引言：AI Agent 的基础与发展趋势
AI Agent 作为当前热门技术，正从单纯的语言模型向智能执行系统演进。早期产品如千问、豆包、元宝等，通过 AI 推理完成复杂任务，标志着计算范式的转变。更先进的如 OpenClaw 项目，以一人公司模式运营多 Agent 系统，包括编程助手、PPT 生成、财务分析等。这些系统通过任务拆解、规划，调用特定 Agent 实现目标。另一个例子是 Seedance，利用视频数据进行分析，展示了 Agent 在实时处理上的潜力。
从 Prompt Engineering 到 Agent Engineering，这一演进强调全栈能力。直接调用大模型如 Gemini 1.5 Pro 虽便捷，但存在痛点：缺少记忆（Memory）导致忘记历史对话；无法执行外部操作（如访问网页）；难以整合私有知识（RAG）。因此，AI Agent 的核心组成是 LLM + Memory + Tool + RAG。这让大模型能思考、规划、记忆，并自动执行任务。
本文聚焦一个 LLM + Tools 的小 demo，基于提供的笔记和代码，逐步构建一个简单 Agent。它不是完整的 Cursor（一个高级编程 Agent，能自动生成、编辑项目），而是基础版本：用 LangChain 集成工具，实现文件读写和命令执行。我们将用 JavaScript 示例代码演示如何让 Agent “手写”一个 React TodoList 项目。通过这个 demo，你能理解 Tool 的作用，并扩展到更复杂场景。
AI Agent 的本质与组件
AI Agent 本质上是扩展的大模型：添加 Tool 赋予执行能力，Memory 管理上下文，RAG 查询知识库。原本 LLM 能思考规划，但 Tool 让它能读写文件、执行 Bash 命令，实现自动化。例如，用 React 创建 TodoList：Agent 思考生成代码，用 Tool 保存文件、运行 npm 安装。这比纯 LLM 更实用。
LangChain 框架简化了 Agent 开发，提供 Memory、Tool、RAG 支持。需 Node.js 基础（如 NestJS）。我们选择 qwen-coder-turbo 作为 LLM，专精代码生成。Tool 包括 read_file、write_file 和 exec_command，这些是编程 Agent 的基石。
这个 demo 强调 LLM 与 Tool 的集成：LLM 决策调用 Tool，处理结果，形成循环，直到任务完成。它是一个小起点，向 Cursor 风格的 Agent 靠近。
Tool 的设计与集成原理
选择 LLM：qwen-coder-turbo，temperature=0 确保输出稳定。Tool 是函数，接受参数、执行操作、返回结果。LangChain 的 tool 模块用 Zod 校验参数。
示例中，read_file Tool 读取文件，用于代码分析。write_file 保存内容，exec_command 执行 shell 命令（如 npm init）。绑定 Tool 后，LLM 在对话中可调用。
消息系统：SystemMessage 定义流程，HumanMessage 用户输入，ToolMessage 反馈结果。循环处理 tool_calls：执行 Tool，加入消息，再调用 LLM。
这实现了 Agent 的“智能”：规划 → 调用 → 处理 → 迭代。
完整代码示例详解
首先，导入模块：
JavaScript
import 'dotenv/config';
import { ChatOpenAI } from '@langchain/openai';
import { tool } from '@langchain/core/tools';
import {
HumanMessage,
SystemMessage,
ToolMessage,
} from '@langchain/core/messages';
import fs from 'node:fs/promises';
import { z } from 'zod';
import { exec } from 'child_process';
import util from 'util';
const execAsync = util.promisify(exec);
初始化模型：
JavaScript
const model = new ChatOpenAI({
modelName: 'qwen-coder-turbo',
apiKey: process.env.OPENAI_API_KEY,
configuration: {
baseURL: process.env.OPENAI_API_BASE_URL,
},
temperature: 0,
});
定义 Tool：
JavaScript
const readFileTool = tool(
async ({ path }) => {
const content = await fs.readFile(path, 'utf-8');
console.log(`[工具调用] read_file("${path}") 成功读取 ${content.length} 个字符`);
return content;
},
{
name: 'read_file',
description: `用此工具来读取文件内容，当用户需要读取文件、查看代码时、分析文件内容时，调用此工具，输入文件路径（可以是相对路径或者绝对路径）`,
schema: z.object({ path: z.string().describe('要读取的文件路径') }),
}
);
const writeFileTool = tool(
async ({ path, content }) => {
