零基础学AI大模型之Agent智能体
| 大家好，我是工藤学编程 🦉 | 一个正在努力学习的小博主，期待你的关注 |
|---|---|
| 实战代码系列最新文章😉 | C++实现图书管理系统（Qt C++ GUI界面版） |
| SpringBoot实战系列🐷 | 【SpringBoot实战系列】SpringBoot3.X 整合 MinIO 存储原生方案 |
| 分库分表 | 分库分表之实战-sharding-JDBC分库分表执行流程原理剖析 |
| 消息队列 | 深入浅出 RabbitMQ-RabbitMQ消息确认机制（ACK） |
| AI大模型 | 零基础学AI大模型之RunnableBranch |
前情摘要
1、零基础学AI大模型之读懂AI大模型
2、零基础学AI大模型之从0到1调用大模型API
3、零基础学AI大模型之SpringAI
4、零基础学AI大模型之AI大模型常见概念
5、零基础学AI大模型之大模型私有化部署全指南
6、零基础学AI大模型之AI大模型可视化界面
7、零基础学AI大模型之LangChain
8、零基础学AI大模型之LangChain六大核心模块与大模型IO交互链路
9、零基础学AI大模型之Prompt提示词工程
10、零基础学AI大模型之LangChain-PromptTemplate
11、零基础学AI大模型之ChatModel聊天模型与ChatPromptTemplate实战
12、零基础学AI大模型之LangChain链
13、零基础学AI大模型之Stream流式输出实战
14、零基础学AI大模型之LangChain Output Parser
15、零基础学AI大模型之解析器PydanticOutputParser
16、零基础学AI大模型之大模型的“幻觉”
17、零基础学AI大模型之RAG技术
18、零基础学AI大模型之RAG系统链路解析与Document Loaders多案例实战
19、零基础学AI大模型之LangChain PyPDFLoader实战与PDF图片提取全解析
20、零基础学AI大模型之LangChain WebBaseLoader与Docx2txtLoader实战
21、零基础学AI大模型之RAG系统链路构建：文档切割转换全解析
22、零基础学AI大模型之LangChain 文本分割器实战：CharacterTextSplitter 与 RecursiveCharacterTextSplitter 全解析
23、零基础学AI大模型之Embedding与LLM大模型对比全解析
24、零基础学AI大模型之LangChain Embedding框架全解析
25、零基础学AI大模型之嵌入模型性能优化
26、零基础学AI大模型之向量数据库介绍与技术选型思考
27、零基础学AI大模型之Milvus向量数据库全解析
28、零基础学AI大模型之Milvus核心：分区-分片-段结构全解+最佳实践
29、零基础学AI大模型之Milvus部署架构选型+Linux实战：Docker一键部署+WebUI使用
30、零基础学AI大模型之Milvus实战：Attu可视化安装+Python整合全案例
31、零基础学AI大模型之Milvus索引实战
32、零基础学AI大模型之Milvus DML实战
33、零基础学AI大模型之Milvus向量Search查询综合案例实战
33、零基础学AI大模型之新版LangChain向量数据库VectorStore设计全解析
34、零基础学AI大模型之相似度Search与MMR最大边界相关搜索实战
35、零基础学AI大模型之LangChain整合Milvus：新增与删除数据实战
36、零基础学AI大模型之LangChain+Milvus实战：相似性搜索与MMR多样化检索全解析
37、零基础学AI大模型之LangChain Retriever
38、零基础学AI大模型之MultiQueryRetriever多查询检索全解析
39、零基础学AI大模型之LangChain核心：Runnable接口底层实现
40、零基础学AI大模型之RunnablePassthrough
41、零基础学AI大模型之RunnableParallel
42、零基础学AI大模型之RunnableLambda
43、零基础学AI大模型之RunnableBranch
本文章目录
零基础学AI大模型之Agent智能体
一、 Agent智能体：不止会“聊天”，更会“自己干活”的AI
之前我们学过的大模型（LLM），大多是“你问我答”的模式——给它输入指令，它返回文本，但没法主动解决复杂问题。而Agent智能体，是给大模型装上“手脚”和“记性”，让它从“聊天工具”变成能自主决策、执行任务的“虚拟打工人”。
简单说，Agent是具备自主决策能力的AI系统：通过“感知环境→分析信息→调用工具→执行动作”的闭环，独立完成从目标到结果的全流程。
核心公式特别好记（结合我们之前学的LangChain工具就能理解）：
Agent = 大语言模型（LLM，大脑） + 工具（Tools，手脚） + 记忆（Memory，记性）
类比下更直观：
- 常规LLM：像个“只会答题的学霸”，问啥答啥，但不会动手做；
- Agent：像个“能独立干活的员工”，知道要做什么、该用什么工具、记得之前做过什么，能自己把事办成。
二、 Agent核心架构：闭环决策，自主执行
Agent能“自己干活”，全靠这套闭环架构在支撑，和我们之前学的LangChain链路能无缝衔接：
