从零搭建企业级Agent：LangChain 1.0核心能力全解析

在AI应用落地的浪潮中，Agent（智能体）已经从一个技术概念演变为企业应用的标配。无论是自动化办公、企业智能助理还是复杂业务流程编排，背后都离不开Agent的工作机制。本文基于B站一份系统的Agent教程整理，梳理Agent的核心概念、软件形态演进，以及当前主流开发框架LangChain 1.0的关键升级。

Agent到底是什么

Agent，也叫AI Agent（人工智能代理），本质是一个能够自主运行的软件程序。它通过感知环境、收集数据，并基于这些数据自主决策、执行任务，最终实现预定目标。

用过Codex这类编程工具，或者早期爆火的Manus（俗称"小龙虾"）的用户应该不陌生——你只需要把任务交给它，剩下的收集信息、拆解步骤、调用工具都由代理自动完成。比如让它查明天的天气，或者帮你完成一系列操作，人类只负责下达指令。

当然，现阶段的Agent也存在明显痛点。教程中提到，早期的Manus被诟病的一大问题就是Token消耗极大，成本高企；另一个是安全性问题。这些都是实际开发Agent时必须考虑的现实约束。

从外部应用到Agent时代的形态演进

要理解Agent的意义，可以放在整个软件形态演进的脉络里看。

Web应用时代：早期互联网以门户网站和浏览器应用为主，基于超链接和静态网页进行信息交互，那时的淘宝就是典型代表。

移动互联网时代：随着智能手机普及，App成为高频形态。点外卖、打车、购物，都要通过一个个独立的App完成。

AI Agent时代：现在我们正迈入这一阶段。教程给出了一个大胆判断——未来绝大部分（甚至99%）的软件都将由大模型驱动。它们具备自主决策能力，实现了从硬编码到语义驱动的转变。

这个转变的核心区别在于：Web和移动时代属于"确定性逻辑"，业务逻辑由产品经理和程序员预设，通过硬编码覆盖所有已知场景；而AI Agent时代是"生成式推理"，以大模型为核心，结合上下文、约束和目标进行动态判断。

举个例子，淘宝、蚂蚁等平台已推出对话式点餐、AI健康助手等产品。你说一句"帮我点杯奶茶"，它会自动搜索附近店铺、筛选、下单——这就是语义驱动取代硬编码的直观体现。

Agent的工作机制与核心能力

一个完整的Agent运行流程可以拆解为四个环节：

• 感知环境：收集用户输入和外部上下文信息
• 推理规划：基于提示词策略和模型能力，对复杂任务进行拆解和规划
• 行动执行：调用外部工具或API完成具体操作
• 返回观察：获取反馈后判断是否进入下一轮迭代

以"把一段文案做成视频"为例：Agent会先拆解任务——文案多少字、视频要多长、语音用什么方式；接着发现自身无法生成语音，需要调用外部工具；生成语音后再判断任务是否完成，继续处理画面。整个过程是多轮迭代的闭环。

对应地，Agent有四大核心能力：规划、记忆、工具、执行。其中记忆分长期和短期，工具尤其关键——教程形象地说，一个没有外部工具的Agent只是"行动上的矮人"，查天气、订票、读取本地文件这些都做不了。

大模型是能力的底座

值得强调的是大模型在Agent中的绝对核心地位。它提供了最关键的推理层，直接决定了Agent表现的下限。

这也解释了为什么Agent概念提出很早，却在近期才真正走红——不是理念变了，而是模型能力上来了。模型足够强时，即便架构粗糙也能维持基本体验；模型能力不足时，靠提示词或架构优化很难突破上限。

在模型选择上，闭源阵营有Claude、GPT、Gemini；开源阵营则以DeepSeek^广告为代表。教程认为国内模型能力已相当强，DeepSeek、Kimi、GLM等已能与国外模型"掰手腕"，国内做产品基本以国内模型为主（用国外模型往往涉及报备等合规流程）。

大模型在Agent中扮演的「推理引擎」角色，具体体现在两个层面：一是任务拆解与规划，面对模糊的自然语言指令，模型需要将其分解为可执行的子步骤序列；二是工具调用决策，即判断当前子任务应调用哪个工具、传入什么参数，并解读工具返回结果后决定是否继续迭代。这种能力在技术上依赖于「函数调用（Function Calling）」或「工具使用（Tool Use）」接口——主流模型厂商在训练阶段会专门针对此能力进行强化，使模型能以结构化JSON格式输出工具调用指令，而非随意生成文本。这也是为何LangChain在旧版中需要区分「是否支持function calling」的模型：不具备该能力的早期模型只能通过提示词工程模拟工具调用，稳定性和准确率远不如原生支持的模型。

