本文较长，建议点赞收藏。更多AI大模型应用开发学习视频及资料，在智泊AI。
最近随着大模型开始火爆，只要你一打开手机，不管是懂技术的还是不懂技术的，所有人都在聊同一个词——Agent（智能体） 。
老板在会上问你：“咱们的业务能不能加个 Agent？” 投资人在咖啡厅里聊：“大模型只是工具，落地还得看 Agent。” 甚至连卖课的都在喊：“错过 Agent，你就错过了 AI 时代的最后一张船票！”
还有各种层出不穷的智能体产品更是让人眼花缭乱。结果是，这个要买会员，那个要充值，再要不就是免费的都降智。反正智能体玩没玩明白不知道，但花在AI大模型的钱先算不明白了。
朋友们，不知道你们有没有想过：这个被吹上天的 Agent，到底是个什么东西？
是给 ChatGPT 穿了个马甲？还是真有什么黑科技？ 很多人其实是懵的。大家都在人云亦云，觉得这玩意儿是个神秘的黑盒，好像把大模型往里一扔，它就能自己写代码、自己赚钱了。
今天这条视频，我就带你来扒一扒Agent的老底。不过与其在外面听那些概念炒作，不如咱们直接钻到发动机舱里，看看它是怎么造出来的。
要想看透 Agent 的本质，有两个最好的参考工具：LangChain 和 LangGraph。 这俩是目前全球最主流的 AI 开发框架。搞懂了它们，你再看市面上那些五花八门的智能体，CodeBuddy啊，灵光啊什么的，在你眼里就全是透明的了。
如果你不想做 AI 时代的“韭菜”，想做那个看透本质的人，这条视频，一定要看到最后。
LangChain — 当大模型只是“流水线工人”
首先，我们得聊聊 LangChain。 在 Agent 这个概念还没彻底火起来之前，LangChain 其实已经统治了 AI 开发圈。
它的核心概念，就在这个 Chain（链） 字上。
什么叫 Chain？大家想象一下工厂的流水线。 原料进来，第一道工序清洗，第二道工序加工，第三道工序包装。
在 LangChain 的早期架构里，大语言模型（LLM）扮演的是什么角色呢？ 它只是这条流水线上的一个工人，或者说一道工序。
举个例子，一个最简单的智能体工具工作流程是这样的：
-
- 第一步：收集你提过来的提示词，做一些整理和补充，把他整理成明确，通顺的问题0。
-
- 第二步：把整理好的问题再扔给LLM大语言模型，让他给出答复。
-
- 第三步：LLM大语言模型给出的答复信息比较多，整理整理，把最关心的内容整理出来，再返回给你。
这样一个典型的流程，用LangChain框架去实现，大概就是这样：
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from config.load_key import load_key
from langchain_core.output_parsers import StrOutputParser
# 提示词模板
prompt_template = ChatPromptTemplate.from_messages([
("user", "{text}")
])
# 构建阿里云百炼大模型客户端
llm = ChatOpenAI(
model="qwen-plus",
base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
openai_api_key=load_key("BAILIAN_API_KEY"),
)
# 结果解析器 StrOutputParser会AIMessage转换成为str，实际上就是获取AIMessage的content属性。
parser = StrOutputParser()
# 构建链
chain = prompt_template | llm | parser
chain.invoke({"text":"你是谁"})
//答案：'我是通义千问，由阿里云研发的超大规模语言模型。我能够回答问题、创作文字，如写故事、公文、邮件、剧本等，还能进行逻辑推理、编程，甚至表达观点和玩游戏。我支持多种语言，包括中文、英文、德语、法语、西班牙语等。如果你有任何问题或需要帮助，欢迎随时告诉我！'
这个Chain链条就是完整的处理逻辑，如果你还需要构建更复杂的业务流程，比如大模型第一次回答的答案，你还要再次调用其他大模型，那就在这个链条后面添加更多的组件就可以了。
发现了吗？在这里，大模型虽然很聪明，但它没有话语权。 它被我们写死的代码（Chain）推着走。A 做完必须做 B，B 做完必须做 C。
这种架构的优点是稳定，但缺点太致命了——它太死板。 这就好比你雇了个天才，但你只让他拧螺丝。如果中间螺丝滑丝了（大模型出错了），这条 Chain 是不知道变通的，它只会报错。
说到这儿，大家觉得这种“一根筋”的流程能叫智能体吗？或者你有没有遇到过这样逻辑定义的智能体？可以在评论区说说你的想法。
LangGraph —赋予大模型指挥权
因为 Chain 太死板，解决不了复杂问题，所以 LangGraph 诞生了。 LangGraph 的核心，从 Chain（链）变成了 Graph（图） 。
