本文介绍了大模型Agent的概念及其优势Agent通过结合大模型、思考决策逻辑和外部工具集能够自主判断、选择工具并分步完成复杂任务。文章详细解析了ReAct架构Agent的四大核心模块大模型、自定义工具集、工具装饰器和ReAct调度器并通过实例展示了Agent的完整执行流程包括接收用户输入、大模型推理、执行动作和结果回传等步骤。最后提供了基于LangChain和DeepSeek大模型的Agent实战代码帮助读者理解和应用Agent技术。什么是大模型 Agent单纯的大模型只会基于自身知识生成文本存在两个明显短板知识有截止时间无法获取实时信息不能操作外部环境没法读写文件、执行计算、调用接口。而 Agent智能体就是给大模型装上「手脚」和「思考决策能力」。简单总结Agent 大模型 思考决策逻辑 外部工具集它不再是被动问答而是可以自主判断、自主选择工具、分步完成复杂任务。我们本次实战的代码就是最经典的 ReAct 架构 Agent也是目前工业界使用最广的智能体模式。技术栈说明及使用环境LangChain1.3.2 LangGraph1.2.2 模型DeepSeek 通用大模型整体架构拆解四大核心模块先看整体结构我们的 Agent 一共由 4 个部分组成缺一不可大模型 LLM负责思考、判断、生成调用指令自定义 Tools 工具集外部可执行能力文件、计算、查询等tool 装饰器LangChain 标准工具封装方式ReAct Agent 调度器串联「思考→调用工具→汇总结果」全流程大模型 LLMapikey sk-xxxxxxx baseurl https://api.deepseek.com/v1 llm ChatOpenAI( modeldeepseek-chat, temperature0.5, api_keyapikey, base_urlbaseurl )Tool 工具Agent 的手脚工具是 Agent 能落地业务的关键。LangChain 统一使用 tool 装饰器 来定义工具这是官方标准写法。tool def 工具名(入参: 类型) - 字符串: 工具描述非常重要模型靠这段文字理解工具用途 :param 参数名: 参数说明 # 业务逻辑 return 执行结果ReAct 调度器核心执行逻辑# 所有定义工具加入tools数组 tools [write_to_file,write_file,list_files,delete_file,calculate,get_weather] # 绑定agent agent create_react_agent(llm, tools)这一行代码背后就是整个 Agent 的决策循环逻辑。**ReAct Reason推理思考 Act执行动作**也是整个智能体最核心的运行机制。ReAct Agent 完整执行流程示例命令 今天的深圳天气怎么样帮信息存在weather.txt步骤 1接收用户输入用户提问被封装为消息格式送入 Agent{messages: [(user, 今天的深圳天气怎么样帮信息存在weather.txt)]}步骤 2大模型「推理 Reason」模型收到三类信息用户原始问题所有工具的名称、功能描述、入参要求历史执行记录模型自主判断这个任务无法直接回答需要调用工具 → 选择delete_file工具 → 提取参数file_namepoem.txt然后输出工具调用指令而非自然语言回答。步骤 3执行动作 Act调用工具Agent 调度器解析模型的调用指令找到对应工具函数传入参数并本地执行代码校验文件路径是否在安全目录判断文件是否存在执行删除逻辑返回工具执行结果成功 / 失败信息步骤 4结果回传给大模型二次汇总工具执行结果再次发回大模型。模型拿到执行状态后不再调用新工具整理信息生成最终自然语言回答返回给用户。完整个代码如下import os from dotenv import load_dotenv from langchain_openai import ChatOpenAI from langchain_core.tools import tool from langgraph.prebuilt import create_react_agent # 1. 加载环境变量 load_dotenv() # 2. 定义安全工作目录沙箱隔离 WORK_DIR rsafe_files os.makedirs(WORK_DIR, exist_okTrue) # 3. 初始化大模型Agent 大脑 api_key sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxx base_url https://api.deepseek.com/v1 llm ChatOpenAI( modeldeepseek-chat, temperature0.5, api_keyapi_key, base_urlbase_url ) # ---------------------- 自定义工具集Agent 手脚 ---------------------- tool def write_to_file(file_name: str, content: str) - str: 将内容写入指定文件仅允许写入安全目录内的文件 file_path os.path.abspath(os.path.join(WORK_DIR, file_name)) if not file_path.startswith(os.path.abspath(WORK_DIR)): return ❌ 错误禁止写入安全目录外的文件 try: with open(file_path, w, encodingutf-8) as f: