LangChain Agent 是 LangChain 框架中的一个组件，它利用大型语言模型 (LLM) 来决定如何将任务分解成多个步骤并执行。LangChain Agent 不仅依赖 LLM 的静态知识，还能动态地与外部工具（如 API、数据库或计算器）交互，以收集信息或执行操作。例如，如果被要求计算某个城市的当前天气，Agent 可能会首先调用天气 API 来获取数据，然后使用数学工具来转换温度单位。Agent 的核心功能是确定使用哪些工具、使用顺序以及如何处理它们的输出以达到预期的结果。
LangChain Agent 通过结合 LLM 的推理能力和结构化的工作流程来工作。当接到任务时，LLM 会根据可用的工具和用户的输入生成一个计划。例如，如果用户问“东京的人口除以 2 是多少？”，Agent 可能会首先识别出需要使用搜索工具检索东京的人口，然后将该数字传递给计算器工具进行除法运算。Agent 使用一个循环：LLM 决定下一步行动，然后使用工具执行该行动，并将结果反馈给 LLM，以确定是否需要进一步的步骤。这个循环会一直持续，直到 Agent 完成任务或达到停止条件（例如达到最大步骤数）。
一个关键细节是 Agent 的决策过程是如何被引导的。开发者定义可用的工具（例如，网页搜索、Python 代码执行），并配置提示词来指导 LLM 如何使用它们。例如，一个提示词可能会说：“使用搜索工具查找最新数据，然后使用计算器进行数学运算。” Agent 的有效性取决于这些提示词和工具的设计质量。一个常见的模式是 ReAct 框架，其中 LLM 在生成推理步骤（“我需要先找到 X”）和行动（“调用搜索 API 查询 X”）之间交替。通过这种结构化的交互方式，Agent 能够处理复杂的、多步骤的任务，同时还能适应不同的用例。