色对话
  • CrewAI：专注于多Agent团队协作
  • Dify：低代码Agent平台，可视化编排

实战：用LangChain搭建一个Agent

安装依赖：

pip install langchain langchain-openai

创建一个能搜索和计算的Agent：

import os
from langchain_openai import ChatOpenAI
from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain_core.prompts import ChatPromptTemplate

# 配置API（可用OpenAI或兼容接口）
os.environ["OPENAI_API_KEY"] = "your-api-key"
llm = ChatOpenAI(model="gpt-4o-mini")

# 定义提示词
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个有帮助的助手，可以使用工具来回答问题。"),
    ("human", "{input}"),
    ("placeholder", "{agent_scratchpad}"),
])

# 创建Agent（含搜索和计算工具）
from langchain_community.tools import DuckDuckGoSearchRun
from langchain.tools import calculator

tools = [DuckDuckGoSearchRun(), calculator]

agent = create_tool_calling_agent(llm, tools, prompt)
executor = AgentExecutor(agent=agent, tools=tools)

# 运行
result = executor.invoke({"input": "今天的汇率是多少？100美元等于多少人民币？"})
print(result["output"])

Agent应用场景

  • 客服机器人：自动查询订单、处理退换货
  • 数据分析助手：自动连接数据库、执行SQL、生成图表
  • 自动化运维：监控告警 → 自动排查 → 修复问题
  • 个人助理：日程管理、邮件处理、信息检索

总结

AI Agent是大模型的下一阶段进化，通过添加”工具调用”和”自主规划”能力，让AI从被动回答变为主动执行。LangChain是目前最易上手的Agent框架，几十行代码就能搭建一个功能完整的智能体。

Agent的核心是一个大语言模型，负责理解指令、规划任务、分析结果。常用模型：GPT-4、Claude、通义千问等。

2. 工具（Tools / Functions）

Agent可以调用的外部工具：搜索API、数据库查询、文件操作、HTTP请求、代码执行等。工具是Agent与真实世界交互的桥梁。

3. 记忆（Memory）

短期记忆：对话上下文；长期记忆：向量数据库存储的过往信息。记忆让Agent拥有持续学习和个性化能力。

4. 规划能力（Planning）

Agent能将复杂任务分解为多个子任务，按步骤执行。常用技术：思维链（Chain of Thought）、任务分解（ReAct框架）。

主流Agent框架

  • LangChain：最流行的Agent框架，Python/JS双语言，工具生态丰富
  • OpenAI Assistants API：官方Agent接口，自带代码解释器和文件搜索
  • AutoGen（微软）：多Agent协作框架，支持多角色对话
  • CrewAI：专注于多Agent团队协作
  • Dify：低代码Agent平台，可视化编排

实战：用LangChain搭建一个Agent

安装依赖：

pip install langchain langchain-openai

创建一个能搜索和计算的Agent：

import os
from langchain_openai import ChatOpenAI
from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain_core.prompts import ChatPromptTemplate

# 配置API（可用OpenAI或兼容接口）
os.environ["OPENAI_API_KEY"] = "your-api-key"
llm = ChatOpenAI(model="gpt-4o-mini")

# 定义提示词
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个有帮助的助手，可以使用工具来回答问题。"),
    ("human", "{input}"),
    ("placeholder", "{agent_scratchpad}"),
])

# 创建Agent（含搜索和计算工具）
from langchain_community.tools import DuckDuckGoSearchRun
from langchain.tools import calculator

tools = [DuckDuckGoSearchRun(), calculator]

agent = create_tool_calling_agent(llm, tools, prompt)
executor = AgentExecutor(agent=agent, tools=tools)

# 运行
result = executor.invoke({"input": "今天的汇率是多少？100美元等于多少人民币？"})
print(result["output"])

Agent应用场景

  • 客服机器人：自动查询订单、处理退换货
  • 数据分析助手：自动连接数据库、执行SQL、生成图表
  • 自动化运维：监控告警 → 自动排查 → 修复问题
  • 个人助理：日程管理、邮件处理、信息检索