但最最最关键的区别在于，LangGraph 引入了大模型最需要的一个能力：循环（Loop）+ 记忆(State) 。
在 LangGraph 的架构里，大模型（LLM）摇身一变，从流水线工人变成了交通指挥官。
当一个任务进来，LangGraph 不会规定死下一步走哪。 它会把当前的情况（我们管它叫 State/状态）扔给大模型，问它：“老板，你看现在这情况，咱们下一步该干啥？”
大模型一看：“这步做错了，重做！”——这就是循环。 大模型一看：“这步做完了，下一步！”——这就是推进。
比如这里就是一个典型的案例。
# 构建一个图。图中两个步骤：第一步让大模型推荐一个有名的作家，第二步，让大模型用推荐的作家的风格写一个100字以内的笑话。
from typing import TypedDict
from typing_extensions import NotRequired
from langgraph.checkpoint.memory import InMemorySaver
from langgraph.constants import START, END
from langgraph.graph import StateGraph
from config.load_key import load_key
from langchain_community.chat_models import ChatTongyi
# 构建阿里云百炼大模型客户端
llm = ChatTongyi(
model="qwen-plus",
api_key=load_key("BAILIAN_API_KEY"),
)
class State(TypedDict):
author: NotRequired[str]
joke: NotRequired[str]
def author_node(state:State):
prompt = "帮我推荐一位受人们欢迎的作家。只需要给出作家的名字即可。"
author = llm.invoke(prompt)
return {"author":author}
def joke_node(state:State):
prompt = f"用作家：{state['author']} 的风格，写一个100字以内的笑话"
joke = llm.invoke(prompt)
return {"joke":joke}
builder = StateGraph(State)
builder.add_node(author_node)
builder.add_node(joke_node)
builder.add_edge(START,"author_node")
builder.add_edge("author_node","joke_node")
builder.add_edge("joke_node",END)
checkpointer = InMemorySaver()
graph = builder.compile(checkpointer=checkpointer)
graph
返回结果：
先让大模型推荐一个受欢迎的作家，然后再让大模型用这个作家的风格写一个笑话。
# 正常执行一个图
import uuid
config = {
"configurable": {
"thread_id": uuid.uuid4(),
}
}
state = graph.invoke({}, config)
print(state["author"])
print()
print(state["joke"])
返回结果：content='村上春树' additional_kwargs={} response_metadata={'model_name': 'qwen-plus', 'finish_reason': 'stop', 'request_id': 'f3f97a29-4e8b-4d6b-8cb6-05941efaee93', 'token_usage': {'input_tokens': 23, 'output_tokens': 4, 'total_tokens': 27, 'prompt_tokens_details': {'cached_tokens': 0}}} id='run-c7b0f76c-b403-4175-a7ee-a7c10151c73c-0'
content='我养的猫突然开口说话，说它其实是村上春树笔下的人物。 \n“那你该去参加文学奖。”我说。 \n它摇摇头：“太麻烦了，我还是更想喝那杯威士忌，加冰，像爵士乐一样安静地融化。” \n然后我们沉默，听着窗外的萨克斯风——其实只是邻居在锯木头。' additional_kwargs={} response_metadata={'model_name': 'qwen-plus', 'finish_reason': 'stop', 'request_id': '0c641b22-9bc6-47c3-b9a2-ff8125eb607a', 'token_usage': {'input_tokens': 166, 'output_tokens': 80, 'total_tokens': 246, 'prompt_tokens_details': {'cached_tokens': 0}}} id='run-2e158741-d294-479e-a049-dd22063636d0-0'
