为什么在大模型时代仍然离不开强化学习？过去，许多大模型训练以“预训练 → 监督微调（SFT）”为主。自 2025 年起，强化学习（RL）及其后训练（post-training）范式逐步成为主流大语言模型与智能体（Agent）系统的标配。几乎所有顶尖模型与 Agent 在技术报告中均提及强化学习微调流程，并大量引入基于反馈的后训练机制，从而获得显著性能提升。

为什么在大模型时代仍然离不开强化学习？过去，许多大模型训练以“预训练 → 监督微调（SFT）”为主。自 2025 年起，强化学习（RL）及其后训练（post-training）范式逐步成为主流大语言模型与智能体（Agent）系统的标配。几乎所有顶尖模型与 Agent 在技术报告中均提及强化学习微调流程，并大量引入基于反馈的后训练机制，从而获得显著性能提升。

基础知识笔者带大家学习了 `create_agent` API 的基本构建要素、消息机制与流式输出等核心操作。然而，`create_agent` 作为 LangChain 1.0 中新一代智能体构建的标准 API，其能力远不止于此。从工具调用的精细化控制，到记忆机制的灵活运用，再到细粒度的逻辑控制，它都提供了丰富而强大的高阶功能。本文作为该系列第三篇，将继续深入 `create_agent` 的相

基础知识笔者带大家学习了 `create_agent` API 的基本构建要素、消息机制与流式输出等核心操作。然而，`create_agent` 作为 LangChain 1.0 中新一代智能体构建的标准 API，其能力远不止于此。从工具调用的精细化控制，到记忆机制的灵活运用，再到细粒度的逻辑控制，它都提供了丰富而强大的高阶功能。本文作为该系列第三篇，将继续深入 `create_agent` 的相

作者和团队介绍：本文一作是高焕霖和陈平，通讯作者为赵放和廉士国，其他作者还包括石芙源、谭超、刘兆祥、王恺，所有作者均来自联通数据智能有限公司（联通数据科学与人工智能研究院）元景大模型研发团队。

作者和团队介绍：本文一作是高焕霖和陈平，通讯作者为赵放和廉士国，其他作者还包括石芙源、谭超、刘兆祥、王恺，所有作者均来自联通数据智能有限公司（联通数据科学与人工智能研究院）元景大模型研发团队。

在人工智能领域，真正的智能不仅表现为对即时刺激的响应，更体现在对未来行动的前瞻性思考。规划模式是AI Agent展现高级智能的核心机制，它使系统能够将复杂目标分解为可执行的步骤序列，从而系统性地从当前状态过渡到期望状态。

在人工智能领域，真正的智能不仅表现为对即时刺激的响应，更体现在对未来行动的前瞻性思考。规划模式是AI Agent展现高级智能的核心机制，它使系统能够将复杂目标分解为可执行的步骤序列，从而系统性地从当前状态过渡到期望状态。

很多人会有这样的疑惑：它们不是一回事吗？Agent 不就是在大模型外面包了一层“壳”吗？谷歌在最新的Agent 白皮书中给出了明确的答案：并非如此。 如果说大模型是拥有超强计算能力的“大脑”，那么智能体就是一个拥有手脚、感官和记忆的完整“人”。

很多人会有这样的疑惑：它们不是一回事吗？Agent 不就是在大模型外面包了一层“壳”吗？谷歌在最新的Agent 白皮书中给出了明确的答案：并非如此。 如果说大模型是拥有超强计算能力的“大脑”，那么智能体就是一个拥有手脚、感官和记忆的完整“人”。