第1章 智能体时代：从大模型到AI Agent
2023年，ChatGPT横空出世，让全世界见识了大语言模型的对话能力。但对话只是起点——当模型不再只是"回答问题"，而是开始"主动做事"，一个全新的技术范式就诞生了。这就是AI Agent。
1.1 AI 2.0时代的范式转移：从Chatbot到Agent
从被动应答到主动行动
传统Chatbot的工作模式可以用一句话概括：你问我答。用户输入一段文字，模型返回一段文字，交互到此结束。这种模式下，模型是被动的——它不会主动获取信息，不会调用工具，更不会连续执行多步操作来完成一个复杂任务。
AI Agent则完全不同。它的核心特征是自主性（Autonomy）：
| 维度 | Chatbot | AI Agent |
|---|---|---|
| 交互模式 | 单轮问答 | 多轮自主决策 |
| 工具使用 | 无 | 可调用搜索、代码执行、API等 |
| 任务完成 | 返回文本 | 返回执行结果 |
| 规划能力 | 无 | 可分解任务、制定计划 |
| 错误处理 | 无法自我修正 | 可反思、重试、调整策略 |
范式转移的三个信号
OpenAI推出Function Calling：2023年6月，OpenAI在API中引入了Function Calling机制，让模型能够"声明"自己需要调用哪个函数。这是从Chatbot到Agent的关键基础设施。
AutoGPT引爆社区：同年3月，AutoGPT项目在GitHub上迅速获得超过10万Star。它展示了一个无需人类干预、能自主完成任务的AI系统雏形——虽然还很粗糙，但方向已经清晰。
多模态能力开放：GPT-4V、Gemini等模型开始支持图像、语音输入，Agent的"感知"能力从纯文本扩展到多模态，为更复杂的现实交互打开了大门。
1.2 AI Agent的核心定义与通用架构（感知-规划-行动）
什么是AI Agent？
AI Agent是一个能够感知环境、自主规划、执行动作以达成目标的智能系统。这个定义源自经典的智能体理论，但在LLM时代有了全新的内涵。
与传统的规则驱动Agent不同，LLM-based Agent的核心驱动力是大语言模型——它既是"大脑"负责理解与推理，也是"协调器"负责调度各类工具和资源。
感知-规划-行动架构
几乎所有现代AI Agent框架都遵循"感知-规划-行动"（Perceive-Plan-Act）的三层架构：
+------------------------------------------+
| 感知层 (Perception) |
| 接收用户输入、环境状态、工具返回结果 |
+------------------------------------------+
|
v
+------------------------------------------+
| 规划层 (Planning) |
| 理解意图 -> 分解任务 -> 选择策略 |
| ReAct / CoT / ToT 等推理框架 |
+------------------------------------------+
|
v
+------------------------------------------+
| 行动层 (Action) |
| 调用工具、执行代码、返回结果 |
| Function Calling / API / 代码解释器 |
+------------------------------------------+感知层负责信息输入。包括用户的自然语言指令、上一步工具的返回结果、外部环境的状态变化等。在多模态Agent中，图像和语音也属于感知输入。
规划层是Agent的"大脑"。它决定下一步做什么——是继续推理、调用工具、还是直接返回答案。ReAct、思维链（CoT）、思维树（ToT）等推理模式都运行在规划层。
行动层负责执行。通过Function Calling调用外部工具、执行Python代码、发送HTTP请求等。行动层的输出会反馈给感知层，形成闭环。
记忆：隐式的第四层
严格来说，还有一个横跨三层的组件——记忆系统。短期记忆（上下文窗口）和长期记忆（向量数据库）为Agent提供知识的连续性。后续第3章会深入探讨。
1.3 主流开发框架全景图（LangChain, AutoGPT, MetaGPT等）
框架分类与选型
当前AI Agent开发框架已经形成了丰富的生态，按照抽象层次和适用场景可以分为以下几类：
| 框架 | 类型 | 特点 | 适用场景 |
|---|---|---|---|
| LangChain | 通用框架 | 模块化设计，生态丰富，文档完善 | 快速原型、通用Agent |
| LlamaIndex | 数据框架 | RAG能力突出，索引与检索优化 | 知识库驱动型Agent |
| AutoGPT | 自主Agent | 全自动执行，目标驱动 | 探索性实验 |
| MetaGPT | 多Agent | 角色扮演，SOP流程 | 软件开发、团队协作模拟 |
| CrewAI | 多Agent | 角色定义简洁，上手快 | 团队协作型任务 |
| Semantic Kernel | 企业框架 | 微软出品，与Azure生态深度集成 | 企业级应用 |
| Dify | 低代码平台 | 可视化编排，开箱即用 | 快速搭建、非开发人员 |
| AutoGen | 多Agent对话 | 微软研究院，对话驱动协作 | 研究、多轮对话Agent |
LangChain：事实上的标准
LangChain是目前使用最广泛的Agent开发框架，它的核心设计理念是组合性——将LLM、工具、记忆、链式调用等模块像积木一样组合起来。
from langchain.agents import AgentExecutor, create_openai_tools_agent
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
# 定义LLM
llm = ChatOpenAI(model="gpt-4o", temperature=0)
# 定义提示词模板
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个有用的AI助手，可以调用工具来完成任务。"),
("human", "{input}"),
("placeholder", "{agent_scratchpad}"),
])
# 创建Agent
agent = create_openai_tools_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
# 运行
result = agent_executor.invoke({"input": "今天北京天气怎么样？"})参考文档：LangChain官方文档
