Agent 的本质是一个状态机（State Machine）。它不是一个有意识的生物，而是一个被大模型驱动的 while 循环。
今天，我将带你从 0 到 1，在一个 Python 文件中，把这六大模块全部通过代码落地。
这事不难。只要你会写 Python 函数，你就能构建 Agent。
PART 01
工程准备：技术栈
为了实现确定性工程，我们不使用低代码平台，而是使用代码。
LangGraph: 用于构建状态图（Graph）。
LangChain: 用于封装模型接口。
Python: 我们的逻辑载体。
你只需要这一个文件，就能跑通所有逻辑。
你需要先安装库：
pip install langchain-openai langgraph pydantic python-dotenv
PART 02
感知模块 (Perception)：定义状态
理论回顾：感知是 Agent 的“感官”，负责处理文本、信号和上下文。
工程实现：在代码中，感知被具象化为 State（状态）。
Agent 本质上是无状态的，我们需要定义一个数据结构来“感知”当前聊到哪了。
解析 ：这就是感知。只要在这个列表里的，Agent 就能“看见”；不在列表里的，对它来说就不存在。
from typing import TypedDict, Annotated, List from langgraph.graph.message import add_messages # [感知模块] # 我们定义一个字典，作为 Agent 的"眼睛"和"耳朵" # 所有的用户输入、工具返回结果，都会被 append 到这个 messages 列表中 class AgentState(TypedDict): messages: Annotated[List, add_messages]PART 03
执行系统 (Execution)：定义工具
理论回顾 ：执行系统是 Agent 的“手脚”，负责调用 API、查询数据库。
工程实现 ：在代码中，就是标准的 Python 函数 。
不要让模型去猜，我们要明确定义函数。
# [执行系统] # 这是 Agent 的"手"，我们定义两个具体能力 def search(query: str) -> str: """当需要获取实时信息时调用，比如天气、新闻。""" print(f" [执行动作] 正在搜索: {query}") return f"搜索结果：'{query}' 的天气是 晴转多云，气温 20度。" def add(a: int, b: int) -> int: """当需要计算数字时调用。""" print(f" [执行动作] 正在计算: {a} + {b}") return a + b # 把工具打包成列表，后续喂给大脑 tools = [search, add]PART 04
专业大模型 (LLM)：加载大脑
理论回顾：这是底座，决定了 Agent 的智商上限。
工程实现：初始化 LLM 对象，并进行 Tool Binding（工具绑定）。
from langchain_openai import ChatOpenAI # [专业大模型] # 初始化大脑 (建议使用 GPT-4o 或类似智力水平的模型) llm = ChatOpenAI(model="gpt-4o", temperature=0) # [关键一步] # 将"执行系统"(tools)绑定到"大脑"(llm)上 # 这一步，我们将概率性的文本生成，坍缩为确定性的函数调用请求 llm_with_tools = llm.bind_tools(tools)PART 05
决策引擎 (Decision)：构建思考节点
理论回顾：这是核心。Agent 需要通过思维链（CoT）规划下一步该干什么。
工程实现：编写一个 Node（节点） 函数。
# [决策引擎] # 这是 Agent 的思考过程 def agent_node(state: AgentState): messages = state["messages"] # 大脑接收感知到的信息，进行推理 # 结果可能是：1. "我要调用工具" 2. "我回答完毕" response = llm_with_tools.invoke(messages) return {"messages": [response]}PART 06
记忆管理 (Memory)：工作记忆流转
理论回顾：Agent 需要记住刚才做过什么。
工程实现：LangGraph 的 Graph（图） 结构本身就是记忆流转的载体。
我们需要定义一个路由（Router），来决定记忆如何流转。
from langgraph.graph import END # [决策路由] # 判断下一步去哪：是去"执行"，还是"结束"？ def should_continue(state: AgentState): last_message = state["messages"][-1] # 如果大脑决定调用工具，转入执行系统 if last_message.tool_calls: return "tools" # 否则，结束 return ENDPART 07
反馈优化 (Feedback)：闭环构建
理论回顾：Agent 需要根据执行结果进行自我修正。
工程实现：通过 Edge（边） 构建循环。
这是 Agent 区别于脚本的关键：它是一个闭环。
from langgraph.graph import StateGraph from langgraph.prebuilt import ToolNode # 1. 初始化图 workflow = StateGraph(AgentState) # 2. 添加节点 workflow.add_node("agent", agent_node) # 思考节点 workflow.add_node("tools", ToolNode(tools)) # 执行节点 (LangGraph自带) # 3. 设置入口 workflow.set_entry_point("agent") # 4. [反馈闭环] # 思考 -> 决定调用工具 -> 执行工具 -> 【跳回】思考 # 这一步 add_edge("tools", "agent") 就是反馈机制的核心 # Agent 会看到工具的执行结果，然后反思下一步该说什么 workflow.add_edge("tools", "agent") # 5. 条件分支 workflow.add_conditional_edges( "agent", should_continue, { "tools": "tools", END: END } ) # 6. 编译系统 app = workflow.compile()PART 08
全貌：完整代码（Copy & Run）
把上面拆解的碎片拼起来，就是一个完整的、具备六大核心能力的 Agent。
保存为 agent demo.py，配置好你的 OPENAI API_KEY，直接运行。