f.write(content) return f✅ 成功写入文件{file_path} except Exception as e: return f❌ 写入失败{str(e)} tool def list_files() - str: 列出安全目录下所有文件 try: files os.listdir(WORK_DIR) return 当前目录文件\n \n.join(files) except Exception as e: return f列出失败: {str(e)} tool def delete_file(file_name: str) - str: 删除安全目录内指定文件 file_path os.path.abspath(os.path.join(WORK_DIR, file_name)) if not file_path.startswith(os.path.abspath(WORK_DIR)): return 错误禁止删除安全目录外的文件 if not os.path.exists(file_path): return 错误文件不存在 try: os.remove(file_path) return f已成功删除文件: {file_name} except Exception as e: return f删除失败: {str(e)} tool def calculate(expression: str) - str: 计算数学表达式示例(1020)*5 try: result eval(expression, {__builtins__: None}, {}) return f计算结果: {expression} {result} except Exception as e: return f计算失败: {str(e)} tool def get_weather(city: str) - str: 查询指定城市天气 data { 北京: 晴天 25℃湿度40%, 上海: 多云 27℃湿度65%, 广州: 小雨 30℃湿度85%, 深圳: 晴转多云 28℃湿度70% } return data.get(city, f{city} 暂无天气数据) # 注册所有工具 tools [write_to_file, list_files, delete_file, calculate, get_weather] # 4. 创建 ReAct 智能体调度核心 agent create_react_agent(llm, tools) # 5. 启动测试 if __name__ __main__: print(Agent 已启动请等待任务执行...) # 可自行修改测试指令 user_input 帮删除 safe_files 中的 poem.txt response agent.invoke({ messages: [(user, user_input)] }) print(\n 最终回答 ) print(response[messages][-1].content)结语抓住大模型时代的职业机遇AI大模型的发展不是“替代人类”而是“重塑职业价值”——它淘汰的是重复性、低附加值的工作却催生了更多需要“技术业务”交叉能力的高端岗位。对于求职者而言想要在这波浪潮中立足不仅需要掌握Python、TensorFlow/PyTorch等技术工具更要深入理解目标行业的业务逻辑如金融的风险控制、医疗的临床需求成为“懂技术、懂业务”的复合型人才。无论是技术研发岗如算法工程师、研究员还是业务落地岗如产品经理、应用工程师大模型都为不同背景的职场人提供了广阔的发展空间。只要保持学习热情紧跟技术趋势就能在AI大模型时代找到属于自己的职业新蓝海。最近两年大模型发展很迅速在理论研究方面得到很大的拓展基础模型的能力也取得重大突破大模型现在正在积极探索落地的方向如果与各行各业结合起来是未来落地的一个重大研究方向大模型应用工程师年包50w属于中等水平如果想要入门大模型那现在正是最佳时机2025年Agent的元年2026年将会百花齐放相应的应用将覆盖文本视频语音图像等全模态如果你对AI大模型入门感兴趣那么你需要的话可以点击这里大模型重磅福利入门进阶全套104G学习资源包免费分享扫描下方csdn官方合作二维码获取哦给大家推荐一个大模型应用学习路线这个学习路线的具体内容如下第一节提示词工程提示词是用于与AI模型沟通交流的这一部分主要介绍基本概念和相应的实践高级的提示词工程来实现模型最佳效果以现实案例为基础进行案例讲解在企业中除了微调之外最喜欢的就是用提示词工程技术来实现模型性能的提升第二节检索增强生成RAG可能大家经常会看见RAG这个名词这个就是将向量数据库与大模型结合的技术通过外部知识来增强改进提升大模型的回答结果这一部分主要介绍RAG架构与组件从零开始搭建RAG系统生成部署RAG性能优化等第三节微调预训练之后的模型想要在具体任务上进行适配那就需要通过微调来提升模型的性能能满足定制化的需求这一部分主要介绍微调的基础模型适配技术最佳实践的案例以及资源优化等内容第四节模型部署想要把预训练或者微调之后的模型应用于生产实践那就需要部署模型部署分为云端部署和本地部署部署的过程中需要考虑硬件支持服务器性能以及对性能进行优化使用过程中的监控维护等第五节人工智能系统和项目这一部分主要介绍自主人工智能系统包括代理框架决策框架多智能体系统以及实际应用然后通过实践项目应用前面学习到的知识包括端到端的实现行业相关情景等学完上面的大模型应用技术就可以去做一些开源的项目大模型领域现在非常注重项目的落地后续可以学习一些Agent框架等内容上面的资料做了一些整理有需要的同学可以下方添加二维码获取仅供学习使用
