新手友好、一步步能跟着做的 AI Agent 入门指南

搞清楚 Agent 在干什么 → 会设计多工具调用 → 理解“记忆” → 能写出一个能算数 + 查天气的智能 Agent

---

一、先一句话搞懂什么是 AI Agent

AI Agent = 会“思考 + 选工具 + 执行 + 记住”的大模型

📌 和普通 ChatGPT 的区别：

普通对话	AI Agent
只会回答	会“做事”
不会用工具	会调用 API / 函数
没状态	有记忆
一问一答	可多步完成任务

---

二、Agent 在内部到底做了什么？（核心循环）

📌 Agent 工作循环（必背）

理解问题
→ 判断要不要用工具
→ 调用工具
→ 拿结果继续思考
→ 给出最终回答

📌 记忆口诀

想 → 选 → 用 → 想 → 答

---

三、LangChain / LangGraph 是干什么的？

1️⃣ LangChain（一句话）

LangChain = 帮你把 LLM、工具、记忆“串起来”的框架

核心组件（新手只记这 4 个）

组件	作用
LLM	大脑（GPT）
Tool	手（函数 / API）
Prompt	指令
Memory	记忆

---

2️⃣ LangGraph（一句话）

LangGraph = 用“流程图”方式写 Agent（更适合复杂任务）

📌 区别理解：

• LangChain：线性流程（简单 Agent）
• LangGraph：有分支、有循环（复杂 Agent）

新手建议：

先 LangChain，后 LangGraph

---

四、什么是工具调用（Function Call）？

📌 一句话

让模型“决定什么时候调用你写好的函数”

---

🌰 例子（人话版）

用户说：

“北京现在气温是多少？顺便算一下 23 × 17”

Agent 内部：

1. 发现要 查天气
2. 发现要 算数学
3. 分别调用对应工具
4. 合并结果回答

---

五、如何设计一个「多工具调用 Agent」？（方法论）

1️⃣ 明确有哪些工具

📌 新手常见工具类型：

• 计算器
• 搜索 / 天气
• 数据库
• 文件读写

---

2️⃣ 每个工具都要写清楚 3 件事（非常重要）

工具名
工具功能描述（给模型看的）
输入参数

📌 描述写得好 = 调用更准

---

3️⃣ Agent Prompt 的黄金模板（新手必背）

你是一个智能助手。
你可以使用以下工具来完成任务。
当问题需要计算时，使用计算器工具。
当问题涉及天气时，使用天气工具。
如果不需要工具，直接回答。

---

六、Agent 的“记忆”机制（通俗版）

1️⃣ 为什么 Agent 需要记忆？

没有记忆：

用户：我叫 Tom
用户：我叫什么？
→ 不知道

有记忆：

→ 知道

---

2️⃣ Agent 的三种常见记忆（认识即可）

类型	用途
对话记忆	记住聊天内容
短期记忆	当前任务上下文
长期记忆	用户偏好 / 知识

---

3️⃣ 新手最常用：对话记忆

📌 本质：

把历史对话一并塞给模型

---

七、实战：一个「计算器 + 天气」智能 Agent（新手版）

示例用 LangChain 思路，重点理解结构，不纠结版本差异

---

1️⃣ 准备两个工具

🔹 工具 1：计算器

def calculator(expression: str) -> str:
    return str(eval(expression))

---

🔹 工具 2：天气 API（示例版）

def get_weather(city: str) -> str:
    # 实际中可换成真实天气 API
    fake_weather = {
        "北京": "晴，25℃",
        "上海": "多云，28℃"
    }
    return fake_weather.get(city, "暂无该城市天气信息")

---

2️⃣ 用 LangChain 包装成 Tool

from langchain.tools import Tool

calculator_tool = Tool(
    name="Calculator",
    func=calculator,
    description="用于数学计算，输入如：23 * 17"
)

weather_tool = Tool(
    name="Weather",
    func=get_weather,
    description="用于查询城市天气，输入城市名，如：北京"
)

📌 description 很关键，模型靠它判断用不用工具

---

3️⃣ 创建 Agent（核心）

from langchain.agents import initialize_agent
from langchain.llms import OpenAI
from langchain.memory import ConversationBufferMemory

llm = OpenAI()

memory = ConversationBufferMemory(
    memory_key="chat_history",
    return_messages=True
)

agent = initialize_agent(
    tools=[calculator_tool, weather_tool],
    llm=llm,
    agent="chat-conversational-react-description",
    memory=memory,
    verbose=True
)

---

4️⃣ 运行效果（理解流程）

agent.run("北京现在天气怎么样？顺便算一下 23 * 17")

Agent 内部会：

1. 判断要用 Weather
2. 调用天气工具
3. 判断要用 Calculator
4. 合并结果回答

📌 这就是一个完整的多工具 Agent

---

八、如果用 LangGraph，会发生什么？

📌 思维方式变化：

开始
 ↓
LLM 判断
 ↓
用工具 A？
 ↓        ↘
是         否
 ↓          ↓
执行工具    直接回答
 ↓
回到 LLM

📌 适合：

• 多步骤任务
• 循环 / 条件判断
• 复杂 Agent 系统

---

九、新手常见错误（避坑）

❌ 工具描述太模糊
❌ 工具太多，一股脑全塞
❌ 不加记忆，体验很差
❌ 想一步到位做“超级 Agent”

---

十、终极新手 Agent 口诀（一定要背）

Agent 会想事，
工具帮干活，
Prompt 定规则，
记忆管上下文。

---

十一、推荐新手学习顺序

1️⃣ 会写函数
2️⃣ 会封装 Tool
3️⃣ 会初始化 Agent
4️⃣ 会加 Memory
5️⃣ 再学 LangGraph

十二、参考文档

LangGraph 官方教程
Dify 开源项目源码阅读

---

有任何问题欢迎在评论区交流。