核心目標

掌握任務拆解邏輯（CoT思維鏈）、工具調用的核心流程

學習資料

1. 論文：《ReAct: Synergizing Reasoning and Acting》

https://arxiv.org/pdf/2210.03629；
翻譯版直接使用豆包翻譯即可

2. 文檔：LangChain官方文檔“Agent核心概念”章節

LangChain 官方文檔“Agent 核心概念”章節核心資料彙總

以下內容均提取自 LangChain 官方文檔（含多語言官方站：JavaScript、Python、Go），按“概念定義→核心組件→Agent 類型→工作流程→關鍵運行時/API”邏輯梳理，確保貼合官方表述：

一、Agent 官方核心定義

LangChain 官方對 Agent 的核心定位是：結合語言模型（LLM）與工具集，能夠動態推理任務目標、自主選擇工具、迭代執行動作以解決複雜任務的“決策型組件”，區別於“固定流程的 Chain”，核心優勢是“根據實時上下文調整行為”。

• 來自 LangChain 官方 JavaScript 文檔（docs.langchain.com）：Agents combine language models with tools to create systems that can reason about tasks, decide which tools to use, and iteratively work towards solutions.
• 來自 LangChain 官方 Python 中文文檔（python.langchain.com.cn）：代理的核心思想是使用 LLM 來選擇要採取的一系列動作，而非執行固定的工具調用鏈；Agent 可訪問工具集合，根據用户輸入動態決定是否/如何調用工具。
• 來自 LangChain 官方 Go 文檔（tmc.github.io/langchaingo）：Agents enable autonomous behavior by allowing language models to dynamically choose which tools to use based on user input — unlike predetermined chains, agents make real-time decisions about their actions.

二、Agent 核心組件（官方定義）

LangChain 官方文檔明確 Agent 系統由 5大核心組件 構成，各組件職責與實現方式如下：

1. 模型（Model）：Agent 的“推理引擎”

模型是 Agent 決策的核心，負責分析任務、判斷需調用的工具及參數，官方支持“靜態模型”和“動態模型”兩種配置：

• 靜態模型（Static Model）：創建 Agent 時固定配置，全程不變（最常用）。

  • 支持通過“模型標識符字符串”快速初始化（格式：provider:model，如 openai:gpt-4o）；
  • 也可通過 provider 包創建實例，自定義參數（如 temperature、maxTokens、timeout、API 密鑰等）。

  • 示例代碼（JavaScript 官方文檔）：

    import { createAgent } from "langchain";
    import { ChatOpenAI } from "@langchain/openai";
    const model = new ChatOpenAI({ model: "gpt-4o", temperature: 0.1, maxTokens: 1000 });
    const agent = createAgent({ model, tools: [] });

• 動態模型（Dynamic Model）：運行時根據當前狀態/上下文動態選擇模型（用於成本優化、複雜路由），需通過 wrapModelCall middleware 實現。
• 來源：LangChain 官方 JavaScript 文檔（docs.langchain.com）、Go 官方文檔（tmc.github.io/langchaingo）。

2. 工具（Tools）：Agent 的“執行手腳”

工具是 Agent 可調用的外部功能模塊，官方強調“工具需有清晰描述（讓 LLM 識別使用場景）”，並支持“工具包”和“錯誤處理”：

• 工具定義：任何可被 LLM 調用的功能（如搜索引擎、計算器、API 接口、文件操作、數據庫查詢），需明確 name（工具名）和 toolInput（調用參數）。
• 工具包（Toolkit）：官方推薦的“工具集合”，含 3-5 個實現特定目標的關聯工具（如“網頁問答工具包”含“搜索工具+摘要工具”），降低 Agent 選工具的複雜度。
• 工具錯誤處理：官方 Agent 運行時會自動處理工具調用異常（如工具不存在、參數錯誤、執行超時），無需手動捕獲。
• 工具與 ReAct 循環：工具需嵌入 ReAct（Reasoning + Action）循環，Agent 通過“思考→調用工具→獲取觀察”迭代使用工具。
• 來源：LangChain 官方 JavaScript 文檔（docs.langchain.com）、Python 中文文檔（python.langchain.com.cn）、Go 官方文檔（tmc.github.io/langchaingo）。