每个环节的作用都很清晰：
- 大模型推理：相当于“大脑思考”，分析用户需求，判断该做什么、用什么工具；
- 工具选择/执行：调用我们定义的工具（比如天气API、日历、数据库，就是之前LangChain里的Tool）；
- 记忆系统：存之前的交互记录、任务进度（对应LangChain的Memory）；
- 知识库：存专业知识（比如医学论文、学习资料，可对接之前学的RAG系统）；
- 结果验证：检查工具执行结果是否符合需求，不行就调整方案，直到完成任务。
三、 Agent和常规LLM的核心区别：一张表看明白
用我们熟悉的“对比法”，一看就知道Agent强在哪，和之前学的LLM差异点很清晰：
| 维度 | 常规LLM | Agent智能体 |
|---|---|---|
| 交互方式 | 单轮问答（问一句答一句） | 多轮决策链（像聊天一样逐步推进任务） |
| 能力范围 | 只做文本生成（答题、写文案） | 工具调用+环境交互（能操作外部系统） |
| 记忆机制 | 短期上下文（只记当前对话几句） | 长期记忆存储（记全程任务进度、历史） |
| 输出形式 | 自然语言（文字回答） | 结构化动作序列（工具调用指令+结果） |
| 应用场景 | 内容创作、简单问答 | 复杂任务自动化（安排会议、诊断辅助） |
四、 实战对比：常规LLM和Agent差在哪？
光说不练假把式，用3个真实场景测试下，差异一眼就出来了（和我们平时用大模型的体验很像）：
| 测试用例 | 传统LLM响应 | Agent响应 |
|---|---|---|
| “北京天气” | “北京当前气温12℃” | “北京当前晴，12℃，早晚凉，建议穿外套” |
| “明天需要带伞吗” | “无法获取实时天气信息” | 自动调用天气API：“明天北京降水概率10%，不需要带伞” |
| “上周三天气如何” | 报错/答非所问（无历史数据） | 自动切换历史天气库：“上周三北京晴，气温8-18℃” |
核心差异：Agent能“自主解决问题”，而常规LLM只会“答题”，解决不了需要“动手操作”的需求。
五、 Agent典型应用场景：从医疗到教育，落地就能用
Agent不是空谈，已经能落地到很多场景，结合我们之前学的技术，很容易上手实战：
5.1 医疗行业：诊断辅助Agent（对接RAG更高效）
传统医疗系统的痛点很明显：
- 基于固定规则，复杂症状不会判；
- 知识更新慢（靠人工更论文）；
记不住患者历史诊疗记录。
Agent方案正好解决这些问题：
# 基于LangChain实现，和之前学的AgentExecutor完全一致from langchain.agents import AgentExecutor from langchain.memory import ConversationBufferMemory # 定义医疗工具（症状分析、论文检索、检查建议） tools =[ SymptomAnalyzerTool(),# 症状分析工具 MedicalLiteratureTool(),# 医学论文检索（对接RAG，查最新论文） LabTestRecommenderTool()# 检查建议工具]# 记忆系统：存患者诊疗历史 memory = PatientHistoryMemory()# 构建医疗Agent medical_agent = AgentExecutor( tools=tools, memory=memory, llm=我们之前定义的大模型（如ChatOpenAI） )# 交互示例：和之前调用LangChain Agent完全一样 response = medical_agent.invoke({"input":"患者女35岁，持续低烧两周，伴有关节痛","history":"既往有类风湿病史"})# 输出结果（Agent自主决策后的结果）print(response)# 结果：建议进行抗核抗体检测+推荐风湿免疫科专科医生（自动查了最新论文，结合历史病史）Agent关键能力：
- 实时查最新医学论文（对接RAG，解决知识更新慢）；
- 记患者历史病史（Memory）；
- 自动生成检查建议（调用工具）。
5.2 教育行业：个性化学习Agent（适配学习路径）
传统在线教育的问题：学习路径固定，不管学生学没学会，都按固定步骤来（比如下面这段硬编码逻辑）：
// 传统固定学习路径：硬编码逻辑，不灵活publicclassLearningService{publicStringgetNextStep(String userId){int score = db.getUserScore(userId);// 查学生分数if(score <60){return"重新学习第三章";// 分数不够就复读}return"进入第四章";// 够了就下一章}}Agent方案能实现“个性化指导”，还能对接我们学的知识图谱、RAG：
