LangChain 中的 Agent（智能体）如何实现自主决策？

1. Agent 的核心机制：ReAct 循环

LangChain Agent 通过 ReAct（Reasoning + Acting）框架驱动自主决策，形成"思考→行动→观察→再思考"的闭环。具体执行过程如下：

• 推理（Reason）：LLM 根据当前状态（任务、对话历史、工具描述）生成思考文本和决策
• 行动（Act）：Agent 解析 LLM 的输出，识别工具调用指令并执行对应工具函数
• 观察（Observe）：工具执行结果作为新的观察输入反馈给 LLM
• 循环判断：如果 LLM 继续请求调用工具，则重复上述步骤；如果输出 Final Answer，则循环终止

2. create_agent：v1.x 标准入口

在 LangChain v1.0 中，create_agent 成为唯一推荐的 Agent 创建方式，取代了旧的 AgentExecutor 和 initialize_agent 等碎片化写法。其底层统一运行在 LangGraph 上，自带 ReAct 循环：

from langchain.agents import create_agent

agent = create_agent(
    model=model,
    tools=[get_weather, search_movies],
    system_prompt="You are a helpful assistant.",
)

create_agent 自动处理工具调用的循环逻辑，开发者只需提供模型、工具和系统提示词即可。

3. Agent 的关键组件

• Agent（决策大脑）：基于 LLM 进行推理和决策，决定下一步该做什么
• Tools（执行手脚）：标准的 Python 函数，带有名称、描述和参数定义。描述至关重要，因为 LLM 通过阅读工具描述来决定是否以及如何调用它
• Prompt（指令模板）：包含系统指令、工具描述、历史对话和用户输入的模板，直接决定 LLM 的推理质量
• AgentExecutor（运行时引擎）：负责管理 ReAct 循环的执行，处理解析、调用和状态推进

4. Agent 的工作流程

• 组装提示：将用户问题、对话历史（来自 Memory）、可用工具列表及其描述组合成详细提示词
• LLM 推理：分析提示词，生成遵循约定格式的结构化文本（Thought/Action/Action Input 或 Final Answer）
• 解析分发：识别 Action 则调用对应 Tool 函数，识别 Final Answer 则终止循环
• 执行与观察：工具返回结果标记为 Observation，连同之前的 Thought、Action 等作为新上下文再次发送给 LLM
• 结束与记忆：循环终止后，最终问答对存入 Memory