一、Agent 的本质:不是链,是会自己决定下一跳的图
上一篇我们认识了 Agent 是什么,这一篇拆开看它怎么运转。
LangChain 1.0 之前,链(Chain)是主力形态:用 | 运算符把提示词、模型、输出解析器串成一条固定流水线,数据从头流到尾,每一步怎么走都是开发者预先写死的。链的优点是确定性强、易于测试;缺点是面对开放任务时,"该走哪条分支"的判断只能靠 if-else 硬编码。
Agent 把这条链闭成了一个环:模型每跑完一步,都要回答一个问题——"现在是直接给答案,还是再调一个工具?"这个判断不在代码里,而是模型自己生成的 tool_calls。有调用,执行图走向工具节点,执行完把结果作为"观察"喂回模型;没有调用,图走向终点,输出最终答案。
所以 Agent 的本质是一张会自己决定下一跳的图:节点是模型与工具,边是模型的决策。LangChain 1.0 用 create_agent() 统一构建这张图,返回的 CompiledStateGraph 就是它的编译产物。
| 维度 | 链(Chain) | Agent |
|---|---|---|
| 执行路径 | 开发者写死,线性或固定分支 | 模型动态决定,循环直到停止条件 |
| 控制流归属 | 代码 | 模型输出 |
| 状态 | 无状态或手动传递 | 内置状态机,每超级步生成快照 |
| 停止条件 | 链的结尾 | 模型给出最终输出,或达到 max_iterations |

二、拆开 create_agent:它到底构建了什么
create_agent() 是 LangChain 1.0 构建 Agent 的标准入口,一个典型调用只需三五个参数:
from langchain.agents import create_agent
def send_email(to: str, subject: str, body: str):
"""发送邮件"""
return f"邮件已发送至 {to}"
agent = create_agent(
model="deepseek-v3", # 模型:供应商无关的字符串标识
tools=[send_email], # 工具列表
system_prompt="你是一个邮件助手。", # 系统提示词
)
但这几行背后,create_agent 替你完成了四件事。
第一,构建模型节点。 传入的模型标识被解析为供应商无关的聊天模型,工具列表按 Function Calling 标准格式绑定上去(等价于旧版的 bind_tools)。模型从此"知道"自己有哪些工具可调、每个工具的参数结构是什么。
第二,构建工具节点。 每个工具被封装成图中的一个节点,负责执行调用、捕获异常、把结果打包成 ToolMessage 写回状态信道。工具节点与模型节点通过信道解耦,各自独立演进。
第三,编织主循环。 模型节点输出带 tool_calls 的 AIMessage 时,边指向工具节点;工具执行完毕,边回到模型节点;模型输出不含 tool_calls 时,边指向 END。整个闭环由图的边规则自动完成,无需手写 while。
第四,装载状态 schema 与横切逻辑。 AgentState 作为默认状态信道,循环控制(max_iterations)、错误处理等中间件默认就位。
一句话概括:create_agent 是 Agent 的编译器——你声明模型、工具和提示词,它编译出一张带状态、带循环、带扩展点的 CompiledStateGraph。这张图可以直接 invoke,可以 stream,挂上 checkpointer 还能断点恢复。

三、ReAct 原理性剖析:三个动作,三种消息
执行图跑起来,就是 ReAct 循环。但把循环拆到消息级别,会发现一个优雅的对应关系:ReAct 的三个动作——推理(Reasoning)、行动(Acting)、观察(Observing)——恰好落在三种消息类型上。
推理 = 模型生成 AIMessage。 模型读取当前全部消息(系统指令 + 历史 + 工具返回),产出两种可能:带 tool_calls 的 AIMessage(决定行动),或不带 tool_calls 的普通回复(决定收尾)。
行动 = tool_calls 被路由到工具节点执行。 注意,"调用哪个工具、传什么参数"的决策完全产生于推理阶段,代码只是执行者。
观察 = 结果包装成 ToolMessage 追加进消息列表,tool_call_id 与发起调用的 AIMessage 严格匹配,然后循环回到推理。
from langchain.messages import AIMessage, ToolMessage
# 推理产出:决定调用工具
ai_message = AIMessage(
content=[],
tool_calls=[{
"name": "get_weather",
