Agent概述

Agent 应用原理

这里以 OpenAI 定义的 Agent 为例：

1

Agent = 大模型（LLM）+ 规划（Planning）+ 记忆（Memory）+ 工具使用（Tool Use）

Planning 规划

Agent 将大任务拆分为更小的可管理的子目标，使得可以有效处理复杂任务。比如一项复杂性任务通常会包含很多步骤，Agent 需要了解这些步骤是什么并提前规划，可以将大模型一次输出的多任务回答拆解为多个单独任务逐个输出。

比如最常见的规划就是提示词，我们会指挥模型第一步干什么，第二步干什么等等；也可以让大模型生成规划，然后再根据大模型生成的规划进行顺序或并行执行。

大模型记忆

在大模型中，目前记忆分为长期记忆与短期记忆：

• 短期记忆：一般指近 N 轮对话，上下文学习就是利用模型的短期记忆进行学习
• 长期记忆：将短期记忆进行整理储存，通常利用外部向量存储和检索实现，为 Agent 提供保留和召回长期信息的能力

实际应用中：

• 常用词嵌入方法：BGE、Qwen3 Embedding、xiaobu Embedding 等等
• 常用向量数据库：Milvus、Faiss、Chroma 等等

Tool Use 工具使用

能调用外部工具，是大模型进化为智能体 Agent 的关键，如果不能使用外部工具，大模型就只能是个简单的聊天机器人，甚至连查询天气都做不到。

由于底层技术限制，大模型本身是无法和外部工具直接通信的，因此 Function Calling 的思路，就是创建一个外部函数（function）作为中介，一边传递大模型的请求，另一边调用外部工具，最终让大模型能够间接的调用外部工具。

通俗的讲，就是 Agent 调用外部工具，比如外部知识库或 API 去解决问题的方法。最常用的就是使用 Function Call 定义工具，或者使用被封装好的 MCP 工具进行使用。在实际应用中，通常都需要根据业务自定义工具进行使用。

• 如果不用 LangChain 定义工具，使用大模型原生的 Function Call 接口定义函数的话，需要非常复杂的定义 Function Calling 元信息
• 而 LangChain 对 Agent 的封装进行了全面更新，可以非常简单的定义工具