推理 → 行动 → 观察：用 LangChain + Python 实现一个智能体循环

关注

原创最新推荐文章于 2026-08-27 16:39:22 发布 156 阅读 AI 写同款· GEO 优化 ›

OpenViking上下文数据库Golang集成实践技术创新文件系统范式：将AI Agent的上下文管理从扁平向量存储提升为结构化文件系统分层检索策略：L0/L1/L2三层加载机制，减少62.1%的Token消耗记忆自迭代：会话提交触发Agent经验沉淀，实现越用越智能工程实践完整Golang实现：提供生产级可用的OpenViking客户端库企业级集成方案：涵盖文档摄入、检索、会话管理等全流程性能优化成果：检索准确率提升24.1%，响应时间减少53.3%可观测性提升可视化检索轨迹：实现检索过程的白盒化，调试效率提升77.1%全面监控指标。阅读详情

如果你用过 ChatGPT 或 Claude的话对标准聊天机器人的工作方式应该不陌生：提问然后得到一个回答。但如果交给它一个多步骤任务呢？比如：“帮我找到最便宜航班，查询我的常旅客积分，并预订最佳选项”。

这时标准聊天机器人就会卡住，因为它没有在单次响应之后继续推进的机制。

智能体循环架构（agentic loop architecture）就是为了解决这一局限而出现的。下面这篇介绍会说明它是什么、如何工作，以及如何把它实现出来。

简单聊天机器人与 AI 智能体的区别

聊天机器人以单次通过（single pass）的方式运行他的交互流程是：用户发送消息，LLM 生成响应，流程结束。一次输入对应一次输出，没有任何记忆或状态被带入下一步。

智能体则是被设计用来行动（act），而不只是响应。两者之间的差异，可以归结为一个非常基础的编程概念while 循环。

智能体循环是一种迭代循环：LLM 在其中使用工具、根据反馈做出调整，并反复执行这一过程，直到任务彻底完成。

智能体循环的 5 个阶段

智能体循环一般跨越五个阶段。

感知（Perceive）：智能体接收输入，可能是用户的 Prompt、某个 API 的响应，或是一条错误消息。
推理（Reason）：LLM 处理这段上下文，决定下一步该做什么。
规划（Plan）：面对复杂目标时，智能体会把目标拆解为更小的子任务。
行动（Act）：智能体执行具体动作——运行代码、查询数据库或调用 API。
观察（Observe）：智能体查看动作的结果，判断它是否生效，或者计划是否需要调整。

在多数任务中，核心执行循环可以进一步简化为持续迭代的三步：推理 → 行动 → 观察。

智能体循环的核心迭代

架构 / 流程图

下面是这一架构的简单可视化示意：

详细的智能体循环架构

循环实际是怎么跑起来的：一个简单示例

设想给一个智能体下达这样的指令：“找出 2026 年发表的、关于智能体记忆的被引用次数最多的论文，并对其进行总结。”

循环的执行过程大致如下：

第 1 次迭代（推理 → 行动 → 观察）：智能体推理出需要搜索 2026 年的论文；通过调用搜索 API 进行行动；观察到一份包含 15 篇论文的列表。
第 2 次迭代：智能体推理出需要拿到被引用次数最多那篇结果的正文；通过文档检索工具进行行动；观察到完整的摘要。
第 3 次迭代：智能体推理出信息已经足够；生成总结，结束循环。

在底层，整个架构归结为几行逻辑的Python 伪代码：

 
while not done:  

    response = call_llm(messages)  

    if response has tool_calls:  

        results = execute_tools(response.tool_calls)  

        messages.append(results)  

    else:  

        done = True  

        return response

用 Python 实现一个基础版本（LangChain）

下面是用 Python、LangChain 和一个 Oracle 数据库连接来实现智能体循环的基础示例，其中 Oracle 数据库连接被用于工具执行。

 
from langchain.agents import create_agent  

from langchain_core.tools import tool  

from langchain_core.messages import AIMessage, ToolMessage  

# 1. 定义智能体可以执行（ACT）的工具  

@tool  

def calculate(expression: str) -> str:  

    """对一个数学表达式求值。"""  

    pass # 此处实现  

@tool  

def timezone_convert(time_str: str, from_city: str, to_city: str) -> str:  

    """在城市之间转换本地时间。"""  

    pass # 此处实现  

# 2. 创建带工具的智能体（这会编译出 StateGraph 循环）  

agent = create_agent(  

    model=llm,  

    tools=[calculate, timezone_convert],  

    system_prompt="You are a precise assistant. Use tools to find answers."  

)  

# 3. 运行迭代循环  

QUESTION = "If I fly from London at 14:00 for 6 hours, what time do I land in New York?"  

for chunk in agent.stream({"messages": [("human", QUESTION)]}, stream_mode="values"):  

    last_msg = chunk["messages"][-1]  

    if isinstance(last_msg, AIMessage) and last_msg.tool_calls:  

        for call in last_msg.tool_calls:  

            print(f"[ACT] → Executing {call['name']}")  

    elif isinstance(last_msg, ToolMessage):  

        print(f"[OBSERVE] ← Result received")  

    elif isinstance(last_msg, AIMessage) and last_msg.content:  

        print(f"\\nFinal Answer: {last_msg.content}")

什么时候该用智能体循环，什么时候不该用

适合使用的场景：

完成一个任务所需的步骤数无法事先确定。
系统需要根据中间步骤的结果调整自身策略——例如某次搜索失败时，要换不同的关键词再试。
任务完成度比原始速度更重要。

不适合使用的场景：

固定序列的工作流：如果整个流程都是高度可预测、步骤固定的，更合适的做法是写一个确定性的代码 Pipeline。
简单任务：只需要一次 LLM 调用加一次工具调用就能解决的事情，没必要套上迭代循环的开销。
严格的延迟约束：循环的每一次迭代都要做一次 LLM 调用，处理时间和 Token 成本都会累加。如果速度是首要优先级，智能体循环可能会偏慢。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

在这里插入图片描述

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～