LangChain学习

Fri, 22 May 2026 13:56:39 +0800

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。

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。

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：

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"。

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。