经过处理后，如果觉得效果不理想，比如他推荐的这个作者不喜欢，还可以回到某一个节点，修改大模型的结果，换一个作者，重新写笑话。
# 查看所有checkpoint检查点
states = list(graph.get_state_history(config))
# 推荐作家那一步
selected_state = states[1]
# 重新设定State
new_config = graph.update_state(selected_state.config, values={"author": "郭德纲"})
# 重新执行Graph
graph.invoke(None,new_config)
返回结果：{'author': '郭德纲', 'joke': AIMessage(content='昨儿上街买包子，老板问：“要几个？”我说：“来俩。” \n他一愣：“就俩？不够吧？” \n我说：“够了，我胃口小。” \n老板叹口气：“不是，我这蒸笼五十个起卖……” \n我说：“那你早说啊！” \n拎起五十个包子就走。 \n回家路上饿了，边走边吃，吃到四十八个，到家剩俩。 \n媳妇问：“就买俩？” \n我说：“对，就俩。”', additional_kwargs={}, response_metadata={'model_name': 'qwen-plus', 'finish_reason': 'stop', 'request_id': 'd0f1f5ce-4764-4efb-a00a-cc5585167efe', 'token_usage': {'input_tokens': 26, 'output_tokens': 110, 'total_tokens': 136, 'prompt_tokens_details': {'cached_tokens': 0}}}, id='run-b752980d-ca0a-44de-9cad-84259496569b-0')}
从这个案例看出：
Agent = 大模型 + 循环控制流 + 记忆。 只有具备了这种“循环”和“决策”能力的架构，才配叫真正的 Agent。
三种核心模式与“积木组合”
好，理解了“图”和“循环”，接下来才是最精彩的部分。 市面上那些看似复杂的 Agent，其实都是由三种最基础的“图模式”演变来的。
第一种：反思模式（Reflection）。 这就像一个 “强迫症作家” 。 大模型写一段代码，然后自己跳到“批评家”节点，挑自己的毛病。如果有毛病，就跳回去重写。直到自己满意为止。 这就是为什么现在的 AI 写代码越来越准，因为它自己在图里跑了好几圈才给你看。
第二种：工具路由模式（Tool Routing）。 这就像一个 “全能工匠” 。 中间是大脑，周围挂着计算器、谷歌搜索、画图工具。 大脑看一眼问题：“嗯，这个需要算数。” 啪，调用计算器。算完回来发现：“哎，还需要搜个图。” 啪，调用搜索。 这是目前最通用的助理形态。
第三种：监督者模式（Supervisor Mode）。 这个最厉害，它像一个 “项目经理带着一帮小弟” 。 顶部有一个监督者大模型（Supervisor），它不干脏活累活，它只负责分包。 任务来了，监督者说：“小王（写代码的 Agent），你去写个爬虫。” 小王干完回来汇报。监督者一看：“不行，这爬虫报错了。小李（查文档的 Agent），你去查查文档怎么修。” 小李查完回来汇报。监督者再指挥小王去修。 整个过程，监督者在不断协调，直到任务搞定。
重点来了！ 现在的超级智能体是怎么做出来的？ 就是把这三种模式，像搭积木一样组合起来！
在一个“监督者模式”里，那个负责写代码的“小弟”，它内部可能就是一个“反思模式”的图； 那个负责查文档的“小弟”，它内部可能就是一个“工具路由模式”的图。
你把这些图嵌套在一起，就构成了那些几百美金一个月的高级 AI 员工。 从部分到整体，从简单到复杂，这就是 Agent 产品的底层逻辑。
总结
最后，总结一下。
大家不要被 Agent 这个词吓倒。 无论外面的产品包装得多么花哨，剥开外壳，它们都是由 LangGraph 这种状态机编织出来的网络。
LangChain 让我们学会了把大模型当工人用； 而 LangGraph 让我们学会了把大模型当经理用，甚至当 CEO 用。
当你理解了这三种图的模式，并且知道怎么组合它们时，你就已经比 99% 的人更懂 Agent 了。
至于 LangChain 和 LangGraph 的具体代码怎么写，那些 add_node、add_edge 的语法细节，短视频里讲太枯燥了。有兴趣我们再深聊。
我是楼兰，IT路上一起进步。我们下期见！
学习资源推荐
如果你想更深入地学习大模型，以下是一些非常有价值的学习资源，这些资源将帮助你从不同角度学习大模型，提升你的实践能力。
本文较长，建议点赞收藏。更多AI大模型应用开发学习视频及资料，在智泊AI。