MetaGPT：多Agent的标杆
MetaGPT的创新在于引入了SOP（标准操作流程）——让多个Agent按照软件工程的最佳实践协作：
from metagpt.software_company import generate_repo, ProjectRepo
# 一句话启动"软件公司"
repo: ProjectRepo = await generate_repo("创建一个贪吃蛇游戏")
print(repo) # 输出完整的项目代码MetaGPT会自动分配产品经理、架构师、工程师等角色，各角色按照SOP依次完成需求分析、架构设计、编码实现。这种模式非常适合结构化的复杂任务。
参考文档：MetaGPT GitHub仓库
选型建议
- 入门学习：从LangChain开始，文档最完善，社区最活跃
- RAG场景：LlamaIndex在检索和索引方面更专业
- 多Agent协作：CrewAI上手简单，MetaGPT功能更强
- 企业应用：Semantic Kernel + Azure生态
- 快速验证：Dify的可视化编排可以快速跑通流程
1.4 开发环境搭建：Python环境与API密钥配置
Python环境准备
推荐使用Python 3.10+，搭配虚拟环境管理：
# 使用conda创建环境
conda create -n agent-dev python=3.11
conda activate agent-dev
# 或使用venv
python3.11 -m venv agent-env
source agent-env/bin/activate # macOS/Linux
# agent-env\Scripts\activate # Windows核心依赖安装
# LangChain核心包
pip install langchain langchain-openai langchain-community
# 向量数据库（第3章会用到）
pip install chromadb
# 工具相关
pip install wikipedia duckduckgo-search
# 环境变量管理
pip install python-dotenvAPI密钥配置
最佳实践是将API密钥存储在.env文件中，而非硬编码：
# .env文件
OPENAI_API_KEY=sk-xxxxxxxxxxxxxxxxxxxxxxxx
OPENAI_API_BASE=https://api.openai.com/v1 # 或国内代理地址然后在代码中加载：
from dotenv import load_dotenv
load_dotenv() # 自动加载.env文件中的环境变量
import os
api_key = os.getenv("OPENAI_API_KEY")| 环境变量 | 用途 | 获取方式 |
|---|---|---|
| OPENAI_API_KEY | OpenAI API密钥 | platform.openai.com |
| OPENAI_API_BASE | API基础地址（代理） | 自建代理或第三方中转 |
| SERPAPI_KEY | 搜索工具API密钥 | serpapi.com |
| TAVILY_API_KEY | Tavily搜索API | tavily.com |
安全提醒：永远不要将
.env文件提交到Git仓库。确保.gitignore中包含.env。
1.5 实战预热：构建你的第一个"Hello World" Agent
现在，让我们动手构建一个最简单的Agent。这个Agent可以回答问题，也能调用搜索工具获取实时信息。
完整代码
from langchain_openai import ChatOpenAI
from langchain.agents import AgentExecutor, create_openai_tools_agent
from langchain_core.prompts import ChatPromptTemplate
from langchain_community.tools import DuckDuckGoSearchRun
# 1. 初始化LLM
llm = ChatOpenAI(model="gpt-4o", temperature=0)
# 2. 定义工具
search = DuckDuckGoSearchRun()
tools = [search]
# 3. 创建提示词
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个智能助手。当无法回答时，请使用搜索工具查找信息。"),
("human", "{input}"),
("placeholder", "{agent_scratchpad}"),
])
# 4. 构建Agent
agent = create_openai_tools_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
# 5. 运行
response = agent_executor.invoke({
"input": "2024年诺贝尔物理学奖颁给了谁？"
})
print(response["output"])运行效果
当你运行这段代码，Agent的执行过程大致如下：
> Entering new AgentExecutor chain...
思考：我需要搜索最新的诺贝尔物理学奖信息
动作：duckduckgo_search
动作输入："2024年诺贝尔物理学奖"
观察：[搜索结果...]
思考：我已获得信息，可以回答
最终答案：2024年诺贝尔物理学奖颁给了John Hopfield和Geoffrey Hinton，
以表彰他们在机器学习和人工神经网络方面的基础性发现和发明。
> Finished chain.发生了什么？
- Agent接收到问题后，判断自己是否需要搜索
- 决定调用搜索工具，构建搜索查询
- 获取搜索结果，理解并提取关键信息
- 生成最终答案返回给用户
这就是一个完整的"感知-规划-行动"循环。虽然简单，但它包含了Agent的所有核心要素：LLM推理、工具调用、自主决策。
本章小结
| 概念 | 关键点 |
|---|---|
| 范式转移 | 从Chatbot的被动应答到Agent的主动行动 |
| 核心架构 | 感知-规划-行动三层 + 记忆系统 |
| 框架选型 | LangChain通用、LlamaIndex偏RAG、MetaGPT多Agent |
| 环境搭建 | Python 3.10+、虚拟环境、.env管理密钥 |
| Hello World | 最简单的Agent = LLM + 工具 + 提示词模板 |
下一章，我们将深入Agent的"大脑"——提示词工程与思维链，学习如何让模型更聪明地思考。