auto_ai 知识库

Appearance

一句话总结：把 Agent 从"调框架"升级为"能拆解"——从最简 30 行跑通，到手写 ReAct 核心循环理解每一行，再到 LangGraph 节点化与生产化清单，这是 2 小时上手、随后按需加深的动手主线。

为什么从零写一遍 ​

  • 用框架 5 分钟出 Demo，但面试与排障都要求懂底层：每个 Agent 框架都是"循环 + 工具 + 记忆"的封装
  • 理解 ReAct 循环为什么能防死循环、如何优化 Lost-in-the-Middle，才算从 AI 的"用户"变成 AI 的"工程师"
  • 学习路径：先跑通（最简实现）→ 拆解（手写循环）→ 升级（LangGraph）→ 上生产

环境与项目结构（15 分钟） ​

bash
python -m venv agent-env
agent-env\Scripts\activate        # Windows
pip install openai python-dotenv requests
  • 国内 API：DeepSeek（base_url=https://api.deepseek.com/v1，价格约 OpenAI 1/20，接口兼容）或智谱 GLM——改 base_url 即可
  • 目录：src/{core,tools,memory}（core 分 agent.py 核心循环 + llm_client.py 调用封装）+ tests/ + logs/ + .env
  • 新手推荐：LangChain（文档全、例子多）或先纯手写理解再上框架

最简 Agent：先跑通（30 行） ​

python
from langchain_openai import ChatOpenAI
from langchain.agents import create_react_agent, AgentExecutor
from langchain_community.tools import DuckDuckGoSearchRun
from langchain import hub

llm = ChatOpenAI(model="gpt-4o")
agent = create_react_agent(llm, [DuckDuckGoSearchRun()], hub.pull("hwchase17/react"))
executor = AgentExecutor(agent=agent, tools=[DuckDuckGoSearchRun()], max_iterations=5)
print(executor.invoke({"input": "北京今天天气？"}))

跑通后删掉框架，手写一遍才能掌握核心。

手写 ReAct 核心循环（纯 Python） ​

核心思想：思考（Thought）→ 行动（Action）→ 观察（Observation）→ 再思考……直到 Final Answer。

python
def run_agent(user_input, tools, max_iterations=10):
    messages = [{"role": "system", "content": SYSTEM_PROMPT},  # 规定 Thought/Action/Action Input/Final Answer 格式
                {"role": "user", "content": user_input}]
    for _ in range(max_iterations):                 # max_iterations 防死循环与 Token 爆炸
        resp = llm.chat(messages)                    # 1. 决策：调工具 or 直接回答
        if resp 是 Final Answer:
            return resp
        action, args = parse(resp)                   # 2. 解析工具名与参数
        try:
            result = tools[action](**args)           # 3. 执行
        except Exception as e:
            result = {"error": str(e)}               # 4. 错误作为新 Observation，让模型自纠
        messages.append(tool_result(result))         # 5. 回注继续循环
    return "当前无法完成，请尝试简化需求"              # 兜底：达最大轮次强制结束

关键工程点：

  • max_iterations：硬性轮次上限——Agent 可能死循环，无上限一次对话能烧数百万 Token
  • 错误自纠：工具报错不抛异常杀死流程，转成 LLM 能读的 Observation 让它改参重试
  • 并行 Tool Calling：互不依赖的工具让 LLM 一次生成多个 tool_call，asyncio.gather 并发执行
  • 记忆：messages 列表即短期记忆；长期记忆另接向量库/摘要压缩（见 [AI-Agent-记忆系统](/学习笔记/AI技术/AI Agent/AI-Agent-记忆系统)）

工具定义：一个工具一张契约 ​

python
tools = [{
  "type": "function",
  "function": {
    "name": "get_weather",
    "description": "查询指定城市的天气",
    "parameters": {"type": "object",
      "properties": {"city": {"type": "string", "description": "城市名"}},
      "required": ["city"]}
  }
}]
  • 描述写清"做什么、何时用、边界"；用 enum 约束取值
  • 工具 > 20 个时准确率从约 95% 掉到 75-80%——按每级 5-8 个分组暴露，可恢复 90%+
  • 细粒度工具可封装成粗粒度工具、内部二次路由
  • 工具错误信息就是 Agent 的"新 Observation"：能否自愈取决于你给它什么错误消息

LangGraph 升级：从循环到图 ​

  • 节点化：把"决策"（agent_brain）与"执行"（execute_tools）拆成两个节点，逻辑干净、可测
  • 条件边：模型返回 tool_calls → 走执行节点；否则 → 直接回答（官方 Quickstart 范式）
  • 持久化 + 断点：支持人机协同（人工介入确认后再继续）
  • Agentic RAG：route（生成查询 or 直接答）→ retrieve → grade（相关性打分，不合格重查）→ generate
  • 多 Agent：meta agent 做有状态路由（Command(goto=...)）分发给子 Agent，每个子 Agent 是一个子图（Lyft 客服平台即此模式）
  • 角色分层：不同 Agent 用不同模型档位（如编码用 Pro 版、检索用普通版）——成本分层

生产化清单（上线前逐项过） ​

面措施
死循环max_iterations + Token 预算上限；达限强制结束并给降级回复
工具可靠性工具调用超时（asyncio.wait_for）+ 指数退避重试；只重试幂等调用
可观测性上线前必须接 Tracing（LangSmith/LangFuse）——Agent 排障不能靠猜
成本模型分层（简单→小模型）；相同 RAG 查询走缓存；Prompt 瘦身
安全写操作二次确认 + 审计日志；SQL 工具内部解析拒绝 DELETE/DROP/TRUNCATE
降级备用模型（主挂→备）；每步超时触发降级；健康检查 /ping；限流

推荐学习路线 ​

  1. 2 小时保姆级：从零搭建第一个 Agent（环境→组件→手写循环）
  2. 体系课程：Datawhale《从零开始构建智能体》（十六章节 + 五阶段 + 配套源码）
  3. 官方文档：LangChain LangGraph Quickstart → Agentic RAG 教程
  4. 生产案例：Lyft 客服平台（Router Multi-Agent）、超级研究员（三角色循环图）

面试要点 ​

  • 能手写 ReAct 循环骨架（含 max_iterations、错误自纠、并行 tool_call）
  • 能讲清 ReAct vs Plan-and-Execute 的选型（见 [AI-Agent-面试实战](/学习笔记/AI技术/AI Agent/AI-Agent-面试实战)）
  • 能报出工具数量与准确率的经验值（>20 个 → 75-80%，分组 → 90%+）
  • 能说清为什么"工具错误信息=新 Observation"是智能的关键

相关概念 ​

  • [AI-Agent-工具调用](/学习笔记/AI技术/AI Agent/AI-Agent-工具调用) — Function Calling 闭环与错误分类
  • [AI-Agent-工作流编排](/学习笔记/AI技术/AI Agent/AI-Agent-工作流编排) — Workflows vs Agents、九大设计模式
  • [AI-Agent-生产部署](/学习笔记/AI技术/AI Agent/AI-Agent-生产部署) — 上线基线、可观测、成本治理
  • [AI-Agent-记忆系统](/学习笔记/AI技术/AI Agent/AI-Agent-记忆系统) — 短期/长期记忆落地
  • [AI-Agent-评估评测](/学习笔记/AI技术/AI Agent/AI-Agent-评估评测) — 怎么验证 Agent 变好