LangChain Agent代理的核心思想是使用LLM作为大脑自动思考，自动决策选择执行不同的动作，最终完成我们的目标任务。
提示：从开发角度理解，就是我们提前开发好各种各样功能的API，然后给Agent一个任务，让LLM自己分析要调用哪个API可以完成任务。
举个例子方便理解LangChain Agent要解决的问题。
例如：
我们要调研下“docker是否可以作为生产环境部署方案”，我们首先会去百度搜索”docker介绍”，浏览下搜索结果，然后进一步搜索”docker部署的优缺点”，浏览下结果等等，最后得出结论。
LangChain Agent就是要模拟这个过程，我可以提前封装一序列工具（例如：百度搜索、提取URL内容等工具），然后给通过Agent下发一个目标任务“docker是否可以作为生产环境部署方案”，Agent就会构造提示词去调用大语言模型LLM，要实现这个目标任务，下一步执行什么动作（就是要调用那个工具），AI就会返回要调用的工具，代码就去执行这个工具，然后把工具执行的结果，回传给AI，再问下一步执行什么工具，反复执行这个过程就可以完成前面提到的任务。
提示：这个是自从GPT模型发布以来，相当炸裂的能力，让LLM作为大脑，主动思考，然后调用我们开发好的各种API，这样LLM的能力就相当强大，目前这个特性还在实验阶段，会反复调用LLM所以相当费token，执行一个任务下来分分钟几万个token，想省钱，建议先让LLM执行简单的逻辑判断任务。
核心概念
下面介绍相关的组件&概念
Agent（代理）
Agent可以理解成我们的助手，代理我们去做一些决策，在LangChain agent底层实现就是通过LLM决定下一步执行什么动作（或者说调用什么API），这里有个知名的ReAct模式，就是描述AI决策过程，感兴趣的同学可以去了解下。
LangChain针对不同的场景提供了几种不同类型的代理类型。
Tools（工具）
Tools我觉得理解成API更合适，就是我们提前封装好的各种功能的API，目的是扩展LLM的能力，由LLM根据问题决定调用那个具体的API来完成任务。
Toolkits（工具集合）
工具集合，通常提供给LLM的工具不会是一个、两个，会提供一组可用的工具给LLM，让LLM完成任务的时候有更多的能力选择。
AgentExecutor
代理执行器是负责执行LLM选择的工具（API）。以下是此运行时的伪代码：
# 通过LLM拿到需要执行的工具
next_action = agent.get_action(...)
# 如果没有完成任务，循环执行
while next_action != AgentFinish:
# 执行动作
observation = run(next_action)
# 执行下一步要执行的工具
next_action = agent.get_action(..., next_action, observation)
return next_action
执行过程虽然不复杂，执行器处理了很多细节问题主要包括：
- 处理agent选择不存在的工具的情况
- 处理工具出错的情况
- 处理agent产生无法解析为工具调用的输出的情况
- 调试问题。
快速开始
本节介绍LangChain的Agent的基础用法
设置Agent
这里使用OpenAIFunctionsAgent。这是最简单的Agent，它使用的是openai的function call功能，当然LangChain也支持使用其他模型实现的Agent。
首先，加载openai的chat模型。
from langchain.chat_models import ChatOpenAI
llm = ChatOpenAI(temperature=0)
接下来，我们定义一个工具（API）让LLM调用。这里实现一个非常简单的 Python 函数，可以计算传入的单词的长度。
from langchain.agents import tool
@tool
def get_word_length(word: str) -> int:
"""返回word的字符串长度."""
return len(word)
tools = [get_word_length]
现在创建提示词模板。这里使用 OpenAIFunctionsAgent.create_prompt 函数来自动创建提示词模版。
from langchain.schema import SystemMessage
# 我们使用的是chat模型，这里定义AI扮演的角色
system_message = SystemMessage(content="你是一个AI助手，但是你不擅长计算单词的字符串长度")
prompt = OpenAIFunctionsAgent.create_prompt(system_message=system_message)
将前面定义的提示词模板和llm组合在一起，定义Agent
from langchain.agents import OpenAIFunctionsAgent
# 定义openai的function agent
# 指定llm可以调用的工具集合tools
agent = OpenAIFunctionsAgent(llm=llm, tools=tools, prompt=prompt)
最后，我们创建AgentExecutor负责执行。
from langchain.agents import AgentExecutor
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
测试，执行一个任务
agent_executor.run("字符串educa的长度是多少?")
# 执行日志，可以发现ai会主动调用我们前面定义的get_word_length函数，传入AI提取的参数
> Entering new AgentExecutor chain...
Invoking: `get_word_length` with `{'word': 'educa'}`
5
"educa"字符串长度是5
> Finished chain.
'"educa"字符串长度是5.'