Agent 是一种能够感知环境并自主采取行动的智能体。本文探讨了基于 LangChain 框架构建 Agent 的核心原理，包括认知飞轮、规划、记忆及用户体验等关键领域。重点介绍了 ReAct 框架如何通过推理与行动协同工作，并结合树莓派 PICO W 硬件实现大语言模型与现实世界的交互。文中详细阐述了自定义工具的实现方法、硬件集成的优势与挑战，以及 Token 消耗和执行速度等实际问题，最后提供了具体的代码示例指导开发者将物理设备封装为 Agent 可调用的工具，以实现智能家居或自动化控制场景。
在日常生活中不难发现 ChatGPT 通过文本输入进行处理后返回的也是文本内容，就像是一个只有头的人，能听能思考能说话，但是无法行动。而 Agent 是一种能够自主决策、采取行动以达到某种目标的实体。被解释为"智能体"或者"代理"。
实际上，人类是这个星球上最强大的 Agent。Agent 是一个能感知并自主地采取行动的实体，这里的自主性极其关键，Agent 要能够实现设定的目标，其中包括具备学习和获取知识的能力以提高自身性能。Agent 的复杂程度各不相同，一个简单的恒温器可以是一个 Agent，一个大型的国家或者一个生物群体也可能是个 Agent。感知环境、自主决策、具备行动能力，设定明确的目标和任务，适应环境及学习能力，都是 Agent 的关键特点。
有人认为 Agent 技术是未来实现社会全面自动化的关键技术。
认知飞轮是指一个人通过不断学习、思考和实践，不断提升自己的认知能力，从而形成一个良性循环的过程。就像一个飞轮一样，开始的时候可能需要花费很多力气去推动它转动，但一旦转动起来，就会越来越快，带动个人认知能力的不断增长。人的行为过程主要由人对环境信息的获取、感知、处理和输出组成，即感知、认知、决策、行动的过程。我们思考一个问题，做一件事，开展一个项目，都需完成这个认知飞轮。简单来说，认知飞轮就是通过不断学习和思考，让自己的认知水平不断提升，并且这种提升会越来越快，形成一个良性循环。
众人熟知的认知飞轮，感知、认知、决策、行动，今天的人工智能代理更像是基于这个认知飞轮构建的。但是从本质上，人类智能远比这复杂。
在认知飞轮的框架下，Agent 可以通过不断地获取信息、分析数据、做出决策并执行行动来改善自身的认知能力。这种循环过程与认知飞轮中的学习、应用、评估和调整的环节相对应，从而使 Agent 能够不断地提升自身的智能水平。
规划是指 AI 智能体能够预先考虑多个步骤，并确定最佳行动方案的能力。目前，语言模型的规划能力还比较有限，主要依靠以下两种方法来加强：
目前，AI 智能体的用户体验仍有许多需要改进的地方，例如：
记忆是指 AI 智能体存储和使用信息的能力。记忆对于 AI 智能体完成各种任务都至关重要，例如：
代理的核心思想是通过大模型来选择要采取的一系列行动。在常规结构下，一系列行动都是硬编码，是已规定好的行为路线，而在代理中，是用大模型作为推理引擎来确定并采取行动的。通俗的讲就是给大模型配备工具，让大模型自己去判断在当前场景需要使用什么工具。
代理的效果与模型的智慧程度有关，大模型的训练集越大，代理的效果越好，差的模型进行代理会陷入某一个自问自答而死循环，好的模型会进行自我验证，验证这个答案是否与最初的问题相关，不相关进行修正。
举个例子：
链式结构：我会拿着螺丝刀去拧螺丝，拿着钥匙开锁，拿着斧头砍木头。我不会选择工具，而是按照规划的路线行动。也就是写死的逻辑，场景都是被预定好的，一旦遇到新的场景或者问题可能就会出现不理想的结果。
代理情况：我有螺丝刀，钥匙，斧头等工具，我遇到了一颗螺丝，我会用螺丝刀去拧螺丝。遇到了一把锁，我会用钥匙去开锁，遇到了木头，我会用斧头去砍木头。在不同的场景或者问题下会进行推理选择。工具与问题之间是没有直接的代码逻辑进行联系的。
总而言之：Agent = LLM（思考决策）+ prompt(思维链) + memory（记忆）+ tools(执行)
AgentType 对应一个 Agent class，对应一个 prompt（又是 prompt 起了关键作用），AgentType 有以下几种选择：
