主题
01 - Agent 核心概念
1. ReAct 模式 (Reasoning + Acting)
ReAct 是目前最主流的 Agent 框架，论文来自 Google Brain
核心思想: LLM 交替进行 推理(Thought) 和 行动(Action)
┌──────────────────────────────────────────────────────────┐
│ ReAct 循环 │
│ │
│ 用户: "北京今天的天气怎么样？" │
│ │
│ ┌─ Loop ──────────────────────────────────────────────┐ │
│ │ │ │
│ │ Thought: 我需要查询北京的天气。 │ │
│ │ 我应该使用天气查询工具。 │ │
│ │ ▼ │ │
│ │ Action: get_weather(city="北京") │ │
│ │ ▼ │ │
│ │ Observation: {"temp": 22, "condition": "晴"} │ │
│ │ ▼ │ │
│ │ Thought: 我已经拿到了天气数据。 │ │
│ │ 可以回答用户了。 │ │
│ │ ▼ │ │
│ │ Answer: 北京今天22°C，天气晴朗。 │ │
│ │ │ │
│ └─────────────────────────────────────────────────────┘ │
│ │
└──────────────────────────────────────────────────────────┘
ReAct 的每一步:
┌───────────────┬──────────────────────────────────────┐
│ Thought │ LLM 的推理过程（我需要做什么？） │
│ Action │ 调用一个工具（函数调用） │
│ Observation │ 工具返回的结果 │
│ ... 重复 ... │ 直到 LLM 认为可以给出最终答案 │
│ Answer │ 最终回答用户 │
└───────────────┴──────────────────────────────────────┘2. Tool Use（工具调用）
Agent 的 "手" 和 "脚" —— 通过工具与外部世界交互
┌──────────────────────────────────────────────────────────┐
│ Agent 可用的工具类型 │
│ │
│ ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐ │
│ │ 信息检索 │ │ 代码执行 │ │ 文件操作 │ │ 外部API │ │
│ │ │ │ │ │ │ │ │ │
│ │ 搜索引擎 │ │ Bash │ │ 读/写文件 │ │ HTTP │ │
│ │ 数据库 │ │ Python │ │ 编辑代码 │ │ Slack │ │
│ │ 向量检索 │ │ REPL │ │ Git 操作 │ │ Email │ │
│ └──────────┘ └──────────┘ └──────────┘ └──────────┘ │
│ │
│ 工具的定义 (给 LLM 看的): │
│ ┌──────────────────────────────────────────────┐ │
│ │ { │ │
│ │ "name": "get_weather", │ │
│ │ "description": "获取指定城市的天气", │ │
│ │ "parameters": { │ │
│ │ "city": { │ │
│ │ "type": "string", │ │
│ │ "description": "城市名称" │ │
│ │ } │ │
│ │ } │ │
│ │ } │ │
│ └──────────────────────────────────────────────┘ │
│ │
│ LLM 并不直接执行工具! │
│ LLM 只是输出 "我要调用什么工具、传什么参数" │
│ Agent 框架负责真正执行工具，并把结果喂回给 LLM │
│ │
└──────────────────────────────────────────────────────────┘3. Agent Loop（Agent 主循环）
完整的 Agent 运行流程:
┌─────────────────────────────────────────────────────────────┐
│ │
│ 输入: 用户请求 + 工具定义 + System Prompt │
│ │ │
│ ▼ │
│ ┌──────────────────────────────────────────┐ │
│ │ 构建 Prompt │ │
│ │ │ │
│ │ System: "你是一个助手，可以使用以下工具..." │ │
│ │ Tools: [get_weather, search, ...] │ │
│ │ History: [之前的对话历史] │ │
│ │ User: "北京天气怎么样？" │ │
│ └────────────────────┬─────────────────────┘ │
│ │ │
│ ▼ │
│ ┌────────────────────────────────────┐ │
│ │ 调用 LLM API │ ◀──────────┐ │
│ └────────────────┬───────────────────┘ │ │
│ │ │ │
│ ┌──────┴──────┐ │ │
│ │ 响应类型？ │ │ │
│ └──────┬──────┘ │ │
│ │ │ │
│ ┌────────┼────────┐ │ │
│ │ │ │ │
│ 文本回答 工具调用 │ │
│ │ │ │ │
│ ▼ ▼ │ │
│ ┌──────────┐ ┌──────────────┐ │ │
│ │ 返回给 │ │ 执行工具 │ │ │
│ │ 用户 │ │ get_weather() │ │ │
│ └──────────┘ └──────┬───────┘ │ │
│ (结束循环) │ │ │
│ ▼ │ │
