day29：理解Agent 结构（LLM + Tool + Executor）
一、Agent定义 简单介绍
- Agent = 能“思考 → 决策 → 调用工具 → 再思考”的 LLM 程序
公式化一点就是：
Agent = LLM + Tools + Executor它和「问 → 答」最大的区别是：
LLM 不再只是生成文本，而是在“做事”二、Agent 结构总览
┌─────────────────────┐ │ User │ └─────────┬───────────┘ │ ┌─────────▼───────────┐ │ Agent │ │ │ │ ┌──────────────┐ │ │ │ LLM │ │ ← 决策中枢（大脑） │ └──────┬───────┘ │ │ │ Thought │ │ ┌──────▼───────┐ │ │ │ Tools │ │ ← 外部能力 │ └──────┬───────┘ │ │ │ Action │ │ ┌──────▼───────┐ │ │ │ Executor │ │ ← 执行与控制循环 │ └──────────────┘ │ └─────────────────────┘三、Agent 的三个核心组件（重点）
1️⃣ LLM（大脑）
在 Agent 中，LLM 不只是“回答问题”
它负责：
🤔 思考（Thought）
🧭 决策（是否用工具）
🧠 规划（先做什么，再做什么）
典型提示词结构（你不写，LangChain 会自动帮你写）：
Thought: 我需要查询时间 Action: get_current_time Action Input: {} Observation: 2025-12-13 Thought: 我可以回答了 Final Answer: 现在是 2025-12-13- 👉 Agent 的本质是让 LLM 输出“结构化思考过程”
2️⃣ Tool（工具）
Tool 是什么？
Tool = Agent 能调用的 Python 函数例如：
- 搜索 - 计算 - 查数据库 - 调 API - 查文件 - 调你写的业务函数在 LangChain 中，一个 Tool 至少包含：
name descriptioncallablefunctionLLM 通过 description 来判断“该不该用这个工具”
3️⃣ Executor（执行器）
- Executor 是 Agent 的“循环控制器”
它负责：
把 LLM 输出解析成：
Thought
Action
Action Input
调用 Tool
把结果塞回给 LLM
再让 LLM 思考
直到得到 Final Answer
可以理解为：
Executor = Agent 的 runtime四、LangChain 中的 Agent 类型（认识不分）
✅ ReAct Agent（最重要）
ReAct = Reason + Act
Thought → Action → Observation → Thought → Final👉 这是 LangChain 默认 & 最稳定 & 最好理解 的 Agent 结构
后面你学的基本都是它的变体。
五、从 0 到 1：一个最小 LangChain Agent Demo（Qwen-Plus）
Step 0：安装依赖
langchain>=0.1.0langchain-openai langchain_classic pip install-r requirements.txtimportdatetimefromlangchain_classic.agentsimportinitialize_agent,AgentTypefromlangchain_core.toolsimporttoolfromlangchain_openaiimportChatOpenAI llm=ChatOpenAI(model="qwen-plus-latest",temperature=0,api_key="sk-YOUR-API-KEY",base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",)@tooldefget_current_time(query:str)->str:"""获取当前时间"""returnstr(datetime.datetime.now())tools=[get_current_time]agent=initialize_agent(tools,llm,agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,verbose=True,handle_parsing_errors=True)defmain():res=agent.invoke({"现在是什么时间?"})print(res["output"])if__name__=="__main__":main()# (day29venv) PS E:\code\xsun_ai_study\week5\day29> python main.py# E:\code\xsun_ai_study\week5\day29\main.py:23: LangChainDeprecationWarning: LangChain agents will continue to be supported, but it is recommended for new use cases to be built with LangGraph. LangGraph offers a more flexible and full-featured framework for building agents, including support for tool-calling, persistence of state, and human-in-the-loop workflows. For details, refer to the [LangGraph documentation](https://langchain-ai.github.io/langgraph/) as well as guides for [Migrating from AgentExecutor](https://python.langchain.com/docs/how_to/migrate_agent/) and LangGraph's [Pre-built ReAct agent](https://langchain-ai.github.io/langgraph/how-tos/create-react-agent/).# agent = initialize_agent(tools,### > Entering new AgentExecutor chain...# 需要获取当前时间# Action: get_current_time# Action Input: {"query": "current time"}# Observation: 2025-12-14 14:52:24.744312# Thought:Final Answer: 现在是2025年12月14日14点52分24秒。## > Finished chain.# 现在是2025年12月14日14点52分24秒。你会看到完整的 Agent 思考链：
Thought: 我需要知道当前时间 Action: get_current_time Action Input: {} Observation: 2025-12-13 10:32:11 Thought: 我已经知道时间了 Final Answer: 现在是 2025-12-13 10:32:11六、这个 Demo 背后发生了什么（非常重要）
| 组件 | 做了什么 |
|---|---|
| LLM | Qwen-Plus |
| Tool | Python 函数 |
| Agent | ReAct 推理模板 |
| Executor | 控制调用循环 |
👉 这是 90% LangChain Agent 的通用骨架
七、Agent 和你之前 RAG 的关系
| RAG | Agent |
|---|---|
| 查资料 → 回答 | 思考 → 决策 → 行动 |
| 单次生成 | 多轮内部循环 |
| 被动 | 主动 |
| 无状态或弱状态 | 可引入 Memory |
👉 Agent 可以“用 RAG 作为工具”
