[LangChain Agent]Agent实战篇

LangChain Agent 详解本文详细介绍了 LangChain 中Agent智能体的核心概念、ReAct 推理模式、create_agent高级 API 的使用方法以及Agent-to-AgentA2A多智能体协作架构。通过电商助手、天气查询助手和出行规划三个实战案例帮助读者全面掌握 Agent 的开发流程。目录什么是 AgentAgent vs 传统链式调用ReAct 推理模式create_agent 高级 APIAgent 核心组件实战案例一ReAct 电商助手实战案例二结构化输出天气助手实战案例三A2A 多智能体协作A2A 协作架构设计工具封装规范常见问题与解决方案1. 什么是 Agent1.1 概念定义Agent智能体是一种能够自主决策、调用工具、执行复杂任务的 AI 系统。与传统固定流程的链式调用不同Agent 具有以下核心能力能力说明自主决策根据用户输入决定是否需要调用工具、调用哪些工具工具调用能够使用外部工具搜索、数据库、API 等完成特定任务推理思考采用 ReAct 等模式进行多步推理逐步接近目标答案动态规划根据中间结果调整下一步行动传统链式调用: 输入 → 固定流程 → 输出线性执行 Agent: 输入 → 推理(Reason) → 行动(Act) → 观察 → 推理... → 输出循环执行1.2 Agent 的工作流程用户提问: 查找最受欢迎的游戏鼠标检查是否有库存 │ ▼ ┌─────────────────────────────────────┐ │ Step 1: Reason推理 │ │ 用户想要找游戏鼠标需要先搜索产品 │ │ 然后检查库存 │ └─────────────────────────────────────┘ │ ▼ ┌─────────────────────────────────────┐ │ Step 2: Act行动 │ │ 调用 search_products(游戏鼠标) │ └─────────────────────────────────────┘ │ ▼ ┌─────────────────────────────────────┐ │ Step 3: Observe观察 │ │ 获得搜索结果罗技 G Pro 排名第一 │ └─────────────────────────────────────┘ │ ▼ ┌─────────────────────────────────────┐ │ Step 4: Reason推理 │ │ 知道了用户还要求检查库存 │ │ 需要调用 check_inventory(GPW) │ └─────────────────────────────────────┘ │ ▼ ┌─────────────────────────────────────┐ │ Step 5: Act行动 │ │ 调用 check_inventory(GPW) │ └─────────────────────────────────────┘ │ ▼ ┌─────────────────────────────────────┐ │ Step 6: Final最终回答 │ │ 综合所有工具结果生成完整回答 │ └─────────────────────────────────────┘2. Agent vs 传统链式调用2.1 传统链式调用特点# 传统 LCEL 链式调用 rag_chain ( {context: retriever, question: RunnablePassthrough()} | prompt | llm )特性说明固定流程检索 → 组装 Prompt → 生成顺序固定无工具调用无法访问外部系统搜索、数据库等一次执行不支持循环推理和多步决策适合场景RAG 问答、简单文本处理2.2 Agent 的优势特性说明动态决策根据中间结果决定下一步行动工具调用支持任意数量和类型的外部工具循环推理支持ReAct 循环直到获得完整答案自适应根据问题复杂度自动调整调用次数适合场景复杂问答、多步骤任务、跨系统协作2.3 简单对比场景: 查询 北京今天天气如何 ​ 传统链式调用: → 直接回答模型自己的知识可能不准确或无最新数据 ​ Agent 方式: → 推理需要调用天气工具 → 行动调用 get_weather(Beijing) → 观察获取到 {temp: 25, condition: 晴} → 回答今天北京天气晴气温25°C3. ReAct 推理模式3.1 什么是 ReActReAct Reason Act是一种结合推理和行动的 AI 框架让模型能够像人类一样边想边做Reason推理: 分析当前状态决定下一步做什么Act行动: 执行具体动作调用工具Observe观察: 获取行动结果循环: 重复直到得到最终答案3.2 ReAct 工作流程图┌──────────────────────────────────────────────────────────────┐ │ ReAct 循环 │ ├──────────────────────────────────────────────────────────────┤ │ │ │ ┌──────────┐ ┌──────────┐ ┌──────────┐ │ │ │ 推理 │ → │ 行动 │ → │ 观察 │ │ │ │ Reason │ │ Act │ │ Observe │ │ │ └──────────┘ └──────────┘ └──────────┘ │ │ ↑ │ │ │ └────────────────────────────────────────────┘ │ │ │ │ 循环直到得到完整答案 / 达到最大迭代次数 / 判定无法回答 │ │ │ └──────────────────────────────────────────────────────────────┘3.3 ReAct 示例解析用户问题: 查找当前最受欢迎的鼠标并检查是否有库存 步骤1: Reasoning Acting ️ 工具调用: search_products({query: 游戏鼠标}) 观察结果: 找到5个匹配产品: 1. 