Agent 开发实战：LangChain工具链与 Promise.all并行优化LLM不会调工具读不懂文档且无状态。Ag

摘要：LLM天然无状态不会调工具不懂内部文档。Agent给它加上Memory、Tool、RAG、MCP和Skills五层外挂，让它从聊天机器人进化为能自主执行任务的智能体。本文用LangChain手写readFileTool并注册到模型，再以Promise.all并行优化多工具调用性能，走通Agent开发全流程。

一、Agent = LLM + 五层外挂

大语言模型本身只是一个"预测下一个 Token"的概率引擎——它没有记忆、不会打开网页、读不到内部文档、不知道今天的新闻、也不能操作文件。直接用 LLM 接口开发的 Chatbot，本质是一个无状态的对话接口。

Agent（智能体）要做的事情，就是给 LLM 装上五层外挂：

问题	外挂	作用
LLM 不记得上周的对话	Memory 模块	数据库/前端存储/Redis 管理记忆
LLM 不能操作网页和文件	Tool Use 模块	让 LLM 调用外部函数和 API
LLM 不懂公司内部文档	RAG 模块	检索内部知识库，注入 Prompt
LLM 不知道最新资讯	MCP / 第三方 Tool	接入外部工具协议获取实时数据
LLM 不能自动化复杂任务	Skills 技能	将多步流程封装为可复用的能力

Agent = LLM + Memory + Tool + RAG + MCP + Skills

Claude Code、Codex 是 Coding Agent；Manus 等产品是自动化任务 Agent。它们的共同架构是：用户提一个复杂任务 → LLM 规划/推理 → 决定调用哪些外挂 → 执行 → 返回结果。

二、LangChain：统一的大模型开发框架

LangChain 是一个比 OpenAI SDK 诞生更早的 LLM 开发框架，核心优势是统一且兼容各家大模型。无论底层是 DeepSeek、GPT 还是其他模型，上层代码几乎不用改。

import { ChatOpenAI } from '@langchain/openai';
import 'dotenv/config';

const model = new ChatOpenAI({
    modelName: 'deepseek-v4-flash',
    apiKey: process.env.DEEPSEEK_API_KEY,
    configuration: {
        baseURL: 'https://api.deepseek.com/v1',
    },
});

const response = await model.invoke('棍王杯台球比赛应该设什么奖励？');
console.log(response.content);

LangChain 的技术栈通常搭配：

层级	技术	职责
后端	NestJS	业务逻辑、路由、认证
单 Agent	LangChain	LLM + Tool + Memory 的组合编排
多 Agent	LangGraph	多个 Agent 之间的协作与状态流转

三、实战：手写一个 Agent 工具并注册到模型

在 Agent 体系中，工具就是函数 + 描述 + Schema 约束。LangChain 通过 @langchain/core/tools 的 tool() 方法来定义工具，用 zod 库做参数校验。

定义读文件工具

import { tool } from '@langchain/core/tools';
import fs from 'node:fs/promises';
import { z } from 'zod';

const readFileTool = tool(
    async ({ filePath }) => {
        const content = await fs.readFile(filePath, 'utf-8');
        console.log(`[工具调用] read_file(${filePath}) 成功读取 ${content.length} 字节`);
        return content;
    },
    {
        name: 'read_file',
        description: `用此工具来读取文件内容。当用户要求读取文件、查看代码、
分析文件内容时，调用此工具。输入文件路径（相对或绝对路径均可）。`,
        schema: z.object({
            filePath: z.string().describe('要读取的文件路径')
        })
    }
);

一个工具由两部分组成：

部分	内容	说明
处理函数	`async ({ filePath }) => { ... }`	异步执行真实任务，返回结果
描述对象	`name` + `description` + `schema`	LLM 判断何时调用、参数该怎么传的依据

description 的质量直接决定 LLM 能否在正确时机选中这个工具——模糊的描述会导致漏调用或错调用。

注册工具并发送任务

import { ChatOpenAI } from '@langchain/openai';
import { HumanMessage, SystemMessage } from '@langchain/core/messages';

const model = new ChatOpenAI({
    modelName: 'deepseek-v4-flash',
    apiKey: process.env.DEEPSEEK_API_KEY,
    temperature: 0,
    configuration: { baseURL: 'https://api.deepseek.com/v1' },
});

