刘培玉-大王

本文档详细介绍了LangChain框架中可用的Agent工具及其使用方法。这些工具可以赋予AI智能体与外部系统和服务交互的能力，从而构建功能更强大的应用程序。

本文档展示了LangGraph的prebuilt模块中Agent的实现流程，重点是函数构建的代理系统流程和结构。

主要是用于测试Mcp的连接，用于开发mcp时方便调试。

【代码】LangChain 内置工具集合。

LangChain的智能体框架提供了灵活、强大的工具来构建基于大语言模型的智能体系统。其核心是思考-行动-观察循环（ReAct范式），使模型能够通过推理和使用工具来解决复杂任务。AgentType- 定义不同类型的智能体，如ReAct、对话式智能体等- 管理智能体的执行流程，包括工具调用、处理中间步骤等工具集成- 允许智能体使用各种工具来扩展其能力提示词工程- 为不同智能体类型定制专门的提示词模板这些组件共同构成了一个强大的框架，使开发人员能够构建能够推理、规划和执行的复杂AI应用。

-> None:"""链开始执行时调用"""

智能体模式核心特点适用场景优势局限性反射式智能体基于规则直接反应简单、确定性环境高效、低延迟无法处理复杂场景基于目标智能体规划达成明确目标结构化任务有方向性、可处理多步骤需要明确目标定义基于效用智能体最大化效用函数多目标或不确定环境灵活、可权衡效用函数设计复杂多智能体系统协作分工解决问题复杂大型任务可扩展、鲁棒性强协调开销大自主学习智能体从经验中持续改进动态变化环境适应性强、持续进步初期表现可能较差混合智能体架构多种模式结合使用复杂多变环境。

设计模式核心优势典型应用场景链式思考提高推理准确性数学问题、逻辑推理ReAct结合思考与行动需要查询外部工具的任务自洽性提高答案可靠性需要高准确度的关键决策代理模式自主决策与执行复杂多步骤任务自动化RAG增强知识与时效性需要专业或最新知识的问答提示工程控制输出质量和格式结构化内容生成、专业场景这些设计模式可以单独使用，也可以组合使用以解决更复杂的问题。选择合适的模式取决于具体任务需求、资源限制和期望的结果质量。随着大模型技术的不断发展，这些设计模式也将持续演进和完善。

LangChain目录结构和主要功能类