罗技 G Pro 无线 (GPW) - 受欢迎度: 90% ​ 步骤2: Reasoning Acting ️ 工具调用: check_inventory({product_id: GPW}) 观察结果: GPW: 有库存 (8件) ​ ✅ 最终回答: 当前最受欢迎的游戏鼠标是罗技 G Pro 无线GPW 受欢迎度达90%目前有库存8件。4. create_agent 高级 API4.1 API 概述create_agent是 LangChain 1.0 提供的高级 API用于快速创建 Agent 实例相比旧版create_tool_calling_agentAgentExecutor的方式更加简洁。from langchain.agents import create_agent ​ agent create_agent( model, # 大模型实例ChatOpenAI 等 tools, # 工具列表 system_prompt, # 系统提示词 response_format, # 可选结构化输出格式 **kwargs # 其他参数 )4.2 核心参数说明参数类型必填说明modelBaseChatModel是大模型实例支持 ChatOpenAI、DashScope 等toolsList[BaseTool]是Agent 可调用的工具列表system_promptstr是系统提示词定义 Agent 角色和行为response_formatTypedDict否结构化输出格式指定输出字段类型4.3 调用 Agent# 单轮对话 result agent.invoke({ input: 用户问题 }) ​ # 多轮对话 result agent.invoke({ messages: [{role: user, content: 用户问题}] })4.4 返回结果结构{ messages: [...], # 对话历史包含推理过程 structured_response: {...}, # 结构化输出如果指定了 response_format output: 最终回答内容 # 最终文本回答 }5. Agent 核心组件5.1 组件一览┌─────────────────────────────────────────────────────────┐ │ Agent │ ├─────────────────────────────────────────────────────────┤ │ │ │ ┌─────────────┐ ┌─────────────┐ ┌─────────────┐ │ │ │ Model │ │ Tools │ │ System │ │ │ │ (大模型) │ │ (工具集) │ │ Prompt │ │ │ └─────────────┘ └─────────────┘ └─────────────┘ │ │ │ │ │ │ │ └────────────────┼────────────────┘ │ │ ▼ │ │ ┌─────────────────┐ │ │ │ ReAct 推理引擎 │ │ │ └─────────────────┘ │ │ │ │ │ ▼ │ │ ┌─────────────────┐ │ │ │ 执行结果 │ │ │ │ (文本/结构化) │ │ │ └─────────────────┘ │ │ │ └─────────────────────────────────────────────────────────┘5.2 Model模型Agent 的大脑负责推理和决策。通常使用功能强大的大语言模型from langchain_openai import ChatOpenAI ​ model ChatOpenAI( modelqwen-plus, api_keyos.getenv(aliQwen-api), base_urlhttps://dashscope.aliyuncs.com/compatible-mode/v1 )5.3 Tools工具Agent 的手脚通过tool装饰器定义from langchain_core.tools import tool ​ tool def search_products(query: str) - str: 搜索产品并返回按受欢迎度排序的结果 # 工具实现逻辑 return result5.4 System Prompt系统提示词Agent 的行为准则决定 Agent 的角色定位和执行策略system_prompt 你是电商助手遵循ReAct模式 1. 先推理用户需求 2. 选择合适的工具执行操作 3. 基于工具结果进行下一步推理 4. 重复直到获得完整答案 ​ 保持推理步骤简洁明了。6. 实战案例一ReAct 电商助手6.1 案例概述功能: 模拟电商场景用户可以搜索产品、检查库存Agent 自动决定调用顺序。核心工具:search_products: 搜索产品支持关键词映射check_inventory: 检查产品库存6.2 代码结构分析# 1. 环境配置 model ChatOpenAI( modelqwen-plus, api_keyos.getenv(aliQwen-api), base_urlhttps://dashscope.aliyuncs.com/compatible-mode/v1 ) ​ # 2. 数据模拟 PRODUCT_DATABASE {...} # 产品数据库 INVENTORY_DATABASE {...} # 库存数据库 ​ # 3. 