2026年第二周学习——规划与工具调用原理

核心目标

掌握任务拆解逻辑（CoT思维链）、工具调用的核心流程

学习资料

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

https://arxiv.org/pdf/2210.03629；
翻译版直接使用豆包翻译即可

2. 文档：LangChain官方文档“Agent核心概念”章节

LangChain 官方文档“Agent 核心概念”章节核心资料汇总

以下内容均提取自 LangChain 官方文档（含多语言官方站：JavaScript、Python、Go），按“概念定义→核心组件→Agent 类型→工作流程→关键运行时/API”逻辑梳理，确保贴合官方表述：

一、Agent 官方核心定义

LangChain 官方对 Agent 的核心定位是：结合语言模型（LLM）与工具集，能够动态推理任务目标、自主选择工具、迭代执行动作以解决复杂任务的“决策型组件”，区别于“固定流程的 Chain”，核心优势是“根据实时上下文调整行为”。

• 来自 LangChain 官方 JavaScript 文档（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.
• 来自 LangChain 官方 Python 中文文档（python.langchain.com.cn）：代理的核心思想是使用 LLM 来选择要采取的一系列动作，而非执行固定的工具调用链；Agent 可访问工具集合，根据用户输入动态决定是否/如何调用工具。
• 来自 LangChain 官方 Go 文档（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 核心组件（官方定义）

LangChain 官方文档明确 Agent 系统由 5大核心组件 构成，各组件职责与实现方式如下：

1. 模型（Model）：Agent 的“推理引擎”

模型是 Agent 决策的核心，负责分析任务、判断需调用的工具及参数，官方支持“静态模型”和“动态模型”两种配置：

• 静态模型（Static Model）：创建 Agent 时固定配置，全程不变（最常用）。

  • 支持通过“模型标识符字符串”快速初始化（格式：provider:model，如 openai:gpt-4o）；
  • 也可通过 provider 包创建实例，自定义参数（如 temperature、maxTokens、timeout、API 密钥等）。

  • 示例代码（JavaScript 官方文档）：

    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: [] });

• 动态模型（Dynamic Model）：运行时根据当前状态/上下文动态选择模型（用于成本优化、复杂路由），需通过 wrapModelCall middleware 实现。
• 来源：LangChain 官方 JavaScript 文档（docs.langchain.com）、Go 官方文档（tmc.github.io/langchaingo）。

2. 工具（Tools）：Agent 的“执行手脚”

工具是 Agent 可调用的外部功能模块，官方强调“工具需有清晰描述（让 LLM 识别使用场景）”，并支持“工具包”和“错误处理”：

• 工具定义：任何可被 LLM 调用的功能（如搜索引擎、计算器、API 接口、文件操作、数据库查询），需明确 name（工具名）和 toolInput（调用参数）。
• 工具包（Toolkit）：官方推荐的“工具集合”，含 3-5 个实现特定目标的关联工具（如“网页问答工具包”含“搜索工具+摘要工具”），降低 Agent 选工具的复杂度。
• 工具错误处理：官方 Agent 运行时会自动处理工具调用异常（如工具不存在、参数错误、执行超时），无需手动捕获。
• 工具与 ReAct 循环：工具需嵌入 ReAct（Reasoning + Action）循环，Agent 通过“思考→调用工具→获取观察”迭代使用工具。
• 来源：LangChain 官方 JavaScript 文档（docs.langchain.com）、Python 中文文档（python.langchain.com.cn）、Go 官方文档（tmc.github.io/langchaingo）。

3. 执行器（Agent Executor）：Agent 的“运行管理器”

执行器是 Agent 的核心运行时，负责管理“决策→执行→反馈”的循环，解决 Agent 执行中的复杂性问题：

• 核心职责：

  1. 调用 Agent 生成下一步动作（get_action()）；
  2. 执行工具并获取观察结果（run(next_action)）；
  3. 循环直到满足停止条件（Agent 输出 AgentFinish 或达迭代上限）；
  4. 处理异常：工具不存在、工具执行错误、Agent 输出无法解析为工具调用、全流程日志记录（支持输出到 stdout 或 LangSmith）。

• 官方核心实现：

  • 主流运行时：AgentExecutor 类（Python/JavaScript/Go 均支持，官方默认推荐）；
  • 进阶运行时：基于 LangGraph 的图状运行时（通过 createAgent() 创建，将 Agent 流程拆分为“模型节点”“工具节点”“中间件节点”，支持复杂状态流转）。

• 官方伪代码（Python 中文文档）：

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

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

4. 记忆（Memory）：Agent 的“上下文存储”

记忆是可选但关键的组件，负责维持 Agent 与用户的交互上下文（如多轮对话历史、工具调用记录），避免“上下文丢失”：

• 官方支持的记忆类型：对话缓存记忆（ConversationBufferMemory）、向量存储记忆（结合 Chroma 等向量库实现长期记忆）等；
• 核心作用：让 Agent 在迭代决策中“记住”历史动作与观察，无需重复调用工具或重复询问用户。
• 来源：LangChain 官方 JavaScript 文档（docs.langchain.com）、Go 官方文档（tmc.github.io/langchaingo）。

