一、理解 Agent
1.1 AI的终极形态
通用人工智能（AGI）将是 AI的终极形态 ，几乎已成为业界共识。
同样，构建智能体（Agent）则是AI 工程应用 当下的“终极形态” ，即Agent是大模型应用开发的核心.
1.2 面向Harness构建Agent
Agent 是一种在循环中调用工具的模型，直到给定任务完成。
Agent = Model + Harness
Harness 就是围绕这个循环的一切：提示词、工具，以及任何塑造模型行为的中间件。
二、Agent 核心组件
2.1 Model
向Agent提供工具，可传递任何 Python 可调用函数、LangChain 工具或工具字典。
from langchain.agents import create_agent
agent = create_agent(model = model,tools = None)
response=agent.invoke({"messages":[{"role":"user", "content":"你说我帅吗？"}]})
2.2 Tools
为agent提供工具，可传递任何 Python 可调用函数、LangChain 工具或工具字典
from langchain_core.tools import tool
@tool
def search(query: str) -> str:
"""Search for information."""
return f"Results for: {query}"
agent = create_agent(model=model, tools=[search])
2.3 System prompt
控制 agent 处理任务的方式。
系统提示参数可接受字符串或 SystemMessage。
For dynamic prompts at runtime，可以使用 MiddleWare。
create_agent(
model=model,
tools=None,
system_prompt="You are a helpful assistant. Be concise and accurate.",
)
2.4 Structured output
使用 response_format= 从agent返回验证后的模式
class Answer(BaseModel):
summary:str = Field(default = "",description = "总结")
confidence:float= Field(default= 0.0)
agent = create_agent(model=model, response_format=Answer)
result = agent.invoke({"messages": [{"role": "user", "content": "Summarize AI trends"}]})
rprint(result["structured_response"])
2.5 Agent state
每个agent都通过 AgentState 来管理其执行上下文，AgentState 是一个类型化的字典，用于存储当前的对话历史以及工具和中间件所需的任何自定义字段。
class MyState(AgentState):
user_id: str
call_count: int
agent = create_agent(
model="openai:gpt-5.5",
tools=[],
state_schema=MyState,
)
后面专题再讲
三、Agent基本用法
3.1 执行图
from IPython.display import Image, display
display(Image(agent.get_graph().draw_mermaid_png()))
3.2 给Agent 起一个昵称
可选择为agent 指定一个名称。
这在多 agent、嵌套agent、子父agent尤为有用。
agent = create_agent(model="openai:gpt-5.5", tools=tools, name="research_assistant")
3.3 设置失败重试次数
生产环境中的agent会遇到开发阶段很少出现的问题：速率限制、模型超时、临时API错误。
Fault tolerance middleware 在基础设施层面处理这些问题，因此工具和业务逻辑无需在每次调用时都使用try/catch。
from langchain.agents.middleware import ModelRetryMiddleware, ToolRetryMiddleware
agent = create_agent(
model="openai:gpt-5.5",
tools=[search],
middleware=[
# 模型重试次数
ModelRetryMiddleware(max_retries=3),
# 工具重试次数
ToolRetryMiddleware(max_retries=2),
],
)
四、总结
经过前三章的拆解，现在我们可以把 Agent 的全貌收拢成一句话：
Agent = Model + Harness。
模型负责"思考与决策"，Harness 负责"围绕决策循环的一切"——提示词、工具、中间件、状态管理。
这正是第一章提到的"面向 Harness 构建 Agent"——Agent 是一种在循环中调用工具的模型，直到任务完成。
4.1 六大核心组件，各司其职
把第二章的内容压缩成一张"职责表"，方便你日后按层排查问题：
| 组件 | 参数 | 职责 | 不填会怎样 |
|---|---|---|---|
| Model | model | 推理引擎，决定调哪个工具、传什么参 | Agent 退化成纯聊天 |
| Tools | tools | 赋予 Agent "手脚"，执行具体动作 | Agent 只能凭记忆回答 |
| System Prompt | system_prompt | 定义角色、边界、输出风格 | 模型用默认行为，不可控 |
| Structured Output | response_format | 强制最终输出符合 Pydantic schema | 返回非结构化文本，代码难消费 |
| Agent State | state_schema | 扩展 AgentState，携带 user_id、call_count 等自定义字段 | 只能存消息列表 |
| Middleware | middleware | 在循环的各阶段插入重试、日志、权限、HITL 等 | 生产容错、可观测性为零 |
💡 这六个参数，就是 Harness 的全部"旋钮"
调得动 Harness，才调得动 Agent 的行为。
📌 下一步专题预告
- Agent State 与自定义字段的深度玩法（
user_id、session、跨中间件共享状态） - Middleware 生命周期全钩子：
before_model/after_model/wrap_tool_call实战 - Checkpointer 与 Store：短期记忆与长期记忆的存储后端选型
- 多 Agent 协作：父子 Agent、人工介入（HITL）、子 Agent 派生的编排模式
