1. 课程导入

说实话，我第一次接触“智能体”这个概念时，也觉得挺玄乎的。那时候我在做一个自动化客服系统，老板说“我们要做一个能自己思考的机器人”。我当时就想——程序不就是按规则执行吗？怎么自己思考？

后来我才明白，AI智能体（Agent），说白了就是一个能自主感知环境、做出决策并采取行动的软件实体。它不像传统程序那样只会按固定路径走，而是能根据当前情况灵活调整行为。

举个例子。你写一个计算器程序，输入1+1，它永远返回2。这叫传统程序。但你做一个智能体，告诉它“帮我订一张明天去北京的机票”，它会自己去查航班、比价格、选座位、下单支付。遇到没票了，它还会主动问你要不要改期。

这就是智能体与传统程序最本质的区别——它有自己的“脑子”。

1.1 智能体的核心特征

我习惯把智能体的特征拆成三个关键词：自主性、感知、行动。这三个词缺一不可。

特征	含义	举个栗子
自主性	无需人工干预，自己决定做什么	智能客服自动判断用户情绪，切换语气
感知	从环境中获取信息	读取用户输入、调用API、爬取网页
行动	对环境产生影响	发送邮件、操作数据库、控制硬件

自主性是智能体的灵魂。我见过很多所谓的“智能系统”，其实只是把一堆if-else堆在一起。真正的自主性，是智能体能在没有人类指令的情况下，自己判断“现在该做什么”。

感知是智能体的眼睛和耳朵。没有感知，智能体就是个瞎子。在LangChain里，感知通常通过工具（Tools）来实现——比如读取文件、调用搜索引擎、查询数据库。

行动是智能体的手和脚。光想不做，那是哲学家。智能体必须能执行具体操作，比如写文件、发请求、控制设备。

1.2 智能体与传统程序的区别

这个问题我经常被问到。很多开发者觉得，智能体不就是“高级一点的程序”吗？

嗯，还真不是。我画个对比表你就明白了。

维度	传统程序	AI智能体
执行逻辑	固定流程，线性执行	动态决策，循环推理
输入处理	结构化数据，格式固定	自然语言，模糊指令
错误处理	抛出异常，终止运行	尝试重试，调整策略
扩展性	需要修改代码	通过工具动态扩展
状态管理	全局变量或数据库	记忆+上下文窗口

传统程序就像火车，轨道铺好了，它只能沿着走。智能体更像一辆越野车，虽然也有大致方向，但具体走哪条路，它自己看着办。

我曾经维护过一个电商推荐系统。传统做法是：用户浏览了A商品，就推荐和A相似的商品。但智能体做法是：用户浏览了A，智能体会先判断用户意图——是随便看看？还是准备下单？还是比价？然后根据意图采取不同行动。

1.3 智能体的核心工作流程

理解了概念，我们来看看智能体到底是怎么工作的。我习惯用下面这张图来描述它的核心循环。

这个循环看着简单，但实际做起来坑不少。我刚开始做的时候，经常遇到智能体陷入死循环——感知到结果，决策后行动，行动完又感知到同样的结果，然后重复决策...嗯，后来我加了一个最大迭代次数的限制，才解决了这个问题。

1.4 智能体的分类

根据复杂程度，我习惯把智能体分成三类。这个分类不是学术标准，是我在实际项目中总结出来的。

• 简单反射型智能体：基于当前感知直接行动。比如恒温器，温度高了就开空调。没有记忆，没有推理。
• 基于模型的智能体：维护一个内部状态（模型），能记住过去的信息。比如下棋AI，它记得之前的走法。
• 基于目标的智能体：不仅有模型，还有明确的目标。它会规划多条路径，选择最能达成目标的那条。比如旅行规划助手。

在LangChain框架里，我们主要做的是基于目标的智能体。因为大模型本身就有推理能力，再加上工具调用，天然适合做目标驱动的决策。

1.5 为什么选择LangChain做智能体

市面上做智能体的框架不少，为什么我推荐LangChain？

说白了，LangChain把智能体开发中最麻烦的几个问题都封装好了：

1. 工具管理：不用自己写工具注册和调用逻辑
2. 记忆系统：内置多种记忆方案，开箱即用
3. 推理引擎：支持ReAct、Plan&Execute等多种推理模式
4. 模型切换：换大模型就像换插件一样简单

我记得第一次用LangChain搭智能体，只用了50行代码就实现了一个能查天气、设提醒、发邮件的助手。要是自己从头写，光工具调度就得几百行。