工具定义 tool def search_products(query: str) - str: 搜索产品并返回按受欢迎度排序的结果 # 关键词映射支持多种中文表达 keyword_mapping { 无线耳机: [无线耳机, 蓝牙耳机, 头戴式耳机, 耳机], 游戏鼠标: [游戏鼠标, 电竞鼠标, 鼠标], ... } # 搜索并按受欢迎度排序 return result ​ tool def check_inventory(product_id: str) - str: 检查特定产品的库存状态 return result ​ # 4. 创建 Agent agent create_agent( model, tools[search_products, check_inventory], system_prompt你是电商助手遵循ReAct模式... ) ​ # 5. 调用 Agent result agent.invoke({ messages: [{role: user, content: 查找当前最受欢迎的鼠标并检查是否有库存}] })6.3 关键词映射机制为了让搜索更智能代码实现了关键词映射keyword_mapping { 无线耳机: [无线耳机, 蓝牙耳机, 头戴式耳机, 耳机], 游戏鼠标: [游戏鼠标, 电竞鼠标, 鼠标], 笔记本电脑: [笔记本电脑, 笔记本, 手提电脑, 电脑] } ​ # 用户输入 鼠标 → 匹配到 游戏鼠标 类别 → 返回游戏鼠标列表6.4 ReAct 循环追踪def track_react_cycle(messages): print(ReAct循环步骤分析:) step 1 for msg in messages: msg_type msg.__class__.__name__ if msg_type AIMessage and msg.tool_calls: print(f\n 步骤{step}: Reasoning Acting) for tool_call in msg.tool_calls: print(f ️ 工具调用: {tool_call[name]}({tool_call[args]})) step 1 elif msg_type ToolMessage: print(f 观察结果: {msg.content[:80]}...) elif msg_type AIMessage and not msg.tool_calls: print(f\n✅ 最终回答: {msg.content})6.5 运行结果示例 [工具调用] search_products(游戏鼠标) [工具调用] check_inventory(GPW) ​ 最终结果: AIMessage: 好的我来帮你查找最受欢迎的游戏鼠标并检查库存... ​ 步骤1: Reasoning Acting ️ 工具调用: search_products({query: 游戏鼠标}) 观察结果: 找到3个匹配 游戏鼠标 的产品: 1. 罗技 G Pro 无线 (ID: GPW) - 受欢迎度: 90% - 129 2. 雷蛇 Viper V2 Pro (ID: VIPER) - 受欢迎度: 87% - 149 3. 雷蛇 DeathAdder V3 (ID: DAV3) - 受欢迎度: 85% - 119 ​ 步骤2: Reasoning Acting ️ 工具调用: check_inventory({product_id: GPW}) 观察结果: 产品 GPW: 有库存 (8 件库存) - 位置: 仓库-C ​ ✅ 最终回答: 当前最受欢迎的游戏鼠标是罗技 G Pro 无线GPW 受欢迎度达90%目前有库存8件可以放心购买7. 实战案例二结构化输出天气助手7.1 案例概述功能: 查询多个城市的天气并进行对比分析支持结构化输出。核心工具:get_weather: 调用 OpenWeather API 查询天气7.2 结构化输出定义from typing_extensions import TypedDict ​ class WeatherCompareOutput(TypedDict): beijing_temp: float # 北京温度 shanghai_temp: float # 上海温度 hotter_city: str # 更热的城市 summary: str # 总结说明7.3 完整代码解析# 1. 工具定义 tool def get_weather(loc: str) - dict: 查询即时天气函数 ​ :param loc: 必要参数字符串类型用于表示查询天气的具体城市名称。 注意中国的城市需要用对应城市的英文名称代替 例如如果需要查询北京市天气则 loc 参数需要输入 Beijing/shanghai。 :return: OpenWeather API 查询即时天气的结果。 url https://api.openweathermap.org/data/2.5/weather params { q: loc, appid: os.getenv(OPENWEATHER_API_KEY), units: metric, lang: zh_cn } response httpx.get(url, paramsparams, timeout30) data response.json() return json.dumps(data, ensure_asciiFalse) ​ # 2. 创建 Agent带结构化输出 agent create_agent( modelmodel, tools[get_weather], system_prompt( 你是天气助手。 当用户询问多个城市天气时 你需要分别调用工具获取数据并进行比较分析。 ), response_formatWeatherCompareOutput, # 指定结构化输出格式 ) ​ # 3. 