3. 執行器（Agent Executor）：Agent 的“運行管理器”

執行器是 Agent 的核心運行時，負責管理“決策→執行→反饋”的循環，解決 Agent 執行中的複雜性問題：

• 核心職責：

  1. 調用 Agent 生成下一步動作（get_action()）；
  2. 執行工具並獲取觀察結果（run(next_action)）；
  3. 循環直到滿足停止條件（Agent 輸出 AgentFinish 或達迭代上限）；
  4. 處理異常：工具不存在、工具執行錯誤、Agent 輸出無法解析為工具調用、全流程日誌記錄（支持輸出到 stdout 或 LangSmith）。

• 官方核心實現：

  • 主流運行時：AgentExecutor 類（Python/JavaScript/Go 均支持，官方默認推薦）；
  • 進階運行時：基於 LangGraph 的圖狀運行時（通過 createAgent() 創建，將 Agent 流程拆分為“模型節點”“工具節點”“中間件節點”，支持複雜狀態流轉）。

• 官方偽代碼（Python 中文文檔）：

  next_action = agent.get_action(...)
  while next_action != AgentFinish:
      observation = run(next_action)
      next_action = agent.get_action(..., next_action, observation)
  return next_action

• 來源：LangChain 官方 Python 中文文檔（python.langchain.com.cn）、JavaScript 文檔（docs.langchain.com）、Go 官方文檔（tmc.github.io/langchaingo）。

4. 記憶（Memory）：Agent 的“上下文存儲”

記憶是可選但關鍵的組件，負責維持 Agent 與用户的交互上下文（如多輪對話歷史、工具調用記錄），避免“上下文丟失”：

• 官方支持的記憶類型：對話緩存記憶（ConversationBufferMemory）、向量存儲記憶（結合 Chroma 等向量庫實現長期記憶）等；
• 核心作用：讓 Agent 在迭代決策中“記住”歷史動作與觀察，無需重複調用工具或重複詢問用户。
• 來源：LangChain 官方 JavaScript 文檔（docs.langchain.com）、Go 官方文檔（tmc.github.io/langchaingo）。

5. 系統提示（System Prompt）：Agent 的“行為準則”

指導 Agent 推理邏輯與工具選擇的提示詞，官方支持“靜態”和“動態”兩種：

• 靜態系統提示：創建 Agent 時固定，全程指導 Agent 行為（如“你是一個數據分析 Agent，僅使用計算器和數據庫工具”）；
• 動態系統提示：運行時根據當前任務狀態調整（如根據用户輸入的任務類型切換提示詞）。
• 來源：LangChain 官方 JavaScript 文檔（docs.langchain.com）。

三、官方定義的 Agent 類型

LangChain 官方文檔明確支持以下核心 Agent 類型，適配不同場景：

四、Agent 官方工作流程（通用）

LangChain 官方文檔統一描述的 Agent 工作流程如下（迭代循環）：

1. 接收輸入：Agent 接收用户的自然語言任務或查詢；
2. 計劃動作：模型分析輸入，結合工具描述和上下文（記憶），決定下一步調用的工具及參數（輸出 AgentAction）；
3. 執行工具：執行器調用選中的工具，獲取觀察結果（Observation）；
4. 處理結果：模型評估觀察結果是否滿足任務目標；
5. 決定下一步：若未完成，重複“計劃→執行→處理”；若完成，輸出 AgentFinish（含最終結果）；
6. 返回響應：將最終結果整理為自然語言反饋給用户。
7. 來源：LangChain 官方 Python/JavaScript/Go 文檔。