import os from typing import TypedDict, Annotated, List from dotenv import load_dotenv from langchain_openai import ChatOpenAI from langgraph.graph import StateGraph, END from langgraph.graph.message import add_messages from langgraph.prebuilt import ToolNode # 加载环境变量 load_dotenv() # ========================================== # 模块1: 感知 (State) # ========================================== class AgentState(TypedDict): messages: Annotated[List, add_messages] # ========================================== # 模块2: 执行系统 (Tools) # ========================================== def search(query: str) -> str: """模拟搜索工具""" print(f" [执行系统] 调用搜索: {query}") return f"搜索结果：'{query}' 的天气是 晴转多云，气温 20度。" def add(a: int, b: int) -> int: """模拟计算工具""" print(f" [执行系统] 调用计算: {a} + {b}") return a + b tools = [search, add] # ========================================== # 模块3: 专业大模型 (Brain) # ========================================== llm = ChatOpenAI(model="gpt-4o", temperature=0) llm_with_tools = llm.bind_tools(tools) # ========================================== # 模块4: 决策引擎 (Node) # ========================================== def agent_node(state: AgentState): return {"messages": [llm_with_tools.invoke(state["messages"])]} tool_node = ToolNode(tools) # ========================================== # 模块5: 记忆流转 (Router) # ========================================== def should_continue(state: AgentState): if state["messages"][-1].tool_calls: return "tools" return END # ========================================== # 模块6: 反馈闭环 (Graph) # ========================================== workflow = StateGraph(AgentState) workflow.add_node("agent", agent_node) workflow.add_node("tools", tool_node) workflow.set_entry_point("agent") workflow.add_conditional_edges("agent", should_continue, {"tools": "tools", END: END}) workflow.add_edge("tools", "agent") # 这里的 Edge 构成了反馈闭环 app = workflow.compile() # ========================================== # 运行测试 # ========================================== if __name__ == "__main__": print("🤖 System Initialized. Inputing task...") # 这是一个需要多步推理的任务：先查天气，再根据天气做决定（虽然这里简单，但逻辑一致） inputs = {"messages": [("user", "北京现在的天气适合去公园做早操吗？")]} for output in app.stream(inputs): pass # 这里的 pass 是因为我们在函数里已经 print 了，实际工程中这里处理日志 print("\nFinal Response:") print(output['agent']['messages'][-1].content)PART 09
总结：苦涩的教训
如果你是一个初级程序员，看完这段代码，你应该感到释然。
六大模块，听起来很吓人，落地到代码里：
感知 就是一个列表 (List)
决策 就是一次模型调用 (invoke)
执行 就是函数调用 (def)
记忆 就是数据传递 (State)
反馈 就是一个循环边 (Edge)
这事不难。 难的不是写代码，难的是如何设计清晰的工具定义，以及如何控制图的流转逻辑。
进阶：什么时候拆分文件？
当你从“学习者”变成“工程师”时，单文件就不够用了。
一旦你的项目符合以下任一特征，请立即进行重构（Refactoring），将代码拆分到不同文件中：
工具变多了：你有 10+ 个工具，agent.py 里全是函数定义，干扰了看核心逻辑。
Prompt 变长了：你需要写很复杂的 System Prompt，字符串占了几百行。
团队协作：你的同事负责写工具，你负责写编排。
推荐的工程目录结构（Project Structure）：
最后唠两句
为什么AI大模型成为越来越多程序员转行就业、升职加薪的首选
很简单，这些岗位缺人且高薪
智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200% ，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。
AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。
那0基础普通人如何学习大模型 ？
深耕科技一线十二载，亲历技术浪潮变迁。我见证那些率先拥抱AI的同行，如何建立起效率与薪资的代际优势。如今，我将积累的大模型面试真题、独家资料、技术报告与实战路线系统整理，分享于此，为你扫清学习困惑，共赴AI时代新程。
我整理出这套 AI 大模型突围资料包【允许白嫖】：
✅从入门到精通的全套视频教程
✅AI大模型学习路线图（0基础到项目实战仅需90天）
✅大模型书籍与技术文档PDF
✅各大厂大模型面试题目详解
✅640套AI大模型报告合集
✅大模型入门实战训练
这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
①从入门到精通的全套视频教程
包含提示词工程、RAG、Agent等技术点
② AI大模型学习路线图（0基础到项目实战仅需90天）
全过程AI大模型学习路线
③学习电子书籍和技术文档
市面上的大模型书籍确实太多了，这些是我精选出来的
④各大厂大模型面试题目详解
⑤640套AI大模型报告合集
⑥大模型入门实战训练
如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！
应届毕业生：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。
零基础转型：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界。
业务赋能 突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型。
👉获取方式：
有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓
