AI Agent与LangChain框架设计

AI Agent是一种能够自主感知环境、做出决策并执行行动的智能体系统，LangChain是目前构建Agent最流行的框架。

AI Agent核心设计模式——感知-思考-行动循环：

1. 感知（Perceive）：从环境中获取信息（用户输入、API返回、工具执行结果）。
2. 思考（Think/Reason）：LLM根据当前状态推理，决定下一步行动。
3. 行动（Act）：执行行动（调用工具、发送API请求、返回响应）。
4. 重复循环，直到任务完成。

ReAct（Reasoning + Acting）机制（Yao et al., 2023）： 核心思想：在推理过程中交替产生思考轨迹（Thought）和行动（Action），在每一步将观察结果（Observation）注入推理过程。

ReAct循环格式： Thought: 我现在需要查找用户的订单信息 Action: search_order(user_id="12345") Observation: 订单#1001已发货，预计明天到达 Thought: 用户想知道订单状态，我可以回复了 Final Answer: 您的订单#1001已发货，预计明天送达。

• 明确的思考链（Chain-of-Thought）让LLM的推理过程可解释。
• 行动导致环境反馈，环境反馈更新推理。

LangChain Agent框架设计：

1. Tool（工具）：

• 封装外部能力：搜索引擎、数据库查询、计算器、API调用、文件操作。
• 每个Tool有：name、description（供LLM选择使用）、input_schema、run()。

2. Agent（智能体）：

• 大语言模型+Prompt模板（System Prompt + 工具描述 + ReAct格式指导）。
• 根据当前状态（对话历史+观察结果）决定下一步。

3. Agent Executor：

• 执行引擎：维护循环（LLM→选择工具→执行→返回结果→LLM）。
• 管理停止条件（达到最大迭代次数、LLM输出Final Answer）。

4. Memory（记忆）：

• 维护对话历史、关键信息提取。
• 短期记忆（窗口缓存）、长期记忆（向量数据库+检索）。

LangChain Agent的典型用法：

from langchain.agents import create_react_agent
from langchain_community.tools import tool

@tool
def search_weather(city: str) -> str:
    """查询城市天气"""
    return f"{city}今天25℃，晴"

agent = create_react_agent(llm, [search_weather], prompt)
agent_executor = AgentExecutor(agent=agent, tools=[search_weather])
result = agent_executor.invoke({"input": "北京今天天气如何？"})

Function Calling（函数调用）：

• OpenAI/Anthropic等LLM原生支持。
• LLM直接输出调用哪个函数和参数。
• LangChain将其包装为OpenAI Function Agent。

AutoGPT/Multi-Agent：

• AutoGPT：长期任务规划+多步骤执行。
• 多Agent系统中Agent间通信与协作（如CrewAI、AutoGen）。
• Agent团队：管理者、执行者、评估者。

局限性：

• 工具调用错误传播。
• 幻觉导致决策失误。
• Token消耗大（每次循环都需要调用LLM）。
• 安全性（Tool注入攻击）。