主流开发框架与LangChain 1.0

目前主流的Agent开发框架有几个：

• LangChain：教程认为这是做Agent开发"一定要掌握"的首选框架
• LlamaIndex：数据处理组件丰富，主要用于RAG，也可做Agent
• Langflow：可视化，同样偏向RAG方向

LangChain经历了从0.x到1.x的重大迭代。0.3版本一直被诟病接口混乱、不是专为Agent设计。据教程介绍，其时间线为1.0在去年10月发布，随后11月、12月接连推出1.1、1.2，更新频率相当高，1.0与1.2之间已有明显差异。

LangChain 1.0的六大核心升级

1. 统一Agent接口：全局使用 create_agent 作为智能体创建入口，终结了旧版十多种创建方法带来的混乱。旧版不同方法对模型能力（如是否支持function calling）的要求还不一致，入门和维护成本很高。
2. 中间件系统：引入面向切面的中间件机制，支持业务流程精细化、无侵入控制。
3. 标准化输出：统一了不同厂商大模型的返回格式，切换DeepSeek、OpenAI、Gemini时不再需要单独适配。
4. 结构化输出：支持自定义schema，强制模型返回可拆解的结构化数据。
5. 底层框架升级：Agent底层基于LangGraph重构，能力和扩展性大幅增强。
6. 旧API迁移：0.x的Chain（链）能力迁入独立模块，后续将逐步淘汰，使用时需留意兼容提示。

LangGraph是LangChain团队专为复杂Agent流程设计的底层图计算框架，其核心思想是将Agent的执行流程建模为有向图（Directed Graph）：每个节点（Node）代表一个处理步骤（如调用模型、执行工具），每条边（Edge）代表状态流转条件。相比旧版链式（Chain）结构只能线性执行，LangGraph天然支持循环（Agent反复迭代直到任务完成）、条件分支（根据模型输出选择不同路径）和多Agent协作等复杂拓扑。LangChain 1.0将Agent底层迁移到LangGraph后，开发者既能使用create_agent享受高层封装的简洁性，也可在需要精细控制时直接操作图结构——这是1.0版本扩展性大幅增强的根本原因。

RAG（Retrieval-Augmented Generation，检索增强生成）是另一个常与Agent并提的技术概念。它的核心思路是：在模型生成回答前，先从外部知识库中检索与问题相关的文档片段，将其注入上下文，从而弥补模型知识截止日期的局限、减少幻觉。LlamaIndex和Langflow偏向RAG方向，而LangChain则在RAG之外更强调Agent的工具调用与多步推理能力，两者在实际项目中常结合使用——以RAG提供领域知识，以Agent编排多轮任务流程。

用create_agent快速搭建一个Agent

新版最直观的改进就是创建Agent只需几行代码，传入四个参数即可：模型、工具列表、系统提示词、中间件配置（中间件可选，没有则不传）。

教程演示了一个实例：从 langchain 导入 create_agent，用DeepSeek作为模型，配置两个工具——一个查天气（示例中为模拟实现，未接真实第三方API），一个计算器（内部通过eval执行表达式），系统提示词设定为"你是一个实用的生活助手，优先调用工具解决用户问题，回答简洁准确"。

随后向Agent下达两个任务："北京天气怎么样"和"帮我算一下256乘以18"。运行时，Agent会自动调用 get_weather 返回天气信息，再调用计算器完成运算。

教程也提醒，由于示例没有使用流式输出，Agent会等所有结果都处理完再一次性返回，因此响应耗时偏长；开启流式输出后即可实现"输出多少看到多少"的体验。此外DeepSeek默认返回Markdown格式，这也解释了输出内容的排版形态。

小结

这份教程清晰地勾勒出Agent技术的全景：从概念定义、软件形态演进，到工作机制、核心能力，再落到LangChain 1.0的具体实践。对于想入门Agent开发的人来说，抓住两条主线即可——大模型决定能力上限的底座地位，以及LangChain 1.0以 create_agent 为核心的统一开发范式。剩下的规划、记忆、工具、执行等能力，都是在这个框架下逐步展开的实战内容。