本文聚焦 LangChain 中 Agent 架构的核心执行逻辑，深入解析
AgentExecutor如何驱动 LLM 推理、工具调用与中间态反馈循环，结合 ReAct 思维链模式与 scratchpad 记忆机制，构建具备决策能力的智能体系统。
一、什么是 Agent？
Agent 是 LangChain 的高阶抽象，代表一种 具备工具调用能力、拥有上下文记忆、能进行决策思考的智能体结构。
它的基本职责包括：
- 接收用户输入使用语言模型进行思考（Reasoning）选择工具并调用（Acting）接收工具反馈继续推理（Observation）判断是否可以输出最终答案（Decision）
LangChain 中默认采用 ReAct（推理与行动的协同）思维链作为 Agent 的策略模式，强调 语言模型推理驱动工具调用 的循环执行。
二、Agent 架构核心组件
| 组件名称 | 描述 |
|---|---|
AgentExecutor | 整个 Agent 系统的运行控制器（核心入口） |
ReActAgent | 基于“思考-行动-观察”模式构建的默认 Agent |
Tool | 可被 Agent 调用的外部函数模块 |
AgentAction | 模型当前决定使用的工具及输入 |
AgentFinish | 模型决定终止，输出最终结果 |
scratchpad | Agent 记录思考过程与工具反馈的中间文本 |
三、执行机制：AgentExecutor 决策循环
AgentExecutor 是 Agent 的运行引擎，它内部执行的循环大致如下：
graph TDA[用户输入] --> B["LLM 推理出 Action（选择工具 + 输入）"] --> C["执行 Tool 获取 Observation（反馈结果）"] --> D["拼接进 scratchpad（中间记忆）"] --> E["再次送入 LLM，循环直到返回 Final Answer"]每一轮中间步骤会拼接到 Prompt 中，驱动模型完成下一轮推理。
示例思维链 Prompt 样式（ReAct）：
Question（用户输入）: 12 * 7 是多少？Thought（推理）: 我需要进行计算Action（行动）: Calculator[input=12*7]Observation（观察）: 84Thought（再推理）: 我已经知道答案了Final Answer: 84四、实战：基于 ReAct 构建一个 AgentExecutor
✅ 步骤 1：定义 Tool
from langchain_core.tools import Tooldef multiply_tool(expr: str) -> str: """接收乘法表达式如 '8*6' 并返回结果""" try: expr = expr.strip().replace("'", '').replace('"', '') return str(eval(expr)) except Exception as e: print(f"输入的表达式：{expr.__repr__()} | 异常：{e}") return "表达式格式错误，请输入如 '3*7'"tool = Tool( name="乘法计算工具", # 工具名，必须是唯一的字符串 func=multiply_tool, # 工具执行函数 description="输入形如 '3*5' 的字符串，返回乘积" # 描述要清晰准确)LangChain 工具需要带有类型注解和 docstring，用于 Agent 生成正确的调用参数。
✅ 步骤 2：初始化 Chat 模型和 AgentExecutor
import osfrom langchain_core.prompts import PromptTemplatefrom langchain.agents import AgentExecutor, create_react_agentfrom langchain_openai import ChatOpenAI# 初始化模型llm = ChatOpenAI( temperature=0.1, model='deepseek-chat', openai_api_key=os.getenv('DEEPSEEK_API_KEY'), openai_api_base='https://api.deepseek.com', max_tokens=1024)template = """你是一个可以通过工具来完成任务的智能 AI 助手，擅长推理、规划和执行。你的目标是尽可能准确地解决用户的问题。你可以访问以下工具：{tools}严格地使用以下格式进行思考与行动：Question: 用户的输入内容Thought: 你对当前问题的理解与推理Action: 选择调用的工具名称，应为 [{tool_names}] 之一Action Input: 务必准确的工具所需的输入Observation: 调用工具返回的结果...（Thought/Action/Action Input/Observation 可以重复多次）Thought: 根据观察得出的最终结论Final Answer: 给用户的直接答复开始！Question: {input}Thought: {agent_scratchpad}"""prompt = PromptTemplate.from_template(template)# 构造 ReAct 类型的 Agentagent = create_react_agent( llm=llm, tools=[tool], prompt=prompt)# 构造 AgentExecutor，控制执行过程executor = AgentExecutor.from_agent_and_tools( agent=agent, tools=[tool], verbose=True, # 打印推理过程 handle_parsing_errors=True)✅ 步骤 3：调用 AgentExecutor 执行任务
response = executor.invoke({"input": "帮我计算 19 乘以 21 是多少？"})print("最终输出结果：", response["output"])示例输出（含中间推理）：
五、scratchpad：中间记忆的核心
/ˈskrætʃpæd/ （音似“斯克软奇-帕德”）
scratchpad 是 AgentExecutor 拼接的中间思维链：
"Thought: 用户需要计算19乘以21的结果，我可以使用乘法计算工具来完成这个任务。\nAction: 乘法计算工具\nAction Input: '19*21'\nObservation: 399"其作用是：
- 让 LLM 看到自己曾经做了什么帮助 LLM 规划下一步行为让思维链自然递进（思考 → 执行 → 反馈 → 思考）
LangChain 中 Agent 的 prompt 会动态地将 intermediate_steps（AgentAction + Observation 的步骤）格式化并注入。
六、相关类的执行调用栈梳理
| 类名 | 关键方法 | 描述 |
|---|---|---|
AgentExecutor | .invoke() | 执行整个 Agent 流程 |
BaseAgent（抽象） | .plan() | 根据 prompt 决定下一步行为 |
ReActAgent | 重写 .plan() | 返回 AgentAction 或 AgentFinish |
Tool | .invoke(input) | 实际执行函数逻辑 |
七、提示设计建议（可调节 Agent 效果）
- 使用描述性 Tool docstring，有助于 LLM 选择正确工具控制 prompt 中 scratchpad 长度，避免上下文过长开启
verbose=True 便于观察 Agent 行为路径若需更细粒度控制，可重写 Agent、Tool 或增加 Memory🔚 小结
- LangChain Agent 采用 ReAct 思维模式，支持 LLM+工具 协作式推理AgentExecutor 执行决策循环，驱动工具调用和上下文反馈scratchpad 是核心中间结构，构建模型的“短期记忆”实现智能体行为链只需组合模型、工具、AgentExecutor，即可实现可观察、可插拔、可调节的智能链路
接下来，我们将探索如何构建你自己的 Tool 系统、接入外部插件、实现复杂状态的维护与控制，从而构建功能更丰富、行为更可控的智能体系统。