const tools = [readFileTool];
const modelWithTools = model.bindTools(tools);  // 关键：工具绑定到模型

const messages = [
    new SystemMessage(`
        你是一个代码助手，可以使用工具读取文件并解释代码。
        工作流程：
        1. 用户要求读取文件时，立即调用 read_file 工具。
        2. 等待工具返回文件内容。
        3. 基于文件内容进行分析和解释。
    `),
    new HumanMessage('请读取代码文件内容并解释'),
];

let response = await modelWithTools.invoke(messages);
messages.push(response);  // 将 LLM 的 tool_calls 响应存入历史

工具调用流程

HumanMessage → LLM 推理 → 识别到需调 read_file → 生成 tool_calls →
→ Runtime 执行 readFileTool → 结果注入消息历史 → 再次调用 LLM → 最终回复

LangChain 的消息类型体系清晰地区分了不同角色的消息：

消息类型	角色	用途
`HumanMessage`	user	用户的原始提问
`SystemMessage`	system	设定 Agent 行为规则和工具使用指引
`AIMessage`	assistant	LLM 的回复（可能包含 tool_calls）
`ToolMessage`	tool	工具执行后的返回结果

Agent 任务可能复杂且耗时——如果用户太久没看到反馈就可能退出。工具函数中 console.log 打印执行进度是一个好习惯。

四、Promise.all：并行执行多工具的秘籍

真实场景中，LLM 可能同时需要调用多个独立工具——查天气和拉推文不需要互相等待。串行调用会让总耗时等于各工具耗时之和，而并行调用才是高性能 Agent 的关键。

function getWeather() {
    return new Promise((resolve) => {
        setTimeout(() => {
            resolve({ temp: 38, conditions: 'Sunny with Clouds' });
        }, 2000);
    });
}

function getTweets() {
    return new Promise((resolve) => {
        setTimeout(() => {
            resolve(['I like cake', 'BBQ is good too!']);
        }, 500);
    });
}

串行写法 — 总耗时 ≈ 2000 + 500 = 2500ms：

const weatherData = await getWeather();   // 等 2000ms
const tweetsData = await getTweets();     // 再等 500ms

并行写法 — 总耗时 ≈ max(2000, 500) = 2000ms：

const [weatherData, tweetsData] = await Promise.all([
    getWeather(),
    getTweets()
]);

Promise 三态回顾

Promise 是 ES6 提供的异步语法，有三种互斥的状态：

Pending ──→ Fulfilled (resolve 调用)
   │
   └──→ Rejected  (reject 调用)

一旦从 Pending 变为 Fulfilled 或 Rejected，状态就锁死了——不可二次变更。

Promise.all([promise数组]) —— 并行执行数组内所有 Promise，等待全部 resolve 后返回结果数组，结果顺序与 Promise 数组顺序一致。如果有任意一个 reject，整个 Promise.all 立即 reject。

在 LangChain 的 Agent 中，当 LLM 的 tool_calls 返回了多个无关工具调用时，应该用 Promise.all 并发执行它们，而不是用 for...of 串行 await。这是 Agent 性能优化的第一原则。

五、总结

Agent = LLM + 外挂：Memory 记东西，Tool 做事情，RAG 查文档，MCP 接入外部工具，Skills 封装能力。Claude Code 就是 LLM + Tool(fs + cli) 的产物。
LangChain 统一模型层：ChatOpenAI 兼容各家 LLM，tool() + zod 定义工具，model.bindTools() 完成注册。
工具两部分：处理函数（执行任务）+ 描述对象（name / description / schema），description 决定 LLM 能否选中它。
消息类型体系：HumanMessage / SystemMessage / AIMessage / ToolMessage 各司其职，构造完整调用上下文。
Promise.all 并行：多工具互不依赖时并发执行，总耗时等于最慢那个而非所有之和。这是 Agent 性能的底层优化。

理解 Agent 的核心一句话：它不是一个更聪明的 LLM，而是一个被 Memory、Tool、RAG 武装起来的 LLM。

—— 一个好 Agent，是能记住、会动手、懂查找的 LLM。

Agent 开发实战：LangChain工具链与 Promise.all并行优化

目录