五、官方關鍵 API/工具（快速上手）

1. 核心創建 API：

   • JavaScript/TypeScript：createAgent()（基於 LangGraph 構建生產級 Agent，支持模型、工具、中間件配置）；
   • Python：initialize_agent()（快速初始化 Agent，如 initialize_agent(tools, llm, agent="react-description")）；
   • Go：agents.New()（結合工具集和模型創建 Agent）。
2. 官方調試工具：LangSmith（官方觀測平台，記錄 Agent 決策過程、工具調用日誌、錯誤信息）。
3. 來源：LangChain 官方 JavaScript 文檔（docs.langchain.com）、Python 中文文檔（python.langchain.com.cn）。

六、官方文檔訪問鏈接（直接查看原文）

1. LangChain 官方 JavaScript 文檔（Agent 核心概念）：https://docs.langchain.com/oss/javascript/langchain/agents
2. LangChain 官方 Python 中文文檔（Agent 核心）：https://python.langchain.com.cn/docs/modules/agents/
3. LangChain 官方 Go 文檔（Agent 核心）：https://tmc.github.io/langchaingo/docs/modules/agents/

4. LangChain 官方 JavaScript 中文文檔（Agent 接口定義）：https://js.langchain.com.cn/docs/modules/agents/

   實戰任務

   1. 手動編寫1個CoT提示詞（比如“拆解‘做一份AI Agent學習週報’的任務”）；

   提示詞設計思路

   符合 CoT 核心：引導模型 “逐步思考”，從目標→模塊→內容→順序→落地，層層遞進，模擬人類拆解任務的邏輯；
   具體性：限定場景（自學覆盤），明確每個思考環節的輸出要求，避免模型輸出模糊內容；
   可落地性：每個步驟綁定 “行動 + 目的”，拆解後能直接按步驟執行，無需額外細化。

提示詞示例

請以“逐步思考”的方式拆解“做一份AI Agent學習週報（面向自學場景，用於自我覆盤+後續優化學習計劃）”的完整任務，要求拆解後的步驟具體可執行、邏輯連貫，每個步驟説明“做什麼+為什麼做”，最終形成可直接落地的執行流程：

1. 先明確週報的核心目標和受眾（自我覆盤用），這是拆解的基礎——因為目標決定內容側重點，比如自學覆盤需要突出“學會的知識點、未掌握的難點、實戰中的問題”；
2. 接着思考一份“有價值的AI Agent學習週報”應該包含哪些核心模塊？每個模塊的核心作用是什麼？（比如是否需要“學習內容彙總”“關鍵知識點拆解”“實戰成果展示”“問題與改進”“下週計劃”等，説明每個模塊的必要性）；
3. 然後針對每個核心模塊，進一步細化“具體要填寫什麼內容”“需要哪些素材支撐”（比如“實戰成果展示”需要明確“做了哪個項目、用了什麼工具、實現了什麼功能、遇到什麼坑、怎麼解決的”）；
4. 再規劃模塊的排列順序（邏輯上從“學了什麼”到“懂了什麼”再到“做了什麼”“要改進什麼”，符合覆盤的認知邏輯）；
5. 最後確定每個步驟的大致時間分配和輸出格式（比如用Markdown排版，每個模塊控制在多少字數，整體耗時多久），確保任務可落地執行。

