https://blog.itdn.top/tags/agent/ Recent content in Agent on 知行 - 大道至简，知易行难；道阻且长，行则将至。 Hugo -- gohugo.io zh-CN 郑超(Charles·Zheng) Fri, 17 Apr 2026 15:30:15 +0000 https://blog.itdn.top/posts/2026/langchain_rag_agent/ Fri, 17 Apr 2026 15:30:15 +0000 https://blog.itdn.top/posts/2026/langchain_rag_agent/ 一、项目概述 从零开始，使用 Python 基于 LangChain RAG（检索增强生成）+ Agent（智能代理） 构建一个完整的多工具 AI 知识库问答助手系统。系统具备文档问答、数学计算、天气查询、时间查询和提醒设置等多种功能，能够根据用户问题智能选择合适的工具进行处理。 1.1 技术选型 组件 技术 版本 说明 语言 Python 3.10+ 主开发语言 AI 框架 LangChain 0.1+ Agent 和工具链管理 向量数据库 Chroma 0.4+ 轻量级本地向量存储 嵌入模型 DashScope Embeddings - 阿里百炼嵌入服务 大语言模型 DeepSeek - 对话生成 1.2 项目结构 PROJECT/ ├── src/ │ └── ai_personal_assistant/ │ ├── __init__.py │ ├── main.py # 主入口文件 │ ├── service/ # 业务服务层 │ │ ├── __init__.py │ │ └── agent.py # Agent构建逻辑 │ └── utils/ # 工具模块 │ ├── __init__. https://blog.itdn.top/posts/2026/langchain_agent/ Sun, 12 Apr 2026 18:30:15 +0000 https://blog.itdn.top/posts/2026/langchain_agent/ Agent 是 LangChain 最核心的概念，它赋予 AI 自主决策能力——自动判断何时需要调用工具，并在获取工具结果后继续推理，直至完成任务。这一机制使 AI 能够突破静态知识限制，动态获取实时信息并解决复杂问题。 一、什么是 Agent 传统的模型调用遵循简单的一问一答模式：用户发送请求，模型返回响应，交互结束。 Agent 则完全不同，它引入了一个 思考-行动-观察（Think-Act-Observe）的闭环机制： 模型分析问题 → 判断需要调用工具 → 执行工具获取结果 → 基于结果继续推理 → 如需更多信息则再次调用工具 → 循环直至生成最终答案 例如，当用户询问"今天杭州天气怎么样？“时，普通模型只能依赖训练数据中的历史信息（可能已过时数月）。而 Agent 会主动调用天气查询工具获取实时数据，再基于真实信息给出准确回答。这正是 Agent 的核心价值所在——将大模型的推理能力与外部工具的执行能力有机结合。 二、创建第一个 Agent 创建一个具备工具调用能力的 Agent 只需三个步骤： 步骤 操作 说明 ① 定义工具 使用 @tool 装饰器将 Python 函数转换为工具 ② 创建 Agent 通过 create_agent() 构建工具调用能力 ③ 运行 Agent 使用 agent.invoke() 执行并获取结果 2.1 环境准备 首先安装依赖包： pip install langchain langchain-openai python-dotenv 创建 .env 文件配置 API 密钥：