AI Agent 是具备感知环境、决策和执行动作能力的智能实体，相比普通大语言模型，它能通过调用外部工具解决知识库过时和信息不全的问题。基于 LangChain 和 Ollama 在本地构建 AI Agent 的方法。内容包括环境搭建、依赖安装、模型加载以及使用 SerpAPI 实现联网搜索功能的代码示例。通过 ReAct 框架，Agent 能够自主拆解任务、执行搜索并生成最终答案。文章对比了 Agent 与普通 LLM 在回答实时性问题上的差异，并探讨了后续扩展方向如多工具集成和记忆机制，为开发者提供了一套完整的本地 AI Agent 开发实践方案。
随着人工智能技术的快速发展，AI 智能体（AI Agent）的应用场景日益广泛。虽然市面上出现了许多零代码编排平台，但通过代码层面深入理解 AI Agent 的实现原理对于开发者而言至关重要。本文旨在通过简单的教程，帮助读者在本地环境中实现 AI Agent 的 Demo，并探讨其相对于普通大语言模型的优势。
预训练的大语言模型（LLM）通常基于特定的训练数据构建，这些数据往往存在时效性限制（例如截止至 2022-2023 年）。尽管可以通过微调或提示词优化来改善特定场景的表现，但这无法从根本上解决知识库过时或信息不全的问题。当用户询问涉及最新时政、私密数据或未在训练集中的内容时，传统 LLM 往往无法给出准确回答。
AI Agent（人工智能代理）则具备感知环境、决策和执行动作的能力。它不仅能思考，还能调用外部工具（如搜索引擎、计算器、API）来获取实时信息或执行操作。例如，告诉 AI Agent 购买火车票，它可以自主拆解任务：调用 APP 选择日期、调用支付程序下单，无需人类指定每一步细节。
| 特性 | 普通 LLM | AI Agent |
|---|---|---|
| 交互方式 | 基于 Prompt 问答 | 基于目标自主规划 |
| 能力边界 | 依赖训练数据知识 | 可调用工具获取实时信息 |
| 决策过程 | 直接生成回复 | 独立思考 -> 制定计划 -> 执行行动 -> 反馈调整 |
AI Agent 的核心工作流通常遵循 ReAct（Reasoning + Acting）框架。Agent 会根据任务进行推理（Thought），决定采取什么行动（Action），观察行动结果（Observation），最终得出答案（Final Answer）。这种循环机制使得 Agent 能够处理复杂的多步任务。
本文将采用 LangChain 框架结合 Ollama 本地模型来实现 AI Agent。LangChain 提供了构建 LLM 应用所需的模块，降低了开发门槛；Ollama 则是一个轻量级的本地大模型运行工具，适合离线调试和隐私保护。
确保已安装 Python 环境（建议 3.8+）。在终端中安装必要的库：
pip install langchain-community
pip install serpapi
注意：serpapi 用于提供联网搜索功能，需确保网络通畅。
使用 Ollama 下载并运行 Qwen2 模型（对中文支持较好）：
ollama run qwen2:7b
在 PyCharm 或其他 IDE 中创建 Python 文件，导入相关模块并配置环境变量。为了安全起见，建议使用 .env 文件或系统环境变量存储 API Key，避免硬编码。
以下代码展示了如何加载本地模型、配置搜索工具并初始化 Agent：
from langchain_community.llms import Ollama
from langchain_community.agent_toolkits.load_tools import load_tools
from langchain.agents import initialize_agent, AgentType
import os
# 设置 SerpAPI 的 API Key
os.environ["SERPAPI_API_KEY"] = "your_api_key_here"
# 1. 加载本地 Ollama 大模型
llm = Ollama(model="qwen2:7b")
# 2. 加载在线搜索工具
# 这里使用 SerpAPI 作为联网搜索的工具
tools = load_tools(["serpapi"], llm=llm)
# 3. 初始化 Agent
# AgentType.ZERO_SHOT_REACT_DESCRIPTION 是经典的 ReAct 模式
agent = initialize_agent(
tools,
llm,
agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
verbose=True,
handle_parsing_errors=True
)
# 4. 执行任务
# 测试问题：查询最新的国足名单
query = "请告诉我 2024 年中国男足参加美加墨世界杯 18 强赛的最新名单，通过表格方式给出所有人员的名单"
result = agent.run(query)
print(result)
开启 verbose=True 后，控制台会打印 Agent 的完整思考链（Chain of Thought）。输出将包含以下关键步骤：
这种透明的决策过程有助于开发者调试 Agent 的逻辑错误，例如工具调用失败或信息提取偏差。
若直接使用 Ollama 的 Qwen2 模型提问同一问题，由于缺乏实时联网能力，模型只能基于训练数据中的历史信息进行回答，可能会出现事实性错误或幻觉（Hallucination）。而引入 Agent 机制后，通过实时搜索工具，模型能够获取最新数据并整理成结构化表格，显著提升了回答的准确性和实用性。
通过本教程，我们成功在本地构建了一个具备联网搜索能力的 AI Agent。这不仅验证了 LangChain 与 Ollama 结合的可行性，也展示了 Agent 在处理动态信息时的优势。
掌握 AI Agent 的开发逻辑，有助于开发者跳出单纯调用 API 的思维局限，设计出更具自主性和实用性的智能应用。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online