目录一、Agent 的本质三件套 一个循环二、用一个例子看清循环北京旅游推荐穿搭三、Agent vs Workflow vs Dify/Coze别再混为一谈三种东西的本质区别四、Agent 的核心组件Tool、AgentType、LLM、initialize_agent1. Tool工具专注做一件小事的功能模块2. AgentType代理类型决定 Agent 怎么思考3. LLM大模型Agent 的大脑4. initialize_agent把大脑和手脚组装起来五、实战一个能查天气 查百科的最小 Agent六、深度延伸为什么 Agent 是 2026 年大模型应用的主旋律1. Agent 不是替代 RAG而是 RAG 的升级版2. 循环是 Agent 真正的护城河3. 框架只是脚手架业务理解才是天花板结语基于 LangChain 通义千问的实战拆解弄懂 Tool、ReAct 与循环推理如果你点开了 2025–2026 年任意一份大模型岗位招聘需求AI Agent 几乎一定会出现在加分项里。但真正动手写过 Agent 的人往往会在三个问题上卡住Agent 和普通 ChatBot 的本质差别到底在哪为什么 Agent 要循环——一次性回答不行吗LangChain 里initialize_agent那几个参数到底在配什么这篇整理自 B 站极客教学《2026 最新版 AI Agent 智能体系统教程》第三讲《Agent 的核心组件》。视频用 讲完三件事Agent 的循环决策机制、它和工作流/Dify 的边界以及用 LangChain 跑一个能查天气、查百科的最小 Agent。下面把它重新组织成一篇结构化文章把 ASR 噪声清掉把代码补齐把听懂了但写不出来的几个点单独拎出来讲清楚。一、Agent 的本质三件套 一个循环视频一开始就把 Agent 拆成了三件事LLM 大脑负责思考、推理、做决策工具Tools负责执行。LLM 本身不会查数据库、不会调 API、不会发邮件这些都得靠工具循环决策机制让思考 → 执行 → 观察 → 再思考能持续跑下去直到任务真正完成。老师把它比作一个比喻LLM 是大脑工具是手脚循环是让大脑和手脚能不断协作的神经回路。缺任何一个要么变成纯聊天没工具要么变成一把梭哈不思考直接调 API要么跑一次就停没循环。03:06 课程笔记里画的循环机制思考 → 执行 → 反馈 → 再次思考直到任务结束二、用一个例子看清循环北京旅游推荐穿搭视频里反复用的那个例子特别好懂用户我打算去北京旅游帮我推荐一下穿搭。这个问题表面是一句话其实拆开是两步查北京的天气执行性任务需要外部数据根据天气给穿搭建议推理性任务需要 LLM 自己组织答案。Agent 的循环跑起来就是这样的第 1 轮LLM 思考 → 要推荐穿搭得先知道天气 → 调用Weather工具 → 拿到北京天气数据 → 输出 Observation。第 2 轮LLM 思考 → 天气的数据有了但穿搭还没给 → 再调一次可能是穿搭知识库、穿衣指数 API、或直接靠 LLM 自身→ 拿到穿搭建议。第 N 轮直到 LLM 判断用户的问题已经被完整回答了循环结束给出 Final Answer。这就是为什么 Agent 要循环——因为用户的指令天然是多步的而一次思考 一次工具调用往往不够。ReAct 框架Reason Act的精髓就在这里把思考和动作交替起来每一步都基于上一步的结果。视频里老师还补了一个常被忽略的点循环不只是为了完成多步任务它也是降低 LLM 幻觉的关键手段。孙中山是哪一年诞生的这种问题如果让 LLM 直接答它可能一本正经地胡说八道而 Agent 的循环会强制它先去查工具、拿到事实再基于事实回答——把生成从凭空编变成有据可查。三、Agent vs Workflow vs Dify/Coze别再混为一谈这是视频里我特别认同的一段澄清。很多同学看到 Dify 里有大模型节点、有 RAG、有知识库就以为这不就是 Agent 吗——其实不是。三种东西的本质区别Workflow工作流流程是写死的。开发者把先做 A再做 B再做 C画死在画布上每一步输入输出都明确。适合 FAQ 客服、固定业务审批、标准化流程Dify / Coze低代码平台底层引擎其实也是工作流只是把画流程做成了可视化拖拽。对没有代码背景的产品/运营特别友好能快速搭一个 RAG 原型Agent智能体流程不是写死的而是由 LLM 在运行时自己决定下一步做什么、调用哪个工具。这就是老师反复强调的自主性和灵活性。视频里给了一个很直观的对比实验输入爱因斯坦——• 如果是一个固定工作流它要么查不到要么必须你事先把爱因斯坦接到某个节点上• 而 Agent 会自己判断我得查生平、查贡献、查诺贝尔奖——然后调用对应的工具。所以结论是用了大模型 ≠ 是 Agent。Dify 里跑了 Qwen 模型本质仍然是工作流真正的 Agent 必须有自己选工具、自己决定调用顺序的自主性。这也是 ReAct 这种 Agent 范式和 Coze 这种低代码平台的根本分野。四、Agent 的核心组件Tool、AgentType、LLM、initialize_agent视频后半段进入代码环节。LangChain 里的 Agent 其实就是四个组件的拼装老师用一张表把它们讲得很清楚Agent 四件套Tool、AgentType、LLM、initialize_agent1. Tool工具专注做一件小事的功能模块原则一个工具只做一件事。查天气是一个工具查汇率是另一个查百科又是另一个。就像厨房里的不同电器——微波炉只管加热烤箱只管烘焙——Agent 会根据你的需求挑对应的电器。