过去一周，我们构建了预定义每一步骤的AI程序。但如果事先不知道所有步骤，AI需要根据用户问题自主决定是搜索Google、查询数据库还是使用计算器呢？这就是AI从“链（Chains）”迈向“代理（Agents）”的关键。如果说链是一条固定的铁路轨道，那么代理就是一辆自动驾驶汽车，它有目的地（你的目标）和一套工具，并能自主决定最佳路线。
什么是AI Agent？
AI Agent是一个使用“推理循环（Reasoning Loop）”来完成任务的大型语言模型（LLM）。在官方文档中，这通常被称为“ReAct模式”（Reason + Act）。Agent不再仅仅提供答案，而是遵循以下循环：
- 思考（Thought）：“用户想知道比特币的当前价格。我不知道，所以应该使用搜索工具。”
- 行动（Action）：调用搜索工具。
- 观察（Observation）：读取搜索结果。
- 最终响应（Final Response）：将观察结果组合成一个有用的答案。
工具的力量
工具是AI的“双手”。一个工具本质上是一个LLM知道如何调用的Python函数。LangChain内置了数十种工具，你也可以创建自己的工具！
常见工具包括：
- Tavily/Google Search：用于获取实时信息。
- Wikipedia：用于获取一般知识。
- Python REPL：用于执行复杂的数学或数据分析。
- 自定义API：连接到你公司自己的数据。
构建你的第一个Agent（现代方式）
在现代LangChain中，我们使用一个专门的“Agent Executor”来管理循环。以下是设置的简要示例：
from langchain_openai import ChatOpenAI
from langchain_community.tools.tavily_search import TavilySearchResults
from langchain.agents import create_react_agent, AgentExecutor
from langchain import hub
# 1. 定义工具
tools = [TavilySearchResults(max_results=1)]
# 2. 从LangChain Hub获取“Prompt Template”
# 这个提示模板告诉AI如何使用工具
prompt = hub.pull("hwchase17/react")
# 3. 初始化大脑（LLM）
llm = ChatOpenAI(model="gpt-4o")
# 4. 构建Agent
agent = create_react_agent(llm, tools, prompt)
# 5. 创建执行器（运行循环的引擎）
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
# 6. 运行它！
agent_executor.invoke({"input": "What is the current stock price of NVIDIA?"})
总结
本文介绍了：
- Agent：能够推理并自主决定路径的AI。
- 工具（Tools）：如何让LLM访问外部世界。
- ReAct循环：AI在行动前如何思考。
- Agent Executor：管理整个过程的运行时。