调用 Agent result agent.invoke( {input: 请问今天北京和上海的天气怎么样哪个城市更热} ) ​ # 4. 获取结构化结果 print(json.dumps(result[structured_response], ensure_asciiFalse, indent2))7.4 返回结果对比普通文本输出:今天北京天气晴气温25℃上海天气多云气温28℃。 上海比北京更热。结构化输出:{ beijing_temp: 25.0, shanghai_temp: 28.0, hotter_city: 上海, summary: 今天北京天气晴气温25℃上海天气多云气温28℃。综合比较上海更热。 }7.5 结构化输出的优势特性文本输出结构化输出解析难度需要正则解析直接使用字典/对象类型安全无有类型声明IDE 自动补全下游处理复杂简单直接访问字段适合场景对话式回答API 调用、程序处理8. 实战案例三A2A 多智能体协作8.1 案例概述文件:Agent2Agent.py功能: 模拟完整出行规划流程跨平台协作携程订机票 → 美团订酒店 → 滴滴打车核心设计: 一个总协调 Agent 调度三个专属业务 Agent8.2 业务流程图用户需求: 安排2026年5月5日北京飞上海的完整行程 ​ ┌─────────────────────────────────────────────────────────────┐ │ A2A 多智能体协作流程 │ ├─────────────────────────────────────────────────────────────┤ │ │ │ ┌─────────────────┐ │ │ │ 总协调 Agent │ ← 用户入口接收需求 │ │ └────────┬────────┘ │ │ │ 调度 │ │ ┌─────┴─────┬───────────────┐ │ │ ▼ ▼ ▼ │ │ ┌────────┐ ┌────────┐ ┌────────┐ │ │ │ 携程 │ │ 美团 │ │ 滴滴 │ │ │ │ 机票 │ │ 酒店 │ │ 打车 │ │ │ │ Agent │ │ Agent │ │ Agent │ │ │ └────┬───┘ └───┬────┘ └────┬───┘ │ │ │ │ │ │ │ └─────────┴──────────────┘ │ │ │ │ │ ▼ │ │ ┌─────────────────┐ │ │ │ 整合最终报告 │ │ │ └─────────────────┘ │ │ │ └─────────────────────────────────────────────────────────────┘8.3 三个专属 Agent 定义# 携程 Agent tool(CtripBookFlight, description预订机票的唯一工具...) def ctrip_book_flight(departure: str, arrival: str, date: str) - str: 携程订机票固定返回测试结果 return f【携程机票预订成功】\n航班号CA1885... ​ def create_ctrip_agent(llm): llm_with_tools llm.bind_tools([ctrip_book_flight]) prompt ChatPromptTemplate.from_messages([ (system, 你是专业的工具调用助手只能调用CtripBookFlight工具...), (human, {input}) ]) return prompt | llm_with_tools | output_parser ​ # 美团 Agent tool(MeituanBookHotel, description预订酒店的唯一工具...) def meituan_book_hotel(city: str, near_by: str, check_in: str, check_out: str) - str: 美团订酒店固定返回测试结果 return f【美团酒店预订成功】\n酒店名称上海浦东机场铂尔曼大酒店... ​ def create_meituan_agent(llm): llm_with_tools llm.bind_tools([meituan_book_hotel]) prompt ChatPromptTemplate.from_messages([...]) return prompt | llm_with_tools | output_parser ​ # 滴滴 Agent tool(DidiBookTaxi, description预约打车的唯一工具...) def didi_book_taxi(start: str, end: str, time: str) - str: 滴滴打车固定返回测试结果 return f【滴滴打车预约成功】\n车型滴滴快车舒适型... ​ def create_didi_agent(llm): llm_with_tools llm.bind_tools([didi_book_taxi]) prompt ChatPromptTemplate.from_messages([...]) return prompt | llm_with_tools | output_parser8.4 总协调 Agentdef create_travel_coordinator_agent(llm, ctrip_chain, meituan_chain, didi_chain): 总协调按顺序调用空值兜底打印详细测试 def a2a_schedule(input_dict): print( 开始执行A2A协作测试依次调用各业务Agent...\n) ​ # 1. 携程 Agent 调用 print(1. 