当前位置：首页 > news >正文

LangChain+LangGraph 智能 Agent 核心逻辑

news 2026/6/4 5:00:03

什么是大模型 Agent

单纯的大模型，只会基于自身知识生成文本，存在两个明显短板：

知识有截止时间，无法获取实时信息；
不能操作外部环境，没法读写文件、执行计算、调用接口。

而 Agent（智能体），就是给大模型装上「手脚」和「思考决策能力」。

简单总结：

Agent = 大模型 + 思考决策逻辑 + 外部工具集

它不再是被动问答，而是可以自主判断、自主选择工具、分步完成复杂任务。

我们本次实战的代码，就是最经典的 ReAct 架构 Agent，也是目前工业界使用最广的智能体模式。

技术栈说明及使用环境

LangChain：1.3.2 LangGraph：1.2.2 模型：DeepSeek 通用大模型

整体架构拆解（四大核心模块）

先看整体结构，我们的 Agent 一共由 4 个部分组成，缺一不可：

大模型 LLM：负责思考、判断、生成调用指令
自定义 Tools 工具集：外部可执行能力（文件、计算、查询等）
@tool 装饰器：LangChain 标准工具封装方式
ReAct Agent 调度器：串联「思考→调用工具→汇总结果」全流程

大模型 LLM

apikey= "sk-xxxxxxx" baseurl= "https://api.deepseek.com/v1" llm = ChatOpenAI( model="deepseek-chat", temperature=0.5, api_key=apikey, base_url=baseurl )

Tool 工具（Agent 的手脚）

工具是 Agent 能落地业务的关键。

LangChain 统一使用 @tool 装饰器来定义工具，这是官方标准写法。

@tool def 工具名(入参: 类型) -> 字符串: """ 工具描述（非常重要！模型靠这段文字理解工具用途） :param 参数名: 参数说明 """ # 业务逻辑 return "执行结果"

ReAct 调度器（核心执行逻辑）

# 所有定义工具加入tools数组 tools = [write_to_file,write_file,list_files,delete_file,calculate,get_weather] # 绑定agent agent = create_react_agent(llm, tools)

这一行代码，背后就是整个 Agent 的决策循环逻辑。

**ReAct = Reason（推理思考） + Act（执行动作）**也是整个智能体最核心的运行机制。

ReAct Agent 完整执行流程

示例：命令今天的深圳天气怎么样，帮信息存在weather.txt

步骤 1：接收用户输入

用户提问被封装为消息格式，送入 Agent：

{"messages": [("user", "今天的深圳天气怎么样，帮信息存在weather.txt")]}

步骤 2：大模型「推理 Reason」

模型收到三类信息：

用户原始问题
所有工具的名称、功能描述、入参要求
历史执行记录

模型自主判断：

这个任务无法直接回答，需要调用工具 → 选择delete_file工具 → 提取参数file_name="poem.txt"

然后输出工具调用指令，而非自然语言回答。

步骤 3：执行动作 Act（调用工具）

Agent 调度器解析模型的调用指令，找到对应工具函数，传入参数并本地执行代码：

校验文件路径是否在安全目录
判断文件是否存在
执行删除逻辑
返回工具执行结果（成功 / 失败信息）

步骤 4：结果回传给大模型，二次汇总

工具执行结果再次发回大模型。模型拿到执行状态后，不再调用新工具，整理信息，生成最终自然语言回答返回给用户。

完整个代码如下

import os from dotenv import load_dotenv from langchain_openai import ChatOpenAI from langchain_core.tools import tool from langgraph.prebuilt import create_react_agent # 1. 加载环境变量 load_dotenv() # 2. 定义安全工作目录（沙箱隔离） WORK_DIR = r"safe_files" os.makedirs(WORK_DIR, exist_ok=True) # 3. 初始化大模型（Agent 大脑） api_key = "sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxx" base_url = "https://api.deepseek.com/v1" llm = ChatOpenAI( model="deepseek-chat", temperature=0.5, api_key=api_key, base_url=base_url ) # ---------------------- 自定义工具集（Agent 手脚） ---------------------- @tool def write_to_file(file_name: str, content: str) -> str: """将内容写入指定文件，仅允许写入安全目录内的文件""" file_path = os.path.abspath(os.path.join(WORK_DIR, file_name)) if not file_path.startswith(os.path.abspath(WORK_DIR)): return "❌ 错误：禁止写入安全目录外的文件！" try: with open(file_path, "w", encoding="utf-8") as f: f.write(content) return f"✅ 成功写入文件：{file_path}" except Exception as e: return f"❌ 写入失败：{str(e)}" @tool def list_files() -> str: """列出安全目录下所有文件""" try: files = os.listdir(WORK_DIR) return "当前目录文件：\n" + "\n".join(files) except Exception as e: return f"列出失败: {str(e)}" @tool def delete_file(file_name: str) -> str: """删除安全目录内指定文件""" file_path = os.path.abspath(os.path.join(WORK_DIR, file_name)) if not file_path.startswith(os.path.abspath(WORK_DIR)): return "错误：禁止删除安全目录外的文件" if not os.path.exists(file_path): return "错误：文件不存在" try: os.remove(file_path) return f"已成功删除文件: {file_name}" except Exception as e: return f"删除失败: {str(e)}" @tool def calculate(expression: str) -> str: """计算数学表达式，示例：(10+20)*5""" try: result = eval(expression, {"__builtins__": None}, {}) return f"计算结果: {expression} = {result}" except Exception as e: return f"计算失败: {str(e)}" @tool def get_weather(city: str) -> str: """查询指定城市天气""" data = { "北京": "晴天 25℃，湿度40%", "上海": "多云 27℃，湿度65%", "广州": "小雨 30℃，湿度85%", "深圳": "晴转多云 28℃，湿度70%" } return data.get(city, f"{city} 暂无天气数据") # 注册所有工具 tools = [write_to_file, list_files, delete_file, calculate, get_weather] # 4. 创建 ReAct 智能体（调度核心） agent = create_react_agent(llm, tools) # 5. 启动测试 if __name__ == "__main__": print("Agent 已启动，请等待任务执行...") # 可自行修改测试指令 user_input = "帮删除 safe_files 中的 poem.txt" response = agent.invoke({ "messages": [("user", user_input)] }) print("\n==== 最终回答 ====") print(response["messages"][-1].content)

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～