总结

AI Agent是大模型的下一阶段进化，通过添加”工具调用”和”自主规划”能力，让AI从被动回答变为主动执行。LangChain是目前最易上手的Agent框架，几十行代码就能搭建一个功能完整的智能体。

1. 大模型（大脑）

Agent的核心是一个大语言模型，负责理解指令、规划任务、分析结果。常用模型：GPT-4、Claude、通义千问等。

2. 工具（Tools / Functions）

Agent可以调用的外部工具：搜索API、数据库查询、文件操作、HTTP请求、代码执行等。工具是Agent与真实世界交互的桥梁。

3. 记忆（Memory）

短期记忆：对话上下文；长期记忆：向量数据库存储的过往信息。记忆让Agent拥有持续学习和个性化能力。

4. 规划能力（Planning）

Agent能将复杂任务分解为多个子任务，按步骤执行。常用技术：思维链（Chain of Thought）、任务分解（ReAct框架）。

主流Agent框架

  • LangChain：最流行的Agent框架，Python/JS双语言，工具生态丰富
  • OpenAI Assistants API：官方Agent接口，自带代码解释器和文件搜索
  • AutoGen（微软）：多Agent协作框架，支持多角色对话
  • CrewAI：专注于多Agent团队协作
  • Dify：低代码Agent平台，可视化编排

实战：用LangChain搭建一个Agent

安装依赖：

pip install langchain langchain-openai

创建一个能搜索和计算的Agent：

import os
from langchain_openai import ChatOpenAI
from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain_core.prompts import ChatPromptTemplate

# 配置API（可用OpenAI或兼容接口）
os.environ["OPENAI_API_KEY"] = "your-api-key"
llm = ChatOpenAI(model="gpt-4o-mini")

# 定义提示词
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个有帮助的助手，可以使用工具来回答问题。"),
    ("human", "{input}"),
    ("placeholder", "{agent_scratchpad}"),
])

# 创建Agent（含搜索和计算工具）
from langchain_community.tools import DuckDuckGoSearchRun
from langchain.tools import calculator

tools = [DuckDuckGoSearchRun(), calculator]

agent = create_tool_calling_agent(llm, tools, prompt)
executor = AgentExecutor(agent=agent, tools=tools)

# 运行
result = executor.invoke({"input": "今天的汇率是多少？100美元等于多少人民币？"})
print(result["output"])

Agent应用场景

  • 客服机器人：自动查询订单、处理退换货
  • 数据分析助手：自动连接数据库、执行SQL、生成图表
  • 自动化运维：监控告警 → 自动排查 → 修复问题
  • 个人助理：日程管理、邮件处理、信息检索

总结

AI Agent是大模型的下一阶段进化，通过添加”工具调用”和”自主规划”能力，让AI从被动回答变为主动执行。LangChain是目前最易上手的Agent框架，几十行代码就能搭建一个功能完整的智能体。

1. 大模型（大脑）

Agent的核心是一个大语言模型，负责理解指令、规划任务、分析结果。常用模型：GPT-4、Claude、通义千问等。

2. 工具（Tools / Functions）

Agent可以调用的外部工具：搜索API、数据库查询、文件操作、HTTP请求、代码执行等。工具是Agent与真实世界交互的桥梁。

3. 记忆（Memory）

短期记忆：对话上下文；长期记忆：向量数据库存储的过往信息。记忆让Agent拥有持续学习和个性化能力。

4. 规划能力（Planning）

Agent能将复杂任务分解为多个子任务，按步骤执行。常用技术：思维链（Chain of Thought）、任务分解（ReAct框架）。

主流Agent框架

  • LangChain：最流行的Agent框架，Python/JS双语言，工具生态丰富
  • OpenAI Assistants API：官方Agent接口，自带代码解释器和文件搜索
  • AutoGen（微软）：多Agent协作框架，支持多角色对话
  • CrewAI：专注于多Agent团队协作
  • Dify：低代码Agent平台，可视化编排