调用【携程机票Agent】) try: ctrip_result ctrip_chain.invoke({input: 订机票}) except: ctrip_result if not ctrip_result.strip(): ctrip_result ctrip_book_flight(北京, 上海, 2026-05-05) # 兜底 print(f✅ 携程测试结果\n{ctrip_result}\n) ​ # 2. 美团 Agent 调用 print(2. 调用【美团酒店Agent】) try: meituan_result meituan_chain.invoke({input: 订酒店}) except: meituan_result if not meituan_result.strip(): meituan_result meituan_book_hotel(上海, 浦东机场, 2026-05-05, 2026-05-06) print(f✅ 美团测试结果\n{meituan_result}\n) ​ # 3. 滴滴 Agent 调用 print(3. 调用【滴滴打车Agent】) try: didi_result didi_chain.invoke({input: 预约打车}) except: didi_result if not didi_result.strip(): didi_result didi_book_taxi(上海浦东机场T2, 上海浦东机场铂尔曼大酒店, 2026-05-05 16:40) print(f✅ 滴滴测试结果\n{didi_result}\n) ​ # 整合最终报告 total_report f 【携程-美团-滴滴 A2A协作测试最终报告】 {*90} 测试状态本地运行成功所有Agent均返回完整结果含兜底保障 协作流程携程订机票 → 美团订酒店 → 滴滴打车按业务顺序执行 {*90} 【1. 携程机票预订结果】 {ctrip_result} 【2. 美团酒店预订结果】 {meituan_result} 【3. 滴滴打车预约结果】 {didi_result} {*90} 测试结论A2A协作逻辑正常tool装饰器集成成功无报错 return total_report ​ return RunnableLambda(a2a_schedule)8.5 运行结果 初始化携程/美团/滴滴专属Agent... ✅ 所有Agent初始化完成 ​ 初始化A2A总协调Agent调度核心... ✅ 总协调Agent初始化完成 ​ 携程-美团-滴滴 A2A协作测试正式开始 ​ 开始执行A2A协作测试依次调用各业务Agent... ​ 1. 调用【携程机票Agent】 ✅ 携程测试结果 【携程机票预订成功】 出发地北京 目的地上海 出行日期2026-05-05 航班号CA1885北京首都T3→上海浦东T2 起飞时间14:00 降落时间16:30 座位经济舱34A 电子客票号999-1234567890 ​ 2. 调用【美团酒店Agent】 ✅ 美团测试结果 【美团酒店预订成功】 城市上海 位置浦东机场附近 入住日期2026-05-05 离店日期2026-05-06 酒店名称上海浦东机场铂尔曼大酒店 房型豪华大床房含双人自助早餐 ​ 3. 调用【滴滴打车Agent】 ✅ 滴滴测试结果 【滴滴打车预约成功】 起点上海浦东机场T2 终点上海浦东机场铂尔曼大酒店 用车时间2026-05-05 16:40 车型滴滴快车舒适型 预估费用35元券后立减5元实付30元9.A2A 协作架构设计9.1 A2A 核心概念A2A (Agent-to-Agent)是一种多智能体协作架构多个专业 Agent 分工合作共同完成复杂任务。┌─────────────────────────────────────────────────────────────────┐ │ A2A 架构图 │ ├─────────────────────────────────────────────────────────────────┤ │ │ │ ┌─────────────┐ │ │ │ 用户入口 │ │ │ └──────┬──────┘ │ │ │ │ │ ┌──────▼──────┐ │ │ │ 总协调 │ ← 入口 Agent控制调度逻辑 │ │ │ Agent │ │ │ └──────┬──────┘ │ │ │ │ │ ┌──────┴──────┬──────────────┐ │ │ │ │ │ │ │ ▼ ▼ ▼ │ │ ┌────────┐ ┌────────┐ ┌────────┐ │ │ │ 子Agent │ │ 子Agent │ │ 子Agent │ │ │ │ A │ │ B │ │ C │ │ │ └────────┘ └────────┘ └────────┘ │ │ ↑ ↑ ↑ │ │ └────────────┴──────────────┘ │ │ │ │ │ 只与总协调 Agent 通信 │ │ 子 Agent 之间不直接通信 │ │ │ └─────────────────────────────────────────────────────────────────┘9.2 A2A 设计原则原则说明单一职责每个子 Agent只负责一个业务领域统一接口所有子 Agent 都是 Runnable 链对外暴露invoke()方法总协调控制所有调度由总协调 Agent 控制子 Agent 之间不直接交互稳定保障每个子 Agent 调用加 try-except对空结果做兜底9.3 子 Agent 规范# ✅ 正确单一职责 统一接口 def create_ctrip_agent(llm): llm_with_tools llm.bind_tools([ctrip_book_flight]) # 只绑定一个工具 prompt ChatPromptTemplate.from_messages([ (system, 你是专业的...