│ ┌──────────────┐ │ │
│ │ 工具结果加入 │ │ │
│ │ 对话历史 │───────────────┘ │
│ └──────────────┘ │
│ (继续循环) │
│ │
└─────────────────────────────────────────────────────────────┘
伪代码:
┌──────────────────────────────────────┐
│ messages = [system_prompt, user_msg]│
│ │
│ while true: │
│ response = llm.chat(messages) │
│ │
│ if response.has_tool_call: │
│ result = execute(tool_call) │
│ messages.append(tool_result) │
│ continue ← 继续循环 │
│ │
│ else: │
│ return response.text ← 返回 │
└──────────────────────────────────────┘4. Agent 架构模式对比
┌──────────────────────────────────────────────────────────────┐
│ 主流 Agent 架构模式 │
├──────────────┬──────────────┬──────────────┬────────────────┤
│ 单步 Agent │ ReAct Agent │ Plan+Exec │ Multi-Agent │
├──────────────┼──────────────┼──────────────┼────────────────┤
│ │ │ │ │
│ User→LLM │ Thought │ Plan: │ Orchestrator │
│ →Tool │ →Action │ 1. xxx │ ┌────┐┌────┐ │
│ →Response │ →Observe │ 2. xxx │ │AgA ││AgB │ │
│ │ →Thought │ 3. xxx │ └────┘└────┘ │
│ 只调用一次 │ →... │ Exec: │ ┌────┐ │
│ 工具 │ 循环多步 │ 逐步执行Plan │ │AgC │ │
│ │ │ │ └────┘ │
│ 简单任务 ✓ │ 大多数场景 ✓ │ 复杂任务 ✓ │ 超复杂任务 ✓ │
└──────────────┴──────────────┴──────────────┴────────────────┘
Claude Code 用的是哪种？
→ ReAct + 一些 Plan 特性
→ 它会在 "think" 中推理，然后调用工具(Bash/Read/Edit等)
→ 观察结果后继续推理，直到任务完成
Agent 的关键设计决策:
┌────────────────────────────────────────────────────┐
│ 1. 给 LLM 什么工具？ (能力边界) │
│ 2. System Prompt 怎么写？ (行为约束) │
│ 3. 循环什么时候停止？ (停止条件) │
│ 4. 上下文怎么管理？ (历史太长怎么办) │
│ 5. 出错了怎么恢复？ (错误处理策略) │
└────────────────────────────────────────────────────┘5. 2025 年主流 Agent 框架
┌──────────────────────────────────────────────────────────────┐
│ Agent 框架生态（2025年） │
├────────────────┬─────────────────────────────────────────────┤
│ 框架 │ 定位与特点 │
├────────────────┼─────────────────────────────────────────────┤
│ OpenAI │ Python-first，轻量级 │
│ Agents SDK │ 原语: Agent + Handoff + Guardrail │
│ (2025.3) │ 内置 MCP 工具集成、实时语音 Agent │
├────────────────┼─────────────────────────────────────────────┤
│ Google ADK │ 企业级，多语言（Python/TS/Go/Java 均有 1.0） │
│ (2025) │ 内置 Vertex AI 部署，支持图结构工作流 │
├────────────────┼─────────────────────────────────────────────┤
│ LangGraph │ 有状态图结构 Agent 编排 │
│ │ 适合: 复杂多步骤、需要回溯的 Agent 流程 │
│ │ LangChain 官方重心已转移至此 │
├────────────────┼─────────────────────────────────────────────┤
│ CrewAI │ 多角色协作 Agent │
│ │ 月均 4.5 亿次 workflow，Fortune 500 广泛使用 │
├────────────────┼─────────────────────────────────────────────┤
│ AutoGen v0.4 │ 微软出品，图工作流 + Swarm 协调模式 │
│ │ AgentChat 高层 API，研究+生产兼顾 │
└────────────────┴─────────────────────────────────────────────┘
选型建议:
• 快速原型 / OpenAI 生态 → OpenAI Agents SDK
• 需要上 GCP / 企业级部署 → Google ADK
• 复杂有状态流程 → LangGraph
• 多角色协作任务 → CrewAI
• 自己从零理解原理（本教程） → 手写 ReAct Loop（模块四）下一节： 02 - Go 实现 Agent — 从零写一个可调用工具的 Agent