大模型应用开发 / 系统课时
Agent 工作机制
Agent 工作机制
本课将拆解 LangChain Agent 的核心决策循环:模型判断是否需要工具、框架执行工具、结果回传模型,直到产生最终回答。你还会运行一个最小 Agent,观察工具如何参与任务完成。
学习目标
- 区分固定链与 Agent 动态决策流程
- 理解模型消息、工具调用和工具结果的循环关系
- 使用
create_agent注册并调用一个简单工具
Agent 不是固定步骤链
固定链的执行顺序由开发者预先写死,而 Agent 会根据当前消息和可用工具动态选择下一步。它的核心仍是受控循环,不是让模型直接执行任意代码。

模型接收系统指令、用户消息、可用工具描述和已有工具结果。如果它返回工具调用,框架会校验参数并执行对应函数;工具结果以消息形式加入上下文,模型再决定继续调用还是结束。
决策循环与停止条件
一次典型循环包含四步:模型选择动作,框架执行工具,工具结果回传,模型生成下一动作。任务完成时模型输出最终消息;达到迭代限制、发生不可恢复错误或被人工审批中断时,循环也应停止。
工具描述和参数模式会直接影响选择准确率。描述应说明工具解决什么问题、需要哪些参数、不能做什么。具有写入、支付、删除或外部通知能力的工具,还应加入权限校验、幂等控制和人工确认。
运行最小 Agent
准备 Python 3.10 及以上环境,安装 langchain 与对应模型提供商集成包,并设置模型访问凭证。下面注册一个只读天气工具,系统提示要求模型先调用工具再回答。
from langchain.agents import create_agent
from langchain.tools import tool
@tool
def get_weather(city: str) -> str:
"""查询指定城市的示例天气,只返回演示数据。"""
weather_data = {
"北京": "晴,25℃",
"上海": "多云,27℃",
}
return weather_data.get(city, "暂无该城市数据")
agent = create_agent(
model="openai:gpt-5.4-mini",
tools=[get_weather],
system_prompt="回答天气问题前必须调用 get_weather 工具。",
)
result = agent.invoke(
{
"messages": [
{"role": "user", "content": "请查询北京天气。"},
]
}
)
print(result["messages"][-1].text)预期输出如下,具体措辞可能不同,但内容应来自工具返回值。
<包含“北京”“晴”和“25℃”的最终回答>运行过程中,消息序列通常包含用户消息、带工具调用的 AI 消息、工具结果消息和最终 AI 消息。应用可以据此记录审计日志,但不应把模型内部推理过程作为业务结果展示或存储。
设计安全工具
Agent 的权限上限由工具决定。只读查询工具风险较低,写数据库、发送消息或调用支付接口的工具则必须限制参数范围,并在执行前进行身份与权限检查。
还要为每个工具设置超时、重试边界和结构化错误。不要把异常堆栈直接交给最终用户,也不要让模型自行拼接 SQL、Shell 命令或任意 URL 后无校验执行。