Assisted-by deepseek

LangChain Agent 几大组件 链接到标题

LangChain 里的 Agent 本质上是一个由 LLM 驱动的决策循环：模型根据当前状态决定下一步做什么（调用工具还是结束），执行后更新状态，再进入下一轮。拆开来看，主要由下面几个组件构成。

1. Model（模型） 链接到标题

Agent 的"大脑"，负责理解上下文并做出决策。在 LangChain 中使用 ChatModel 进行绑定，通常需要配合 .bind_tools(tools) 将可用工具列表注入给模型，这样模型才知道自己能调用哪些工具。

调用模型时传入消息序列（系统提示 + 历史对话 + 当前状态），模型返回一个 AIMessage。如果模型认为需要调用工具，返回的消息中会携带 tool_calls 字段，包含工具名和参数；如果可以直接回答，则返回普通文本。

2. Tools（工具） 链接到标题

工具是 Agent 与外部世界交互的手段——搜索、计算、查数据库、调 API 等。在 LangChain 中用 @tool 装饰器或 StructuredTool 定义，核心是：

• name：工具的唯一标识
• description：告诉模型这个工具做什么、什么时候该用它
• args_schema：输入参数的 schema（模型据此生成正确的调用参数）

工具的描述质量直接影响模型的调用准确率，所以 description 需要写清楚"何时用、输入什么、输出什么"。

3. State（状态） 链接到标题

State 是 Agent 在整个执行过程中的"记忆"。LangGraph 的 StateGraph 用 TypedDict 定义状态结构，最核心的字段是 messages——一个消息列表，用 add_messages reducer 累积每条消息。

State 里通常还包含：

• 会话/用户标识
• 中间计算结果
• 工具返回数据
• 循环控制标志

每次节点返回的 state 会按字段定义的 reducer 合并到全局状态中。

4. Model Node（模型节点） 链接到标题

Model Node 是 StateGraph 中的一个节点，封装了对 Model 的调用。它接收当前 State，取出消息列表传给模型，然后把模型的返回消息追加回 state。

def call_model(state: AgentState):
    response = model.invoke(state["messages"])
    return {"messages": [response]}

这个节点的输出决定了下一步走向：如果返回的消息包含 tool_calls，图会路由到 Tool Node；否则走向结束逻辑。

5. Tool Node（工具节点） 链接到标题

Tool Node 负责执行模型请求的工具调用。LangGraph 提供了 ToolNode（或 BasicToolNode），它会遍历 AIMessage 中的 tool_calls，逐个调用对应的工具，并把每个工具的执行结果包装成 ToolMessage 返回。

Tool Node 的输出会被并回 messages 列表，然后图通常会把控制权交还给 Model Node，形成 Model → Tool → Model → Tool → …→ End 的循环。

6. End Logic / Routing（结束/路由逻辑） 链接到标题

Agent 不能无限循环，需要判断何时终止。核心是 条件边（conditional edge）——在 Model Node 之后根据返回消息决定路由：

• 有 tool_calls → 进入 Tool Node，继续循环
• 没有 tool_calls → 进入 END，结束执行

另外还可以加：

• 递归上限（recursion_limit）：防止模型无限调用工具
• 自定义终止条件：比如根据消息内容判断任务是否完成
• Human-in-the-loop：关键操作前暂停等待人工确认

整体流程 链接到标题

用户输入 → Model Node → 有 tool_calls? 
                ↑              ├─ 是 → Tool Node → (循环回 Model Node)
                └──────────────┘
                └─ 否 → END → 输出最终回答

总结：State 承载上下文，Model 做决策，Tools 执行动作，Model Node 和 Tool Node 编排流程，路由逻辑控制循环与终止。 这六者的协作构成了一个完整的 Agent 运行闭环。