大模型装上“手脚“：Agent智能体实战指南，轻松搞定复杂任务！
本文介绍了大模型Agent的概念及其优势Agent通过结合大模型、思考决策逻辑和外部工具集能够自主判断、选择工具并分步完成复杂任务。文章详细解析了ReAct架构Agent的四大核心模块大模型、自定义工具集、工具装饰器和ReAct调度器并通过实例展示了Agent的完整执行流程包括接收用户输入、大模型推理、执行动作和结果回传等步骤。最后提供了基于LangChain和DeepSeek大模型的Agent实战代码帮助读者理解和应用Agent技术。什么是大模型 Agent单纯的大模型只会基于自身知识生成文本存在两个明显短板知识有截止时间无法获取实时信息不能操作外部环境没法读写文件、执行计算、调用接口。而 Agent智能体就是给大模型装上「手脚」和「思考决策能力」。简单总结Agent 大模型 思考决策逻辑 外部工具集它不再是被动问答而是可以自主判断、自主选择工具、分步完成复杂任务。我们本次实战的代码就是最经典的 ReAct 架构 Agent也是目前工业界使用最广的智能体模式。技术栈说明及使用环境LangChain1.3.2 LangGraph1.2.2 模型DeepSeek 通用大模型整体架构拆解四大核心模块先看整体结构我们的 Agent 一共由 4 个部分组成缺一不可大模型 LLM负责思考、判断、生成调用指令自定义 Tools 工具集外部可执行能力文件、计算、查询等tool 装饰器LangChain 标准工具封装方式ReAct Agent 调度器串联「思考→调用工具→汇总结果」全流程大模型 LLMapikey sk-xxxxxxx baseurl https://api.deepseek.com/v1 llm ChatOpenAI( modeldeepseek-chat, temperature0.5, api_keyapikey, base_urlbaseurl )Tool 工具Agent 的手脚工具是 Agent 能落地业务的关键。LangChain 统一使用 tool 装饰器 来定义工具这是官方标准写法。tool def 工具名(入参: 类型) - 字符串: 工具描述非常重要模型靠这段文字理解工具用途 :param 参数名: 参数说明 # 业务逻辑 return 执行结果ReAct 调度器核心执行逻辑# 所有定义工具加入tools数组 tools [write_to_file,write_file,list_files,delete_file,calculate,get_weather] # 绑定agent agent create_react_agent(llm, tools)这一行代码背后就是整个 Agent 的决策循环逻辑。**ReAct Reason推理思考 Act执行动作**也是整个智能体最核心的运行机制。ReAct Agent 完整执行流程示例命令 今天的深圳天气怎么样帮信息存在weather.txt步骤 1接收用户输入用户提问被封装为消息格式送入 Agent{messages: [(user, 今天的深圳天气怎么样帮信息存在weather.txt)]}步骤 2大模型「推理 Reason」模型收到三类信息用户原始问题所有工具的名称、功能描述、入参要求历史执行记录模型自主判断这个任务无法直接回答需要调用工具 → 选择delete_file工具 → 提取参数file_namepoem.txt然后输出工具调用指令而非自然语言回答。步骤 3执行动作 Act调用工具Agent 调度器解析模型的调用指令找到对应工具函数传入参数并本地执行代码校验文件路径是否在安全目录判断文件是否存在执行删除逻辑返回工具执行结果成功 / 失败信息步骤 4结果回传给大模型二次汇总工具执行结果再次发回大模型。模型拿到执行状态后不再调用新工具整理信息生成最终自然语言回答返回给用户。完整个代码如下import os from dotenv import load_dotenv from langchain_openai import ChatOpenAI from langchain_core.tools import tool from langgraph.prebuilt import create_react_agent # 1. 加载环境变量 load_dotenv() # 2. 定义安全工作目录沙箱隔离 WORK_DIR rsafe_files os.makedirs(WORK_DIR, exist_okTrue) # 3. 初始化大模型Agent 大脑 api_key sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxx base_url https://api.deepseek.com/v1 llm ChatOpenAI( modeldeepseek-chat, temperature0.5, api_keyapi_key, base_urlbase_url ) # ---------------------- 自定义工具集Agent 手脚 ---------------------- tool def write_to_file(file_name: str, content: str) - str: 将内容写入指定文件仅允许写入安全目录内的文件 file_path os.path.abspath(os.path.join(WORK_DIR, file_name)) if not file_path.startswith(os.path.abspath(WORK_DIR)): return ❌ 错误禁止写入安全目录外的文件 try: with open(file_path, w, encodingutf-8) as