# 基于LangChain实现个性化学习AgentclassTutorAgent:# 定义学习工具（知识图谱、习题推荐、学习风格分析） tools =[ KnowledgeGraphTool(),# 知识图谱（查知识点关联） ExerciseRecommenderTool(),# 习题推荐（对接题库） LearningStyleAnalyzerTool()# 学习风格分析（看适合视频/图文）]defguide_student(self, studentQuery):# 动态决策：和我们之前学的Agent推理逻辑一致# 1. 用KnowledgeGraphTool分析学生薄弱点（比如“没懂第三章函数”）# 2. 用LearningStyleAnalyzerTool判断学习风格（比如“适合视频学习”）# 3. 用ExerciseRecommenderTool生成对应习题return self.agent_executor.invoke(studentQuery)# 调用示例：学生说“第三章函数没懂” agent = TutorAgent() response = agent.guide_student("第三章函数没懂，我喜欢看视频")print(response)# 输出：推荐函数教学视频+3道基础习题+知识点图谱（完全个性化）Agent关键能力：
- 动态调路径（懂了就快学，不懂就补学）；
- 多模态推荐（视频/图文/实验，按学习风格来）；
- 自动生成错题分析（记在记忆里，后续针对性补）。
六、 LangChain实战Agent：10行代码实现“安排户外会议”
结合我们之前学的LangChain，动手写个Agent实战案例——让Agent帮我们安排“北京明天的户外会议”，要考虑天气、查日历，和之前学的Tool、AgentExecutor完全衔接，能直接跑（模拟环境）：
6.1 实战代码（可直接复用）
# 导入之前学的LangChain模块from langchain.agents import AgentExecutor, create_react_agent, Tool from langchain import hub from langchain.chat_models import ChatOpenAI # 1. 定义工具（天气查询、日历访问，和之前学的Tool定义一样）defget_weather_api_data(city, date):"""模拟调用天气API，返回天气信息（实际可对接真实API）"""returnf"{date}{city}晴，气温22℃，适合户外活动"defread_google_calendar(date):"""模拟访问日历，返回空闲时段（实际可对接谷歌/企业日历）"""returnf"{date}下午空闲时段：14:00-16:00"# 工具列表（和我们之前定义的Tool格式完全一致） tools =[ Tool( name="WeatherCheck", func=lambda x: get_weather_api_data("北京", x),# 固定查北京 description="查询指定日期的天气，参数是日期（如“明天”）"), Tool( name="CalendarAccess", func=lambda x: read_google_calendar(x), description="查询指定日期的空闲时段，参数是日期（如“明天”）")]# 2. 初始化大模型（用之前学的ChatOpenAI） llm = ChatOpenAI(temperature=0, model="gpt-3.5-turbo")# 3. 加载React Prompt（Agent决策用，LangChain Hub现成的） prompt = hub.pull("hwchase17/react")# 4. 构建Agent（和之前学的create_react_agent一致） agent = create_react_agent(llm=llm, tools=tools, prompt=prompt)# 5. 执行Agent：让它安排明天北京的户外会议 agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True) result = agent_executor.invoke({"input":"帮我安排明天北京的户外会议，需要考虑天气情况"})# 输出结果print("最终安排结果：", result["output"])6.2 Agent决策过程：看它是怎么“思考”的
Verbose设为True后，能看到Agent的决策过程，和我们想问题的逻辑一样：
- 我需要安排明天北京的户外会议，首先得知道明天天气怎么样——调用“WeatherCheck”工具，参数“明天”；
- 工具返回“明天北京晴，气温22℃，适合户外活动”——天气没问题，接下来查明天下午的空闲时段；
- 调用“CalendarAccess”工具，参数“明天”；
- 工具返回“明天下午空闲时段：14:00-16:00”——综合天气和空闲时间，选个合适的时间；
- 输出最终结果：建议将会议安排在明天下午15:00，天气预报显示晴，气温22℃。
是不是很神奇？不用我们一步步指挥，Agent自己就把“查天气→查日历→定时间”的事全办成了，和我们之前学的LangChain技术完全打通。
七、 小结：Agent的核心价值——让AI从“能说”到“能做”
这篇我们学了Agent智能体，核心就是一句话：给大模型装上手脚（工具）和记性（记忆），让它从“只会答题”变成“能独立干活” 。
它和我们之前学的LangChain、RAG、Memory能无缝衔接——工具就是LangChain的Tool，记忆就是LangChain的Memory，知识库就是RAG系统，所以学完之前的内容，上手Agent特别容易。
如果本文对你有帮助，欢迎点赞+关注+收藏🌟 ，有任何问题或实战需求，欢迎在评论区留言交流～ 我是工藤学编程，陪你从零到一玩转AI大模型！🚀
