Agents：智能体工作原理

Chain 与 Agent 的区别

Chain 的执行路径是写死的：A → B → C。Agent 则由模型自主决定下一步做什么：它可以多次调用工具、观察结果、修正方向，直到完成任务。

ReAct 循环

最经典的 Agent 范式是 ReAct（Reason + Act）：

Thought: 我需要先知道今天的天气 →
Action: 查询天气(北京) →
Observation: 晴，28℃ →
Thought: 信息足够了 →
Final Answer: 北京今天晴，28℃，适合出行。

模型输出"思考 + 行动"，框架执行行动并把"观察"结果喂回，循环直到给出最终答案。

一个最小 Agent 示例（LangGraph 版）

pip install langgraph

from langgraph.prebuilt import create_react_agent

def calculator(expr: str) -> str:
    """计算数学表达式"""
    return str(eval(expr))

agent = create_react_agent(llm, tools=[calculator])
result = agent.invoke(
    {"messages": [("user", "128 乘以 456 再加 17 是多少？")]}
)
print(result["messages"][-1].content)

何时用 Agent，何时用 Chain

• 步骤固定、可枚举 → 用 Chain（更稳定、更便宜、更快）；
• 步骤不可预知、需要动态决策 → 用 Agent。

原则：能用 Chain 解决就不要上 Agent。