ReAct 是 Shunyu Yao 等人在 ICLR 2023 会议论文《ReAct: Synergizing Reasoning and Acting in Language Models》中提出的，一个关键启发在于：大语言模型可以通过生成推理痕迹和任务特定行动来实现更大的协同作用。具体来说，就是引导模型生成一个任务解决轨迹：观察环境 - 进行思考 - 采取行动，也就是观察 - 思考 - 行动。那么，再进一步进行简化，就变成了推理 - 行动。ReAct 框架会提示 LLMs 为任务生成推理轨迹和操作，这使得代理能系统地执行动态推理来创建、维护和调整操作计划，同时还支持与外部环境（例如 Google 搜索、Wikipedia）的交互，以将额外信息合并到推理中。
尽你所能回答以下问题，你可以使用以下工具:
{tools}
请按照以下格式:
Question: 你必须回答的输入问题
Thought: 你应该始终考虑该怎么做
Action: 要采取的行动，应该是[{tool_names}]中的一个
Action Input: 行动的输入
Observation: 行动的结果
... (this Thought/Action/Action Input/Observation can repeat N times)
Thought: 我现在知道最终答案了
Final Answer: 原始输入问题的最终答案
开始吧!
Question: {input}
Thought:{agent_scratchpad}
在这个提示词中，可以对这个代理进行角色约束，可以约定工具的使用规则等，但是要考虑到效率问题，提示词会直接影响推理迭代的效果，或许会因为提示词而直接自问自答。
工具是 LangChain 中 Agent 的重要组成部分，他是大模型与外界交互的关键，如何与外界交互则是工具集中的逻辑了，还是摆脱不了需要硬编码的地方。langchain 只能进行调用这个工具，进行传参 (过度复杂的参数需要进行数据抽取) 才能进行调用，没有传参的工具会直接报错，只有返回值的工具我称之为白洞工具。工具需要返回一个结果给代理才能进行继续推理，若是没有返回结果，代理就要进行自我发挥然后出现两种结局死循环到设定次数而终止或者胡乱回答，没有返回值的工具我称之为黑洞工具。由于大模型只能识别字符串而且是有语义的字符串，乱码不能识别，也就是说返回值至少要描述，让大模型能够理解这个返回值。
from langchain.agents import tool
@tool
def tool_name(humanInput: str) -> str:
'''工具的描述'''
# 工具的逻辑
return "工具返回值"
tools = [tool_name] # 加载工具
自定义工具的关键在于工具的描述，没有对工具进行描述，代码会直接报错。ReAct_agent 是无法直接通过工具的名字得知适合使用的场景，这些都是需要人为定义的。工具的描述也相当于提示词的一部分，规定和约束工具的使用场景、参数，返回值等让 Agent 能够正确的使用工具。
工具内部逻辑属于链式结构，一环扣一环。例如搜索'地球的直径'，工具内部逻辑则是：
若是将 b 节点取消，那么 c 节点也就没有内容进行返回。这部分内容的逻辑越严谨越好，特别是对硬件编程。对于一个工具而言，代理只能控制参数的传入，没办法直接对工具内部逻辑进行操作。也没办法对工具内部的结果进行推理，若工具也是一个代理那就另当别论的，但外层代理也不能推理工具内代理。
树莓派 Pico W 是树莓派基金会推出的一款微控制器开发板，它基于 RP2040 芯片，这是树莓派基金会与澳洲设计公司 Proant 合作开发的芯片。Pico W 是树莓派 Pico 的升级版本，主要特点包括：
在一个硬件系统中，可以被视为系统的指挥者，负责协调各个部分的工作，确保系统运行顺畅。
之前提到的工具都是程序层面的工具，只能运行在计算机里面，交互的都是数据，不是实际的物体。而硬件工具是将树莓派 PICO W 中的控制硬件的代码进行封装成工具，这个工具能够使用硬件设备完成指定的动作。可以将这个工具的逻辑写死，对工具的返回值进行描述让代理能够理解，并且不使用参数的值。例如一个打开小灯的工具，调用工具就打开小灯。由此延伸，可以构建功能极其强大的工具。工具内部还能继续使用代理或者是特殊链，完成一系列高难度动作。