"args": {
"location": "北京"},
"id": "call_123",
}],
)
# 行动之后:结果作为观察写回,tool_call_id 必须匹配
tool_message = ToolMessage(
content="晴,26℃",
tool_call_id="call_123",
)
这个设计对大数据工程师有一个熟悉的类比:tool_calls 是任务提交,ToolMessage 是任务回执。ID 一一对应,即使并发调用乱序返回也能对齐——本质上和分布式系统的请求-响应关联是同一套思想。
循环的停止条件有两个,满足其一即退出:模型产出不含 tool_calls 的最终输出;达到 max_iterations 迭代上限。后者是工程上的保险丝——模型陷入反复调用时强制刹车,防止成本失控。
四、中间件原理:钩子链式切面
如果 Agent 只是一张固定的图,生产环境怎么加日志、脱敏、人工审批?答案是中间件(middleware)。
中间件的原理和 Web 框架的中间件、AOP 的切面一致:不修改核心逻辑,往执行流程中嵌入钩子函数。LangChain 1.0 的中间件围绕循环关键节点设计,主要有三类钩子:
before_model/after_model:模型调用前后切入,可修改提示词、拦截输出、切换模型;wrap_tool_call:包裹工具执行,可做参数校验、异常转换、人工审批;dynamic_prompt:动态生成系统提示词,比如按用户身份注入不同指令。
多个中间件按注册顺序链式调用:请求先依次穿过所有前置钩子到达核心逻辑,响应再逆序穿过所有后置钩子返回——这正是责任链模式的经典形态。
看一个把工具异常"翻译"成模型能理解的消息的中间件,它让循环具备了自我恢复能力:
from langchain.agents.middleware import wrap_tool_call
@wrap_tool_call
def handle_tool_errors(request, handler):
try:
return handler(request)
except Exception as e:
# 异常不抛出,而是作为观察结果返回给模型
return f"工具执行失败:{e},请尝试其他参数或工具。"
工具抛异常时,传统代码会直接崩溃;有了这个中间件,异常变成一条 ToolMessage,模型读到"参数有问题"后自行修正重试——Agent 的鲁棒性就来自这些横切逻辑。
LangChain 1.0 还内置了三类生产级中间件:人机交互中间件(工具执行前暂停,等用户批准、编辑或拒绝,适用于转账、发邮件等敏感操作)、脱敏中间件(自动遮盖邮箱、手机号、身份证号)、记忆优化中间件(自动裁剪过长对话历史,防止令牌溢出)。
五、状态原理:AgentState 与 context_schema
图之所以能循环,前提是状态能在节点间流转。LangChain 1.0 把 Agent 的状态分成两层。
AgentState:可变上下文。 状态在运行期间充当 Agent 的记忆,保存执行中动态演变的数据——消息列表、工具派生值、自定义字段。它对应 LangGraph 的状态信道,每个超级步骤(super-step)都基于它生成快照。自定义状态只需继承并添加字段,通过 state_schema 传入:
from langchain.agents import AgentState
class CustomAgentState(AgentState):
user_id: str
preferences: dict
agent = create_agent(
model="deepseek-v3",
tools=[send_email],
state_schema=CustomAgentState,
)
context_schema:不可变配置。 用于承载运行期不变的上下文(用户身份、租户 ID、数据源配置等),默认不开启。
分层的意义在于:可变数据走信道,参与快照与回放;不可变数据做配置,随调用注入。这和 Java 开发中"实例字段 vs 构造参数"的区分是同构的。
六、记忆原理:checkpointer 与 store 双层体系
状态是单次运行内的记忆,跨运行、跨会话怎么办?LangChain 1.0 提供双层记忆体系。
短期记忆(线程级):记住多轮对话。 用法两步——创建 Agent 时传入 checkpointer,运行时在 config 中提供 thread_id(会话唯一标识):
from langgraph.checkpoint.memory import InMemorySaver
agent = create_agent(
model="deepseek-v3",
tools=[send_email],
checkpointer=InMemorySaver(), # 开发环境用内存
