第一步：推理（Reasoning）LLM收到用户请求后，不是直接回答。它先“想”一下：这个任务需要什么信息？我手头有什么工具？第一步该做什么？LangChain通过System Prompt把“思考格式”固定下来。典型的ReAct Prompt长这样：Thought: 我应该先查一下天气Action: 天气查询工具Action Input: 北京Observation: 北京今天25度，晴Thought: 我现在知道天气了，可以回答了Final Answer: 北京今天25度，晴天Thought是推理过程，Action是决定调用哪个工具，Observation是工具返回的结果。这三步循环往复，直到Thought认为可以给出Final Answer。第二步：工具调用（Tool Calling）LangChain把工具抽象成一个统一接口。任何工具只要实现这个接口，Agent就能调用它。工具可以是任何东西：一个API调用（查天气、发邮件）一个数据库查询一段Python代码执行一个向量检索甚至是另一个AgentLangChain 1.0的create_agent函数，核心就是帮你把“模型+工具+提示词”组装成一个可运行的循环。from langchain.agents import create_agentfrom langchain.tools import tool@tooldef search(query: str) -> str: """搜索信息""" return f"搜索结果: {query}"agent = create_agent( model="openai:gpt-4", tools=[search], system_prompt="你是一个 helpful 的助手")就这么几行。背后是LangGraph在跑整个ReAct循环。第三步：循环终止循环不能无限跑下去。LangChain通过几种机制控制：max_iterations：最大循环次数模型自己判断任务完成（Final Answer）超时控制
发布于 北京
分享
评论
赞
未登录
友善发言
评论
加载中