f: f.write(content) return f✅ 成功写入文件{file_path} except Exception as e: return f❌ 写入失败{str(e)} tool def list_files() - str: 列出安全目录下所有文件 try: files os.listdir(WORK_DIR) return 当前目录文件\n \n.join(files) except Exception as e: return f列出失败: {str(e)} tool def delete_file(file_name: str) - str: 删除安全目录内指定文件 file_path os.path.abspath(os.path.join(WORK_DIR, file_name)) if not file_path.startswith(os.path.abspath(WORK_DIR)): return 错误禁止删除安全目录外的文件 if not os.path.exists(file_path): return 错误文件不存在 try: os.remove(file_path) return f已成功删除文件: {file_name} except Exception as e: return f删除失败: {str(e)} tool def calculate(expression: str) - str: 计算数学表达式示例(1020)*5 try: result eval(expression, {__builtins__: None}, {}) return f计算结果: {expression} {result} except Exception as e: return f计算失败: {str(e)} tool def get_weather(city: str) - str: 查询指定城市天气 data { 北京: 晴天 25℃湿度40%, 上海: 多云 27℃湿度65%, 广州: 小雨 30℃湿度85%, 深圳: 晴转多云 28℃湿度70% } return data.get(city, f{city} 暂无天气数据) # 注册所有工具 tools [write_to_file, list_files, delete_file, calculate, get_weather] # 4. 创建 ReAct 智能体调度核心 agent create_react_agent(llm, tools) # 5. 启动测试 if __name__ __main__: print(Agent 已启动请等待任务执行...) # 可自行修改测试指令 user_input 帮删除 safe_files 中的 poem.txt response agent.invoke({ messages: [(user, user_input)] }) print(\n 最终回答 ) print(response[messages][-1].content)结语抓住大模型时代的职业机遇AI大模型的发展不是“替代人类”而是“重塑职业价值”——它淘汰的是重复性、低附加值的工作却催生了更多需要“技术业务”交叉能力的高端岗位。对于求职者而言想要在这波浪潮中立足不仅需要掌握Python、TensorFlow/PyTorch等技术工具更要深入理解目标行业的业务逻辑如金融的风险控制、医疗的临床需求成为“懂技术、懂业务”的复合型人才。无论是技术研发岗如算法工程师、研究员还是业务落地岗如产品经理、应用工程师大模型都为不同背景的职场人提供了广阔的发展空间。只要保持学习热情紧跟技术趋势就能在AI大模型时代找到属于自己的职业新蓝海。最近两年大模型发展很迅速在理论研究方面得到很大的拓展基础模型的能力也取得重大突破大模型现在正在积极探索落地的方向如果与各行各业结合起来是未来落地的一个重大研究方向大模型应用工程师年包50w属于中等水平如果想要入门大模型那现在正是最佳时机2025年Agent的元年2026年将会百花齐放相应的应用将覆盖文本视频语音图像等全模态如果你对AI大模型入门感兴趣那么你需要的话可以点击这里大模型重磅福利入门进阶全套104G学习资源包免费分享扫描下方csdn官方合作二维码获取哦给大家推荐一个大模型应用学习路线这个学习路线的具体内容如下第一节提示词工程提示词是用于与AI模型沟通交流的这一部分主要介绍基本概念和相应的实践高级的提示词工程来实现模型最佳效果以现实案例为基础进行案例讲解在企业中除了微调之外最喜欢的就是用提示词工程技术来实现模型性能的提升第二节检索增强生成RAG可能大家经常会看见RAG这个名词这个就是将向量数据库与大模型结合的技术通过外部知识来增强改进提升大模型的回答结果这一部分主要介绍RAG架构与组件从零开始搭建RAG系统生成部署RAG性能优化等第三节微调预训练之后的模型想要在具体任务上进行适配那就需要通过微调来提升模型的性能能满足定制化的需求这一部分主要介绍微调的基础模型适配技术最佳实践的案例以及资源优化等内容第四节模型部署想要把预训练或者微调之后的模型应用于生产实践那就需要部署模型部署分为云端部署和本地部署部署的过程中需要考虑硬件支持服务器性能以及对性能进行优化使用过程中的监控维护等第五节人工智能系统和项目这一部分主要介绍自主人工智能系统包括代理框架决策框架多智能体系统以及实际应用然后通过实践项目应用前面学习到的知识包括端到端的实现行业相关情景等学完上面的大模型应用技术就可以去做一些开源的项目大模型领域现在非常注重项目的落地后续可以学习一些Agent框架等内容上面的资料做了一些整理有需要的同学可以下方添加二维码获取仅供学习使用