請按照這個思考邏輯，輸出完整的任務拆解步驟，每個步驟清晰説明“行動+目的”，避免籠統表述。

2. 列出3個AI Agent常用工具及應用場景（如搜索引擎、計算器）

以下工具均來自權威行業文檔（如 CSDN、阿里雲、騰訊雲報告），覆蓋個人效率、企業辦公、流程自動化核心場景，附具體落地案例增強實用性：

1. 實時信息檢索工具（如搜索引擎、實時數據庫 API）

核心功能
AI Agent 通過調用搜索引擎（如百度、Google）或實時數據 API（如行業數據庫、新聞接口），獲取模型訓練數據之外的最新、動態、跨領域信息，解決 LLM “知識過時”“信息侷限” 問題。
典型應用場景
實時熱點 / 行業動態跟蹤：企業市場部 Agent 調用新聞 API，每日自動抓取 “AI Agent 行業最新政策”“競爭對手動態”，生成 500 字摘要報告（參考摘要 1、2，如騰訊雲智能對話平台集成搜索工具處理電商售後諮詢）；
跨領域知識驗證與補充：科研 Agent 在撰寫論文時，通過搜索引擎驗證 “2025 年 AI Agent 市場規模” 等數據（避免模型幻覺），並補充最新學術論文鏈接（參考摘要 3，Paper Agent 自動檢索 arXiv 最新文獻）；
場景化事實確認：個人助理 Agent 幫用户規劃旅行時，調用天氣 API 獲取目的地實時天氣、交通 API 查詢航班動態，調整行程建議（參考摘要 6，OpenAI Operator 代用户完成旅行規劃）。
代表工具 / 技術
百度搜索 API、Tavily 搜索工具、行業垂直數據庫接口（如 IDC 市場報告 API）。

2. 文檔處理與知識管理工具（如 Notion AI、RAG Agent）

核心功能
實現 “文檔解析→信息提取→知識結構化→問答交互” 全流程自動化，支持多格式文檔（PDF、Word、筆記），解決 “信息碎片化”“知識複用難” 問題。
典型應用場景
會議紀要與待辦提取：企業辦公 Agent 接入 Zoom/Teams 錄音，自動轉文字並提取 “參會人員、討論要點、待辦事項（負責人 + 截止時間）”，生成 Markdown 格式紀要（參考摘要 4，基於 LangChain 的會議紀要 Agent）；
私有知識庫問答：研發團隊 Agent 將技術文檔、代碼註釋、故障解決方案上傳至 RAG 知識庫，新員工提問 “如何排查 API 調用錯誤” 時，Agent 基於內部文檔精準回答（參考摘要 4，SharePoint Agents、RAG Agent）；
文檔結構化整理：學生 Agent 將課程筆記、課件 PDF 上傳至 Notion AI Agent，自動生成 “章節大綱 + 重點公式 + 考點標註”，支持後續檢索（參考摘要 3，Notion AI Agent 的文檔大綱生成功能）。
代表工具 / 技術
Notion AI Agent、RAG（檢索增強生成）工具、Quick BI 文檔解讀 Agent（瓴羊）。

3. 流程自動化工具（RPA+AI 融合型，如實在 Agent、金智維）

核心功能
從傳統 RPA（固定規則執行）進化為 “AI 決策 + 自動化執行”，支持跨系統操作（如 Excel、CRM、財務軟件），替代人工完成重複、規則明確、高容錯要求的流程性工作。
典型應用場景
財務報銷審核自動化：企業財務 Agent（如實在 Agent）接收員工報銷單，自動讀取發票金額、校驗 “差旅補貼標準”（調用企業規則庫）、錄入 Excel 台賬，異常單據自動標記並通知審核員（參考摘要 3，實在 Agent 的財務流程自動化案例）；
客户信息跨系統同步：電商 Agent 將訂單系統的 “客户姓名、聯繫方式” 自動同步至 CRM 系統，同時更新庫存管理系統的 “商品剩餘數量”，避免人工錄入錯誤（參考摘要 6，金智維的跨系統數據整合功能）；
政務 / 企業數據歸檔：政務 Agent 將居民辦事材料（身份證、申請表）掃描件轉化為結構化數據，自動歸檔至政務數據庫，並生成 “歸檔編號” 反饋給用户（參考摘要 6，RPA+AI 在政務場景的落地）。
代表工具 / 技術
實在 Agent（基礎版免費）、金智維（金融級）、Adept AI（企業軟件自動化）。
工具選擇建議
個人 / 輕量需求：優先選 “搜索引擎 + 文檔處理工具”（如 ChatGPT Agent+Notion AI），滿足學習、辦公基礎需求；
企業流程需求：優先 RPA+AI 工具（如實在 Agent、金智維），聚焦 “降本增效” 場景（如財務、客服）；
高精準度需求：搭配 “實時檢索工具 + 文檔工具”，避免模型幻覺（如科研、金融風控）。