AI Agent 全链路搭建教程
Bot 和 Agent 的区别
传统 ChatBot 的工作方式：
用户提问 → 匹配关键词 → 返回预设答案
Agent 的工作方式：
用户提问 → 思考该做什么 → 调用工具 → 观察结果 → 再思考 → ... → 给出答案
✅
核心区别在于 推理与行动的循环（Reasoning + Acting） 。
Agent 的核心工作机制
✅
循环的四个步骤：
Thought（思考） ：分析当前状态，决定下一步该做什么
Action（行动） ：选择一个 Tool 并传入参数执行
Observation（观察） ：获取 Tool 返回的结果
Loop（循环） ：带着新的观察结果回到 Thought，直到得出最终答案
一个真实的 ReAct 执行轨迹：
代码块
Plain Text
Question: 张三上周买的 iPhone 15 发货了吗？
Thought: 用户想知道订单发货状态。我需要先查询订单信息。
Action: query_order(user_name="张三", product="iPhone 15")
Observation: {"order_id": "ORD-2024-0612-001", "status": "shipped",
"carrier": "顺丰", "tracking_no": "SF1234567890"}
Thought: 订单已发货，快递单号是 SF1234567890。我可以再查一下物流详情。
Action: query_logistics(tracking_no="SF1234567890")
Observation: {"current_status": "运输中", "location": "深圳转运中心",
"estimated_delivery": "2024-06-14"}
从零搭建智能客服 Agent
Step 1：环境准备
bash
代码块
Plain Text
pip install langchain langchain-openai langchain-community
pip install python-dotenv
Python
代码块
TOML
# .env
OPENAI_API_BASE="https://your-api-proxy.com/v1"
OPENAI_API_KEY="sk-your-key"
Step 2：定义 Tools
Tool 是 Agent 可调用的外部功能，每个 Tool 需要：名称、描述、输入参数、执行函数。
代码块
SQL
from langchain.tools import BaseTool, StructuredTool
from pydantic import BaseModel, Field
import requests
from typing import Optional
# ========== Tool 1: 查询订单 ==========
class OrderQueryInput(BaseModel):
user_name: str = Field(description="用户姓名")
product: Optional[str] = Field(default=None, description="商品名称（可选）")
Tool 描述的写法很关键——Agent 靠描述来决定调用哪个 Tool。描述要写清楚：这个工具是做什么的、需要什么参数、返回什么。描述越清晰，Agent 的决策越准确。
Step 3：创建 ReAct Agent
代码块
TOML
from langchain import hub
from langchain_openai import ChatOpenAI
from langchain.agents import create_react_agent, AgentExecutor
import os
# 加载 LLM
llm = ChatOpenAI(
model="gpt-4o-mini", # mini 版足够用，成本低
temperature=0, # Agent 场景需要确定性
openai_api_base=os.getenv("OPENAI_API_BASE"),
运行后会看到完整的 ReAct 思考链：
代码块
Plain Text
> Entering new AgentExecutor chain...
Thought: 用户想知道张三买的 iPhone 是否发货，并查询物流。
我需要先查询订单信息。
Action: query_order
Action Input: {"user_name": "张三", "product": "iPhone"}
Observation: 订单号: ORD-2024-0612-001, 商品: iPhone 15, 状态: shipped...
Thought: 订单已发货，快递单号是 SF1234567890。我需要查询物流详情。
Action: query_logistics
Action Input: {"tracking_no": "SF1234567890"}
Observation: 快递单号 SF1234567890 最新状态：运输中...
Thought: 我已经获得了所有需要的信息，可以回答用户了。
Final Answer: 张三，您的 iPhone 15 已于昨日发货...
> Finished chain.
Step 4：添加 Agent Memory（多轮对话能力）
上面的 Agent 有个问题：每次对话都是独立的，记不住之前的交流。
代码块
TOML
from langchain.memory import ConversationBufferWindowMemory
多轮对话中 Agent 会自动关联上下文。第二轮的"他"能被正确解析为"张三"，就是因为 Memory 中保留了上一轮的信息。
进阶：自定义复杂工具与错误处理
4.1 带认证的工具调用
代码块
Python
import requests
from typing import Dict
class InternalAPIInput(BaseModel):
endpoint: str = Field(description="API 端点路径")
4.2 工具调用超时与重试
代码块
Python
from functools import wraps
import time
4.3 Agent 常见坑与解决方案
FAQ
Q1：ReAct 和 Function Calling 有什么区别？
Function Calling 是模型输出结构化函数调用，由外部执行；ReAct 是在 Function Calling 基础上增加了推理循环（Thought → Action → Observation）。OpenAI 的模型原生支持 Function Calling，LangChain 的 ReAct 是更上层的封装。
Q2：Tool 数量多了 Agent 会混乱吗？
一般 5-10 个 Tool 表现稳定。超过 15 个建议做 Tool Router——先让 Agent 选择大类，再在子类中选择具体 Tool。
Q3：Agent 调用外部 API 安全吗？
需要做好权限控制：Tool 内部做参数校验、API 调用加认证令牌、敏感操作（如转账）需要人工确认。
Q4：可以用国产模型做 Agent 吗？
可以。DeepSeek-V2、Qwen-Max、GLM-4 都支持 Function Calling。效果上 GPT-4o > DeepSeek-V2 > Qwen-Max，但差距在缩小。
Q5：Agent 和 RAG 怎么结合？
RAG 可以作为 Agent 的一个 Tool（search_knowledge_base）。Agent 决定何时查知识库、何时查订单系统、何时直接回答。
总结
AI Agent 的核心不是"用了什么框架"，而是让大模型具备了自主决策和行动的能力。
✅
ReAct 循环 是 Agent 的灵魂——思考→行动→观察→再思考
Tool 描述 决定 Agent 的调用准确率——描述要像写给新手教程一样清晰
Memory 让 Agent 能处理多轮复杂对话——但注意控制长度
错误处理 不能少——超时、重试、最大迭代次数都是生产必备
和 RAG 结合 是终极形态——Agent 决定查什么，RAG 提供查的能力