await fs.writeFile(path, content, 'utf-8');
console.log(`[工具调用] write_file("${path}") 成功写入`);
return `文件 ${path} 已成功写入`;
},
{
name: 'write_file',
description: `用此工具写入文件内容，当需要创建或修改文件时调用，输入路径和内容`,
schema: z.object({
path: z.string().describe('要写入的文件路径'),
content: z.string().describe('要写入的文件内容'),
}),
}
);
const execCommandTool = tool(
async ({ command }) => {
const { stdout, stderr } = await execAsync(command);
console.log(`[工具调用] exec_command("${command}") 执行完成`);
return `stdout: ${stdout}\nstderr: ${stderr}`;
},
{
name: 'exec_command',
description: `用此工具执行 shell 命令，如安装依赖或运行项目，当需要运行 npm、git 等命令时调用`,
schema: z.object({ command: z.string().describe('要执行的 shell 命令') }),
}
);
const tools = [readFileTool, writeFileTool, execCommandTool];
绑定 Tool：
JavaScript
const modelWithTools = model.bindTools(tools);
消息数组与用户查询示例：
JavaScript
const messages = [
new SystemMessage(`
你是一个编程 Agent，像 Cursor 一样，能生成代码、读写文件、执行命令。
工作流程：
1. 理解用户任务（如创建 React TodoList）。
2. 规划步骤：生成代码 → 写文件 → 执行命令（如 npm init）。
3. 使用工具执行：read_file 查看现有文件，write_file 保存代码，exec_command 运行命令。
4. 如果需要，迭代优化。
可用工具：
- read_file: 读取文件内容
- write_file: 写入文件内容
- exec_command: 执行 shell 命令
`),
new HumanMessage('请帮我创建一个简单的 React TodoList 项目，生成代码并保存到 ./todo-app 目录下，然后安装依赖。'),
];
主循环：
JavaScript
let response = await modelWithTools.invoke(messages);
messages.push(response);
while (response.tool_calls && response.tool_calls.length > 0) {
console.log(`\n[检测到] ${response.tool_calls.length} 个工具`);
const toolResults = await Promise.all(
response.tool_calls.map(async (toolCall) => {
const tool = tools.find((t) => t.name === toolCall.name);
if (!tool) {
return `错误：找不到工具 ${toolCall.name}`;
}
console.log(`[执行工具] ${toolCall.name}(${JSON.stringify(toolCall.args)})`);
try {
const result = await tool.invoke(toolCall.args);
return result;
} catch (err) {
return `错误：${err.message}`;
}
})
);
response.tool_calls.forEach((toolCall, index) => {
messages.push(
new ToolMessage({
content: toolResults[index],
tool_call_id: toolCall.id,
})
);
});
response = await modelWithTools.invoke(messages);
}
console.log(response.content);
运行过程：Agent 规划创建目录（exec_command 'mkdir todo-app'）、生成代码（LLM 输出）、写文件（write_file 保存 App.js 等）、安装依赖（exec_command 'cd todo-app && npm init -y && npm install react react-dom'）。最终输出项目创建成功。
扩展到更高级 Agent
当前是小 demo，添加 Memory（LangChain BufferMemory）实现多轮对话。集成 RAG 查询代码库。向 Cursor 靠近：支持 VS Code 插件、代码迭代优化。
安全考虑：限制 Tool 路径/命令，避免风险。性能：Promise.all 并行执行。
结语：
通过这个小 demo，我们看到 AI Agent 的潜力：LLM + Tool 让大模型从思考者变为执行者。基于 LangChain，你可以扩展到 Memory 和 RAG，构建全栈 Agent。
