参考链接
（实现Agent的方法新）LangChain Build a basic agent: https://docs.langchain.com/oss/python/langchain/quickstart#build-a-basic-agent
（实现Agent的方法旧）动手学Ollama教程: https://datawhalechina.github.io/handy-ollama/
Ollama官网：https://ollama.com/
主要内容
如何通过LangChain实现Agent的自主工具选择
学习记录
- 由于我的LangChain版本是1.2.0，所以教程的代码完全无法使用，很多包的名字都发生了变化；且ReAct Agent方法已经被淘汰，所以选择了LangChain官网的Agent方法进行了学习
- "hwchase17/react-json"是LangChain Hub上的一个社区共享的Prompt模板，用于构建基于JSON格式的ReAct Agent，但是现在已经不推荐使用ReAct Agent
- 使用 create_agent 创建的 Agent（如agent.invoke({"messages":[xx:xx, xx:xx]})） 与直接调用 LLM（如 llm.invoke("xxx")）在输入/输出格式上是完全不同的！
- （from langchain.agents import create_agent）如果agent是create_agent的实例，response是agent.invoke的返回值，那么以qwen3:0.6b或Ollama3.1为例， response["messages"][-1].content 得到的就是AI的输出
- 如果ChatOllama实例创建的大模型叫llm，那么llm.invoke("hello").content 得到的就是AI的输出
- 我按照LangChain官网的Build a basic agent的教程（但是把例子中的模型换为了ChatOllama的llama3.1）实际操作时，代码最终输出有错误，经过AI的判断，发现问题源于代码中用到了ToolStrategy，这种模式只能用于能严格遵循工具调用格式+理解虚拟响应工具的模型（如：Claude 3.5+, GPT-4o, Gemini 1.5 Pro等），我尝试改为qwen3:0.6b后，发现代码可以正常得到结构化输出了，即print(response['structured_response']) 不再报错！
- 本例子中，实现结构化输出的最关键代码是create_agent时的参数response_format=ToolStrategy(ResponseFormat)；而实现机构化输出正是模型能自主调用工具、主动获取缺失信息的关键（即对本例而言，结构化输出是实现Agent的关键），原因是：在尝试构造结构化输出的过程中，发现缺少必要数据，会触发工具调用！（response_format本质是专为最终回答设计的虚拟工具调用接口）
- 我一开始不理解为什么似乎例子只是调用了工具，就称它为Agent了，经过AI的解答，Agent有两个核心特征（仅供参考）：1. 自主决策，自己决定是否调用工具；2. 目标导向，为了回答用户问题，主动获取缺失信息。
- from langgraph.checkpoint.memory import InMemorySaver 可以实现多轮对话，它的重要概念是thread_id，InMemorySaver完全基于thread_id来存储和检索对话状态
- from dataclasses import dataclass 是 Python 标准库中的一个装饰器，可以简化只用来存数据的类的定义
学习感想
- 本次学习最大的收获是对Agent的定义有了更深一点的了解，原以为是因为能调用工具所以就可以称为Agent，而实际上必须足够自主，特别是有信息缺失情况下主动尝试获取信息才能成为Agent。
- 此外本次还了解了LangGraph是LangChain生态的一部分，基于图结构，适合实现复杂的Agent工作流，功能定位更聚焦于复杂控制流和状态管理。例如本例用到的ToolStrategy
- 原本以为大模型都是打包好的一个黑盒子，而现在发现大模型有时需要LangChain这类的框架来让其充分发挥设计的能力。也意识到稳定的结构化输出对于实现Agent（工具调用的Agent架构）非常重要，这并不是每个大模型都具备的能力。
- 经过这次学习，感觉到已经不同于以往大模型应用时的从A到B的直线，而是可以多个分支，非常智能去做决策，似乎一下子走向了一个开放性命题。除了Agent，一定还有更多的让大模型更智能的方法，等待我的探索。
- 第一次经历这么长时间的Datawhale课程学习，庆幸自己坚持了下来，看到了一些大模型背后的东西，感谢Datawhale的开源精神，让我在圣诞夜的电脑前开心度过~
2025.12.26