只能调用CtripBookFlight工具...), (human, {input}) ]) return prompt | llm_with_tools | output_parser # 统一 Runnable 接口 ​ # ❌ 错误一个 Agent 绑定多个不相关工具 def create_mixed_agent(llm): llm_with_tools llm.bind_tools([ctrip_book_flight, meituan_book_hotel, didi_book_taxi]) ...9.4 兜底机制def a2a_schedule(input_dict): try: ctrip_result ctrip_chain.invoke({input: 订机票}) except: ctrip_result ​ # 空结果兜底调用原始函数 if not ctrip_result.strip(): ctrip_result ctrip_book_flight(北京, 上海, 2026-05-05) ​ return ctrip_result兜底原因: 大模型有时无法正确调用工具直接返回空字符串。兜底机制确保系统稳定运行。10. 工具封装规范10.1 tool 装饰器LangChain 1.0 推荐使用tool装饰器封装业务函数from langchain.core.tools import tool ​ tool(工具名称, description工具描述说明参数和用途) def my_tool(param1: str, param2: int) - str: 工具的详细说明文档 # 实现逻辑 return result10.2 工具描述规范工具的description必须清晰因为大模型通过描述识别参数# ✅ 好的描述明确参数名、参数类型、说明 tool(CtripBookFlight, description预订机票的唯一工具必须调用参数是departure出发地、arrival目的地、date出行日期格式2026-02-01) ​ # ❌ 差的描述参数模糊 tool(CtripBookFlight, description预订机票的工具)10.3 参数类型提示必须为参数添加类型提示否则结构化调用可能失败# ✅ 正确 tool def get_weather(loc: str, units: str metric) - dict: ... ​ # ❌ 错误 tool def get_weather(loc, unitsmetric): ...10.4 工具返回格式建议返回结构化的字符串或字典便于解析# ✅ 结构化返回 tool def search_products(query: str) - str: return f找到 {len(results)} 个产品:\n \n.join([f{i}. {p[name]} for i, p in enumerate(results, 1)]) ​ # ✅ 字典返回配合结构化输出 tool def get_weather(loc: str) - dict: return {temp: 25, condition: 晴, humidity: 60}11. 常见问题与解决方案11.1 工具调用失败问题原因解决方案工具未被调用Prompt 未明确要求在 system_prompt 中强调必须调用工具调用参数错误description 不清晰完善 description明确参数格式多次重复调用Agent 无法判断结束添加重复直到获得完整答案后停止11.2 Agent 无响应问题原因解决方案死循环无法判断结束条件设置max_iterations限制超时工具执行时间过长设置timeout或增加超时时间空返回模型拒绝调用工具添加兜底逻辑11.3 结构化输出问题问题解决方案response_format报错确保typing_extensions.TypedDict已安装输出格式不匹配检查 TypedDict 字段类型是否与大模型输出匹配部分字段缺失在 system_prompt 中强调必须填充所有字段11.4 A2A 协作问题问题解决方案子 Agent 不执行检查总协调 Agent 的调用逻辑结果丢失添加 try-except 和兜底机制执行顺序混乱使用顺序调用而非并行确保依赖关系11.5 调试技巧# 1. 打印完整消息历史 for msg in result[messages]: print(f{msg.__class__.__name__}: {msg.content}) # 2. 追踪 ReAct 循环 track_react_cycle(result[messages]) # 3. 检查工具调用 for msg in result[messages]: if hasattr(msg, tool_calls): print(f工具调用: {msg.tool_calls}) # 4. 结构化输出调试 print(result.get(structured_response, {}))附录关键概念速查表概念说明Agent能够自主决策、调用工具、执行复杂任务的 AI 系统ReActReason Act 推理模式边推理边行动create_agentLangChain 1.0 高级 API快速创建 Agenttool装饰器用于封装业务函数为 Agent 工具A2AAgent-to-Agent多智能体协作架构总协调 Agent控制多个子 Agent 调度逻辑的入口 Agent子 Agent专注于单一业务领域的专属 Agent结构化输出使用 TypedDict 定义输出格式确保类型安全RunnableLambda将普通函数转换为 Runnable 接口兜底机制当 Agent 调用失败时使用原始函数保证系统稳定