5. 系统提示（System Prompt）：Agent 的“行为准则”

指导 Agent 推理逻辑与工具选择的提示词，官方支持“静态”和“动态”两种：

• 静态系统提示：创建 Agent 时固定，全程指导 Agent 行为（如“你是一个数据分析 Agent，仅使用计算器和数据库工具”）；
• 动态系统提示：运行时根据当前任务状态调整（如根据用户输入的任务类型切换提示词）。
• 来源：LangChain 官方 JavaScript 文档（docs.langchain.com）。

三、官方定义的 Agent 类型

LangChain 官方文档明确支持以下核心 Agent 类型，适配不同场景：

Agent 类型	核心特点	适用场景	来源（官方文档）
ReAct Agent（MRKL）	遵循“思考（Thought）→ 行动（Action）→ 观察（Observation）”循环，结合推理与动作	复杂多步骤任务、需要可解释性的场景	JavaScript/Go/Python 官方文档
OpenAI Functions Agent	依赖 OpenAI 函数调用能力，支持结构化工具参数传递，减少解析错误	需精准调用工具（如 API 传参）的场景	Go 官方文档（tmc.github.io/langchaingo）
Conversational Agent	支持多轮对话上下文，动态调用工具时维持对话连贯性	聊天型应用、需要上下文交互的任务	Go 官方文档、Python 中文文档
Plan-and-Execute Agent	先通过 LLM 生成任务计划（分步骤），再按计划迭代执行工具	长期规划类任务（如“写一篇论文”）	Python 中文文档、Go 官方文档
Zero-shot Agent	无需训练，仅通过工具描述和用户输入选择工具，无历史记忆	简单多工具调用任务	Python 中文文档

四、Agent 官方工作流程（通用）

LangChain 官方文档统一描述的 Agent 工作流程如下（迭代循环）：

1. 接收输入：Agent 接收用户的自然语言任务或查询；
2. 计划动作：模型分析输入，结合工具描述和上下文（记忆），决定下一步调用的工具及参数（输出 AgentAction）；
3. 执行工具：执行器调用选中的工具，获取观察结果（Observation）；
4. 处理结果：模型评估观察结果是否满足任务目标；
5. 决定下一步：若未完成，重复“计划→执行→处理”；若完成，输出 AgentFinish（含最终结果）；
6. 返回响应：将最终结果整理为自然语言反馈给用户。
7. 来源：LangChain 官方 Python/JavaScript/Go 文档。

五、官方关键 API/工具（快速上手）

1. 核心创建 API：

   • JavaScript/TypeScript：createAgent()（基于 LangGraph 构建生产级 Agent，支持模型、工具、中间件配置）；
   • Python：initialize_agent()（快速初始化 Agent，如 initialize_agent(tools, llm, agent="react-description")）；
   • Go：agents.New()（结合工具集和模型创建 Agent）。
2. 官方调试工具：LangSmith（官方观测平台，记录 Agent 决策过程、工具调用日志、错误信息）。
3. 来源：LangChain 官方 JavaScript 文档（docs.langchain.com）、Python 中文文档（python.langchain.com.cn）。

六、官方文档访问链接（直接查看原文）

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

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

   实战任务

   1. 手动编写1个CoT提示词（比如“拆解‘做一份AI Agent学习周报’的任务”）；

   提示词设计思路

   符合 CoT 核心：引导模型 “逐步思考”，从目标→模块→内容→顺序→落地，层层递进，模拟人类拆解任务的逻辑；
   具体性：限定场景（自学复盘），明确每个思考环节的输出要求，避免模型输出模糊内容；
   可落地性：每个步骤绑定 “行动 + 目的”，拆解后能直接按步骤执行，无需额外细化。

提示词示例

请以“逐步思考”的方式拆解“做一份AI Agent学习周报（面向自学场景，用于自我复盘+后续优化学习计划）”的完整任务，要求拆解后的步骤具体可执行、逻辑连贯，每个步骤说明“做什么+为什么做”，最终形成可直接落地的执行流程：

1. 先明确周报的核心目标和受众（自我复盘用），这是拆解的基础——因为目标决定内容侧重点，比如自学复盘需要突出“学会的知识点、未掌握的难点、实战中的问题”；
2. 接着思考一份“有价值的AI Agent学习周报”应该包含哪些核心模块？每个模块的核心作用是什么？（比如是否需要“学习内容汇总”“关键知识点拆解”“实战成果展示”“问题与改进”“下周计划”等，说明每个模块的必要性）；
3. 然后针对每个核心模块，进一步细化“具体要填写什么内容”“需要哪些素材支撑”（比如“实战成果展示”需要明确“做了哪个项目、用了什么工具、实现了什么功能、遇到什么坑、怎么解决的”）；
4. 再规划模块的排列顺序（逻辑上从“学了什么”到“懂了什么”再到“做了什么”“要改进什么”，符合复盘的认知逻辑）；
5. 最后确定每个步骤的大致时间分配和输出格式（比如用Markdown排版，每个模块控制在多少字数，整体耗时多久），确保任务可落地执行。