实战：用LangChain搭建一个Agent

安装依赖：

pip install langchain langchain-openai

创建一个能搜索和计算的Agent：

import os
from langchain_openai import ChatOpenAI
from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain_core.prompts import ChatPromptTemplate

# 配置API（可用OpenAI或兼容接口）
os.environ["OPENAI_API_KEY"] = "your-api-key"
llm = ChatOpenAI(model="gpt-4o-mini")

# 定义提示词
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个有帮助的助手，可以使用工具来回答问题。"),
    ("human", "{input}"),
    ("placeholder", "{agent_scratchpad}"),
])

# 创建Agent（含搜索和计算工具）
from langchain_community.tools import DuckDuckGoSearchRun
from langchain.tools import calculator

tools = [DuckDuckGoSearchRun(), calculator]

agent = create_tool_calling_agent(llm, tools, prompt)
executor = AgentExecutor(agent=agent, tools=tools)

# 运行
result = executor.invoke({"input": "今天的汇率是多少？100美元等于多少人民币？"})
print(result["output"])

Agent应用场景

  • 客服机器人：自动查询订单、处理退换货
  • 数据分析助手：自动连接数据库、执行SQL、生成图表
  • 自动化运维：监控告警 → 自动排查 → 修复问题
  • 个人助理：日程管理、邮件处理、信息检索

总结

AI Agent是大模型的下一阶段进化，通过添加”工具调用”和”自主规划”能力，让AI从被动回答变为主动执行。LangChain是目前最易上手的Agent框架，几十行代码就能搭建一个功能完整的智能体。

大模型 vs AI Agent：

  • 大模型：你问一个问题，它回答一个答案
  • AI Agent：你给一个目标，它自己规划步骤、调用工具、完成任务

例如：问大模型”今天北京天气如何？”它只能靠训练数据猜测。问Agent同样的问题，它会自动调用天气API获取实时数据并回答。

AI Agent的核心组成

1. 大模型（大脑）

Agent的核心是一个大语言模型，负责理解指令、规划任务、分析结果。常用模型：GPT-4、Claude、通义千问等。

2. 工具（Tools / Functions）

Agent可以调用的外部工具：搜索API、数据库查询、文件操作、HTTP请求、代码执行等。工具是Agent与真实世界交互的桥梁。

3. 记忆（Memory）

短期记忆：对话上下文；长期记忆：向量数据库存储的过往信息。记忆让Agent拥有持续学习和个性化能力。

4. 规划能力（Planning）

Agent能将复杂任务分解为多个子任务，按步骤执行。常用技术：思维链（Chain of Thought）、任务分解（ReAct框架）。

主流Agent框架

  • LangChain：最流行的Agent框架，Python/JS双语言，工具生态丰富
  • OpenAI Assistants API：官方Agent接口，自带代码解释器和文件搜索
  • AutoGen（微软）：多Agent协作框架，支持多角色对话
  • CrewAI：专注于多Agent团队协作
  • Dify：低代码Agent平台，可视化编排

实战：用LangChain搭建一个Agent

安装依赖：

pip install langchain langchain-openai

创建一个能搜索和计算的Agent：

import os
from langchain_openai import ChatOpenAI
from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain_core.prompts import ChatPromptTemplate

# 配置API（可用OpenAI或兼容接口）
os.environ["OPENAI_API_KEY"] = "your-api-key"
llm = ChatOpenAI(model="gpt-4o-mini")

# 定义提示词
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个有帮助的助手，可以使用工具来回答问题。"),
    ("human", "{input}"),
    ("placeholder", "{agent_scratchpad}"),
])

# 创建Agent（含搜索和计算工具）
from langchain_community.tools import DuckDuckGoSearchRun
from langchain.tools import calculator

tools = [DuckDuckGoSearchRun(), calculator]

agent = create_tool_calling_agent(llm, tools, prompt)
executor = AgentExecutor(agent=agent, tools=tools)