)
config = {
"configurable": {
"thread_id": "user-001"}}
agent.invoke({
"messages": [{
"role": "user", "content": "给老板发邮件"}]}, config)
生产环境把 InMemorySaver 换成 PostgresSaver 或 RedisSaver 即可,接口不变。checkpointer 在每个超级步骤保存状态快照 StateSnapshot,包含五要素:config(关联配置)、metadata(元数据)、values(信道当前值)、next(下一组待执行节点)、tasks(待执行任务及历史错误)。凭借快照,线程可随时暂停、恢复、回放——LangGraph 的持久执行能力正来源于此。
长期记忆(跨线程):记住用户偏好。 用 store 持久化跨会话数据,工具或提示词中通过 ToolRuntime.store 访问。开发环境用 InMemoryStore,生产环境用 PostgresStore / RedisStore,首次使用需调用 setup() 初始化表结构。

对照大数据栈:checkpointer 像 Flink 的 Checkpoint——定期快照、故障恢复;store 像外部 KV 存储——跨作业共享的持久状态。
七、结构化输出:为什么并入主循环
Agent 的产出常要进数据库、下游系统,自由文本不行,必须结构化。LangChain 1.0 的做法是把 JSON Schema 等结构化输出能力直接集成进主循环,而不是在 Agent 外面再包一层解析。
这样做的好处很直接:其一,省掉一次额外的 LLM 调用,延迟与成本双降;其二,结构化输出与工具调用共享同一轮推理,模型对上下文的利用更充分,准确性更高;其三,对 Agent 而言,"以结构化对象收尾"和"以文本收尾"只是最终输出形态不同,循环机制不变——结构化不是外挂,而是循环的原生终点。
配合标准化内容块(所有模型的输出统一为 content_blocks 结构,文本、工具调用、推理轨迹格式一致),跨模型开发中的格式兼容问题也被一并解决。
八、LangChain 与 LangGraph 的分工
最后回答一个高频问题:都到 1.0 了,两者到底怎么分工?
LangChain 是构建 AI 智能体的最快方式:标准工具调用架构、供应商无关设计、可插拔中间件,面向高效构建通用 Agent。
LangGraph 是底层运行时框架:持久执行、流式输出、人机交互、持久化,面向长期运行、可控、高定制化的生产级智能体。
关键事实:LangChain 1.0 的 Agent 构建在 LangGraph 之上。create_agent 返回的 CompiledStateGraph 就是 LangGraph 的编译产物——你享受 LangChain 的简洁,同时免费获得 LangGraph 的运行时能力。需要深度定制时(自定义节点、复杂分支、多 Agent 协作),直接下沉到 LangGraph 层即可。两层是继承关系,而非替代关系。
九、Java / 大数据工程师对照
把 Agent 的原理翻译成后端术语,你会发现处处是老朋友:
| Agent 概念 | Java / 大数据对照 |
|---|---|
| CompiledStateGraph | 编译后的执行计划(如 Spark 的 Physical Plan) |
| 模型决策下一跳 | 运行时动态路由,替代硬编码 if-else |
| ReAct 循环 | do-while:先执行,再判断终止条件 |
| 中间件钩子 | Spring 的 HandlerInterceptor / 责任链 |
| checkpointer 快照 | Flink Checkpoint,定期保存可恢复状态 |
| store | 外部 KV 存储,跨会话共享状态 |
| tool_call_id 匹配 | 分布式系统的请求-响应关联 ID |
| max_iterations | 熔断阈值,防止无限循环 |
理解这层对应,Agent 就不再是"会魔法的黑盒",而是一个你早就见过的运行时系统。
十、小结
回顾 Agent 的六大原理:会自己决定下一跳的图、create_agent 的编译本质、ReAct 与三种消息的对应、中间件的链式切面、AgentState 双层状态、checkpointer 与 store 双层记忆。再加上并入主循环的结构化输出,以及 LangChain 与 LangGraph 的分层协作——这就是 LangChain 1.0 Agent 的完整内部世界。
本文基于 LangChain v1.x 官方文档与《Agent 智能体》笔记整理,代码在 Python 3.13 + langchain 1.2.0 环境下验证通过。