请按照这个思考逻辑，输出完整的任务拆解步骤，每个步骤清晰说明“行动+目的”，避免笼统表述。

2. 列出3个AI Agent常用工具及应用场景（如搜索引擎、计算器）

以下工具均来自权威行业文档（如 CSDN、阿里云、腾讯云报告），覆盖个人效率、企业办公、流程自动化核心场景，附具体落地案例增强实用性：

1. 实时信息检索工具（如搜索引擎、实时数据库 API）

核心功能
AI Agent 通过调用搜索引擎（如百度、Google）或实时数据 API（如行业数据库、新闻接口），获取模型训练数据之外的最新、动态、跨领域信息，解决 LLM “知识过时”“信息局限” 问题。
典型应用场景
实时热点 / 行业动态跟踪：企业市场部 Agent 调用新闻 API，每日自动抓取 “AI Agent 行业最新政策”“竞争对手动态”，生成 500 字摘要报告（参考摘要 1、2，如腾讯云智能对话平台集成搜索工具处理电商售后咨询）；
跨领域知识验证与补充：科研 Agent 在撰写论文时，通过搜索引擎验证 “2025 年 AI Agent 市场规模” 等数据（避免模型幻觉），并补充最新学术论文链接（参考摘要 3，Paper Agent 自动检索 arXiv 最新文献）；
场景化事实确认：个人助理 Agent 帮用户规划旅行时，调用天气 API 获取目的地实时天气、交通 API 查询航班动态，调整行程建议（参考摘要 6，OpenAI Operator 代用户完成旅行规划）。
代表工具 / 技术
百度搜索 API、Tavily 搜索工具、行业垂直数据库接口（如 IDC 市场报告 API）。

2. 文档处理与知识管理工具（如 Notion AI、RAG Agent）

核心功能
实现 “文档解析→信息提取→知识结构化→问答交互” 全流程自动化，支持多格式文档（PDF、Word、笔记），解决 “信息碎片化”“知识复用难” 问题。
典型应用场景
会议纪要与待办提取：企业办公 Agent 接入 Zoom/Teams 录音，自动转文字并提取 “参会人员、讨论要点、待办事项（负责人 + 截止时间）”，生成 Markdown 格式纪要（参考摘要 4，基于 LangChain 的会议纪要 Agent）；
私有知识库问答：研发团队 Agent 将技术文档、代码注释、故障解决方案上传至 RAG 知识库，新员工提问 “如何排查 API 调用错误” 时，Agent 基于内部文档精准回答（参考摘要 4，SharePoint Agents、RAG Agent）；
文档结构化整理：学生 Agent 将课程笔记、课件 PDF 上传至 Notion AI Agent，自动生成 “章节大纲 + 重点公式 + 考点标注”，支持后续检索（参考摘要 3，Notion AI Agent 的文档大纲生成功能）。
代表工具 / 技术
Notion AI Agent、RAG（检索增强生成）工具、Quick BI 文档解读 Agent（瓴羊）。

3. 流程自动化工具（RPA+AI 融合型，如实在 Agent、金智维）

核心功能
从传统 RPA（固定规则执行）进化为 “AI 决策 + 自动化执行”，支持跨系统操作（如 Excel、CRM、财务软件），替代人工完成重复、规则明确、高容错要求的流程性工作。
典型应用场景
财务报销审核自动化：企业财务 Agent（如实在 Agent）接收员工报销单，自动读取发票金额、校验 “差旅补贴标准”（调用企业规则库）、录入 Excel 台账，异常单据自动标记并通知审核员（参考摘要 3，实在 Agent 的财务流程自动化案例）；
客户信息跨系统同步：电商 Agent 将订单系统的 “客户姓名、联系方式” 自动同步至 CRM 系统，同时更新库存管理系统的 “商品剩余数量”，避免人工录入错误（参考摘要 6，金智维的跨系统数据整合功能）；
政务 / 企业数据归档：政务 Agent 将居民办事材料（身份证、申请表）扫描件转化为结构化数据，自动归档至政务数据库，并生成 “归档编号” 反馈给用户（参考摘要 6，RPA+AI 在政务场景的落地）。
代表工具 / 技术
实在 Agent（基础版免费）、金智维（金融级）、Adept AI（企业软件自动化）。
工具选择建议
个人 / 轻量需求：优先选 “搜索引擎 + 文档处理工具”（如 ChatGPT Agent+Notion AI），满足学习、办公基础需求；
企业流程需求：优先 RPA+AI 工具（如实在 Agent、金智维），聚焦 “降本增效” 场景（如财务、客服）；
高精准度需求：搭配 “实时检索工具 + 文档工具”，避免模型幻觉（如科研、金融风控）。