原理：ReAct_Agent 框架 + 树莓派 PICO W 硬件工具。这就相当于一个比较智能的能实现一定动作的机器人
ReAct_Agent 框架会搭载 LLMs，LLMs 具有一定的理解能力，而 ReAct_Agent 则具有推理调用工具的能力，这就很逼近人类思考->行动的方式了。将大语言模型作为机器大脑与传统的机器大脑具有独特的优势
学习能力:
灵活性:
创造性:
适应性:
硬件适配度
资源消耗
软件工具是代理在计算机内的手脚，那硬件工具就是代理在现实生活中的工具。LLMs 通过硬件工具间接的与现实世界交互，可以给代理一些外界的输入，让他进行推理然后做出反应。被 Agent 控制的硬件设备与传统的机器大脑操控肯定也是存在了优劣的
智能家居是一个典型的例子，但是我感觉它能实现的不仅仅是智能家居这种项目。当使用多模态的 LLMs 构建代理时，它能够直接理解图片或者视频并且它的智慧程度足够高时，一个摄像头，一个语音模块再加上树莓派 PICO W 就能够实现一个能够看到外界并且会说话的机器人，不过此时它看到的还是二维的世界。再加上雷达等设备，是否就能让它看到三维的世界呢，装上移动的脚或者轮，它是否可以通过它的'眼'判断出墙的位置而做出正确的反应呢。再给它一个应用场景，例如在医疗场景中，它通过摄像头在人体内部看到了肿瘤或者异物就能辅助医生判断，在模棱两可的情况或许这样一个机器人就能起到出色的作用。在农业场景中，通过土壤的酸碱度，湿度传感器，自行判断是否需要施肥，浇水。通过某些传感器，自行判断果实是否进行采摘。
进行了一些关于 Agent 提示词的小实验，工具还是使用的程序工具。这里给它看了一个正在吃苹果的美女。给代理配备了一个眼睛 (图片识别模型) 和一张嘴巴 (打印语句)。想要单纯的直接使用工具进行看与说是有问题的。他看到的应该是根据返回的值，但是它在工具还没有调用情况下就说'我看到了一台电视'，这显然是不对的。
也可以看到提示词部分有问题，在运行当中会直接造成思维链崩溃，但是理论上来说 ReAct 提示词是能够直接使用这些工具的。根据报错提示，进行了修改运行结果显而易见的有好转。
也就是说，根据项目的推进需要对提示词进行修改，不同的项目提示词是不相同，没用最好的提示词，只有最适合的提示词。
为了将理论落地，下面展示如何将树莓派的 GPIO 控制封装为 LangChain 工具，供 Agent 调用。
import RPi.GPIO as GPIO
from langchain.agents import tool
# 初始化 GPIO (实际使用时需在主程序中初始化)
GPIO.setmode(GPIO.BCM)
GPIO.setup(18, GPIO.OUT)
@tool
def control_led(state: str) -> str:
"""控制 LED 灯的开关，state 参数为 'on' 或 'off'"""
try:
if state == "on":
GPIO.output(18, GPIO.HIGH)
return "LED 已开启"
elif state == "off":
GPIO.output(18, GPIO.LOW)
return "LED 已关闭"
else:
return "无效的状态参数"
except Exception as e:
return f"控制失败：{str(e)}"
tools = [control_led]
在此示例中，control_led 函数被装饰为工具，Agent 在接收到如'打开房间灯光'的指令时，会根据工具描述自动匹配并调用此函数，从而实现物理世界的交互。
本文深入探讨了 LangChain Agent 的概念及其与树莓派 PICO W 的结合方式。通过 ReAct 框架，Agent 具备了推理与行动的能力，配合自定义工具，能够有效桥接虚拟智能与物理设备。尽管目前在 Token 消耗、执行速度和稳定性方面仍存在挑战，但随着模型能力的提升和硬件成本的降低，Agent 在智能家居、工业自动化等领域的应用前景广阔。开发者应关注提示词工程与工具描述的优化，以提升 Agent 的可靠性和实用性。
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