# 运行
result = executor.invoke({"input": "今天的汇率是多少？100美元等于多少人民币？"})
print(result["output"])

Agent应用场景

  • 客服机器人：自动查询订单、处理退换货
  • 数据分析助手：自动连接数据库、执行SQL、生成图表
  • 自动化运维：监控告警 → 自动排查 → 修复问题
  • 个人助理：日程管理、邮件处理、信息检索

总结

AI Agent是大模型的下一阶段进化，通过添加”工具调用”和”自主规划”能力，让AI从被动回答变为主动执行。LangChain是目前最易上手的Agent框架，几十行代码就能搭建一个功能完整的智能体。

什么是AI Agent？

AI Agent（智能体）是一个能自主感知环境、做出决策、执行动作的AI系统。与大模型不同，Agent不只是回答问题，而是能主动使用工具完成任务。

大模型 vs AI Agent：

  • 大模型：你问一个问题，它回答一个答案
  • AI Agent：你给一个目标，它自己规划步骤、调用工具、完成任务

例如：问大模型”今天北京天气如何？”它只能靠训练数据猜测。问Agent同样的问题，它会自动调用天气API获取实时数据并回答。

AI Agent的核心组成

1. 大模型（大脑）

Agent的核心是一个大语言模型，负责理解指令、规划任务、分析结果。常用模型：GPT-4、Claude、通义千问等。

2. 工具（Tools / Functions）

Agent可以调用的外部工具：搜索API、数据库查询、文件操作、HTTP请求、代码执行等。工具是Agent与真实世界交互的桥梁。

3. 记忆（Memory）

短期记忆：对话上下文；长期记忆：向量数据库存储的过往信息。记忆让Agent拥有持续学习和个性化能力。

4. 规划能力（Planning）

Agent能将复杂任务分解为多个子任务，按步骤执行。常用技术：思维链（Chain of Thought）、任务分解（ReAct框架）。

主流Agent框架

  • LangChain：最流行的Agent框架，Python/JS双语言，工具生态丰富
  • OpenAI Assistants API：官方Agent接口，自带代码解释器和文件搜索
  • AutoGen（微软）：多Agent协作框架，支持多角色对话
  • CrewAI：专注于多Agent团队协作
  • Dify：低代码Agent平台，可视化编排

实战：用LangChain搭建一个Agent

安装依赖：

pip install langchain langchain-openai

创建一个能搜索和计算的Agent：

import os
from langchain_openai import ChatOpenAI
from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain_core.prompts import ChatPromptTemplate

# 配置API（可用OpenAI或兼容接口）
os.environ["OPENAI_API_KEY"] = "your-api-key"
llm = ChatOpenAI(model="gpt-4o-mini")

# 定义提示词
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个有帮助的助手，可以使用工具来回答问题。"),
    ("human", "{input}"),
    ("placeholder", "{agent_scratchpad}"),
])

# 创建Agent（含搜索和计算工具）
from langchain_community.tools import DuckDuckGoSearchRun
from langchain.tools import calculator

tools = [DuckDuckGoSearchRun(), calculator]

agent = create_tool_calling_agent(llm, tools, prompt)
executor = AgentExecutor(agent=agent, tools=tools)

# 运行
result = executor.invoke({"input": "今天的汇率是多少？100美元等于多少人民币？"})
print(result["output"])

Agent应用场景

  • 客服机器人：自动查询订单、处理退换货
  • 数据分析助手：自动连接数据库、执行SQL、生成图表
  • 自动化运维：监控告警 → 自动排查 → 修复问题
  • 个人助理：日程管理、邮件处理、信息检索

总结

AI Agent是大模型的下一阶段进化，通过添加”工具调用”和”自主规划”能力，让AI从被动回答变为主动执行。LangChain是目前最易上手的Agent框架，几十行代码就能搭建一个功能完整的智能体。