在 LangChain 里定义一个工具需要三件事name工具的名字LLM 要靠这个名字来选择func真正干活的函数description对工具的描述这是给 LLM 看的 Prompt写得好不好直接决定 Agent 会不会正确选中它。2. AgentType代理类型决定 Agent 怎么思考这是视频里被一带而过、但实际很重要的概念。LangChain 里 AgentType 决定了 Agent 的推理范式最常见的就是ReActReactive Reasoning——也就是视频里演示的思考 → 行动 → 观察 → 再思考的循环。不同 AgentType 的区别在于是 ReAct 还是 Plan-and-Execute支持哪些工具类型允不允许多输入3. LLM大模型Agent 的大脑视频里用的是通义千问qwen-turbo通过 DashScope API。选哪个 LLM 取决于三个要素推理能力、工具调用能力、成本。ReAct 这种 Agent 对模型的指令遵循和推理能力要求不低qwen-turbo是性价比不错的起点如果要更稳定的工具调用表现可以考虑qwen-plus或 DeepSeek 系列。4.initialize_agent把大脑和手脚组装起来这一行代码就是 Agent 的工厂函数——把 LLM、tools、agent_type 三个参数塞进去它返回一个可以.run(query)的 Agent 对象。注意LangChain 0.1 之后initialize_agent被标记为 deprecated新写法是create_react_agent/create_structured_chat_agent等这是视频截图里那个LangChainDeprecationWarning提示的来由。五、实战一个能查天气 查百科的最小 Agent理论讲完视频直接给了两段能跑的代码天气工具基于和风天气 API和百科工具基于 wikipedia。我们看天气工具这段老师的代码里藏了一个值得展开的细节20:26 老师圈出的三处weather[text]天气现象、weather[windDir]风向、weather[temp]温度和风天气的免费接口有个不太友好的设计要先用城市名查 ID再用 ID 查天气。这正好示范了工具函数可以多复杂都行只要func能返回字符串就行。代码层面要点用requests.get()调两次 APItry/except兜底失败时返回可读的报错字符串最终return一个格式化好的字符串——这就是 LLM 看到的Observation。Wikipedia 工具相对简单但视频里老师提了一个很有意思的对比问 LLM 牛顿是谁即使不调 wikipedia 工具qwen-turbo 也能直接回答——因为它在训练时已经看过大量维基百科内容。但模型记住的可能是几个月前的快照调 API 则能拿到实时数据。这就是为什么 Agent 设计里有个微妙的权衡有些工具调了反而多余LLM 已经知道有些工具不调就会出错实时/私有数据。生产环境里你需要在 description 里写清楚什么情况下用我让 Agent 自己判断。来看实际跑起来的样子一次完整的 Agent 执行ActionWeather → Action Input上海 → Observation实况数据 → Thought已获取 → Final Answer注意看右侧日志里那几行结构化输出Action / Action Input / Observation / Thought / Final Answer——这就是 ReAct 的标准格式。如果你想 debug Agent把这几行打出来就能完整还原它的思考过程。问牛顿时Agent 主动选择调用 Wikipedia 工具并把搜索结果整合成中文回答六、深度延伸为什么 Agent 是 2026 年大模型应用的主旋律视频到这里就结束了但有三个点值得在文章里展开——因为它们决定了为什么所有大厂都在押注 Agent。1. Agent 不是替代 RAG而是 RAG 的升级版很多教程会把 RAG 和 Agent 并列比较但更准确的理解是Agent 是 RAG 思想的一般化。RAG 让 LLM 在回答前去查一个向量数据库只读、单一来源Agent 让 LLM 在回答前可以查数据库、调 API、跑代码、发邮件——可读、可写、可执行。如果把 RAG 当作 Agent 的一个工具即一个查知识的 Tool两者就统一了。2. 循环是 Agent 真正的护城河单次调用 LLM 已经是红海工具调用也逐渐成为标配但把多步推理稳定地循环起来这件事工程门槛其实很高循环什么时候停需要终止条件工具调用失败了怎么办需要重试/降级循环跑飞了怎么办需要步数上限和超时怎么让循环跑得更便宜需要缓存、token 优化这些工程化问题就是 LangChain、LangGraph、AutoGen 这类框架要解决的——也是 B 站这条教程反复出现循环决策机制四个字的原因。3. 框架只是脚手架业务理解才是天花板视频里老师有个观点我非常认同代码不难难的是想清楚业务。LangChain 的 API 半小时就能上手但怎么把一个真实业务拆成哪些步骤交给 LLM 推理、哪些步骤用固定工具调用、哪些步骤需要人来审——这才是 Agent 工程师真正的价值。结语Agent 不是新概念但 2025–2026 年这一波 Agent 浪潮的本质是让思考 行动的循环从学术 demo 走到了生产环境。如果你刚入门建议先按这条教程的路径走一遍用 LangChain 通义千问搭一个两三个工具的 Agent跑通 ReAct 循环看清楚Action → Observation → Thought → Final Answer这条链路到底是怎么走的——这是后面所有复杂 Agent多智能体协作、人在回路、长期记忆的起点。