1. 引言

大语言模型（LLM）的爆发让「AI Agent（智能体）」成为技术圈最热门的话题之一。从 AutoGPT 到 LangChain、从 Copilot 到各类 Agent 框架，似乎一夜之间，所有 AI 产品都在向「智能体」演进。

但很多初学者面对铺天盖地的概念时，往往一头雾水：Agent 到底是什么？它和普通的 Chatbot 有什么区别？我该从哪里开始学？

这篇文章就是为你准备的 Agent 入门指南。我会从最基础的概念讲起，逐步拆解 Agent 的核心组成、工作原理，并带你动手实现一个最简单的智能体，帮你建立完整的知识框架。

2. 什么是 AI Agent

2.1 从 Chatbot 到 Agent

要理解 Agent，先要理解它和传统 Chatbot 的区别。

传统的 Chatbot 是一个「被动应答」的系统：用户提问，模型回答。它的能力边界就是单轮对话，即使有上下文记忆，本质上仍然是一个「问答工具」。

而 Agent 是一个「主动行动」的系统：它不仅能理解用户的意图，还能自主规划任务、调用工具、执行操作，并根据执行结果调整策略，直到完成目标。

用一个比喻来说：

• Chatbot 像一个「客服」，你问什么它答什么；
• Agent 像一个「助理」，你交代一个目标，它会自己想办法去完成。

2.2 Agent 的经典定义

学术界对 Agent 没有统一的定义，但业界普遍认可的一个描述是：

Agent 是一个以大语言模型为核心控制器，能够感知环境、自主决策、调用工具并执行行动，以实现特定目标的智能系统。

这个定义里有几个关键词：

• 感知（Perception）：接收用户的指令或环境反馈；
• 决策（Decision）：基于当前状态规划下一步行动；
• 行动（Action）：调用工具、执行代码或返回结果；
• 目标（Goal）：所有行动都围绕一个明确的目标展开。

3. Agent 的核心组成

一个完整的 Agent 系统通常由以下几个核心模块组成：

3.1 大语言模型（LLM）——大脑

LLM 是 Agent 的「大脑」，负责理解指令、推理规划、生成行动指令。它决定了 Agent 的「智力水平」。

3.2 规划（Planning）——思考

规划模块让 Agent 具备「拆解任务」的能力。面对一个复杂目标，Agent 会将其分解为多个子任务，并安排执行顺序。

常见的规划策略包括：

• 任务分解：把大目标拆成小步骤；
• 思维链（Chain-of-Thought）：让模型逐步推理；
• 反思（Reflection）：执行后自我检查并修正。

3.3 记忆（Memory）——经验

记忆让 Agent 能够「记住」上下文和历史经验，分为两类：

• 短期记忆：当前对话的上下文，通常通过上下文窗口实现；
• 长期记忆：跨会话的知识沉淀，通常借助向量数据库存储和检索。

3.4 工具（Tools）——手脚

工具是 Agent 与外部世界交互的「手脚」。通过调用工具，Agent 可以：

• 搜索网页获取实时信息；
• 执行代码完成计算；
• 调用 API 操作外部系统；
• 读写文件持久化数据。

3.5 行动（Action）——执行

行动模块负责把 LLM 的决策转化为实际的操作，并收集执行结果反馈给 LLM，形成「感知-决策-行动-反馈」的闭环。

4. Agent 的工作原理

理解了核心组成后，我们来看 Agent 是如何工作的。一个典型的 Agent 执行流程如下：

整个流程的核心是一个循环：规划 → 行动 → 观察 → 再规划。Agent 每执行一步，都会把结果反馈给 LLM，LLM 根据反馈决定下一步行动，直到任务完成或达到最大轮次限制。

5. 动手实现第一个 Agent

理论讲完了，我们来动手写一个最简单的 Agent。

5.1 准备工作

首先安装依赖：

pip install -U langchain

pip install -U langchain-openai

pip install -U langchain-anthropic

5.2 定义工具

我们定义一个模拟的天气查询工具和一个学生信息查询的工具：

# 工具1 :查天气
@tool
def get_waether(city: str)-> str:
    """获取指定城市的天气(模拟调用天气API)"""
    weater_data={
        "北京": "晴,25℃",
        "云南":"小雨,16℃",
        "四川":"晴,30℃",
    }
    return weater_data.get(city,f"暂无{city}的天气数据")

# 工具2 :查学生信息
@tool
def get_student_info(name :str) ->str:
    """根据学生姓名查询学生信息"""
    student_data={
        "张三": "学号：2021001，班级：计算机2101，专业：计算机科学与技术，GPA：3.8",
        "李四": "学号：2021002，班级：软件工程2102，专业：软件工程，GPA：3.6",
        "王五": "学号：2021003，班级：人工智能2103，专业：人工智能，GPA：3.9",
    }
    return student_data.get(name,f"未找到{name}的信息")

5.3 实现 Agent 循环

接下来实现 Agent 的核心循环：

local_model=ChatOpenAI(
    base_url="http://*****/v1",
    api_key="sk-*****",
    model="qwen3.8-27b",
    temperature=0,
)

# 将两个工具都注册给agent
agent=create_agent(
    model=local_model,
    tools=[get_waether,get_student_info],
    system_prompt="你是一个乐于助人的助手"
)

result=agent.invoke(
    {"messages" : [{
        "role":"user",
        "content":"云南的天气怎么样，在帮我查一下张三的信息"
    }]}
)

print(result["messages"][-1].content)

5.4 运行效果

运行上面的代码，Agent 会经历这样的过程：

1. LLM 收到问题，判断需要调用 get_weather，get_student_info 工具；
2. Agent 执行工具，拿到「小雨，16℃,学号 2021001，班级 计算机2101，专业 计算机科学与技术，GPA 3.8。」；
3. 把结果反馈给 LLM；
4. LLM 组织语言，返回「云南天气：小雨，16℃。

张三信息：学号 2021001，班级 计算机2101，专业 计算机科学与技术，GPA 3.8。」。

这就是一个最简 Agent 的完整闭环。