一、create_agent

create_agent 接口让我们可以用几行代码就创建一个带工具调用的 ReAct agent。

from langchain.agents import create_agentagent = create_agent(    model="claude-sonnet-4-5-20250929",    tools=[search_web, analyze_data, send_email],    system_prompt="You are a helpful research assistant.")result = agent.invoke({    "messages": [        {"role": "user", "content": "Research AI safety trends"}    ]})

它的实现原理是，每次循环都去判断结果中是否带有 tool_call 的要求，如果有就循环，直到没有了就结束。

agent

从源码可以看到 model 和 tool 节点之间定义了两条边。

model to tools

tools to model

二、Middleware基本思路

Middleware 可以让我们在 ReAct 框架下做 Context Engineering 变得非常方便。在 ReAct 框架的“思考→行动→观察”循环模式下，我们经常需要在相邻两个步骤之间做一些处理，这正是你可能听说过的 context engineering。在 LangChain 1.0版本之前，我们只能写很多硬编码的逻辑去实现，修改和维护起来比较乱。

image

Middleware 使用了切面编程的思想，设定了6个hook：before_model, after_model, wrap_model_call, wrap_tool_call, after_model, after_agent。我们可以根据需要，把需要处理的逻辑放到合适的时机。

三、内置 Middleware

LangChain 已经有一些内置的 middleware，

• HumanInTheLoopMiddleware 可以实现一些高危的操作人工确认，比如读写文件等
• ModelCallLimitMiddleware，ToolCallLimitMiddleware 可以实现请求重试次数限制，防止重试次数过多
• ContextEditingMiddleware 可以做上下文的清理和编辑

如果定义了多个 Middleware

agent = create_agent(    model="gpt-4o",    middleware=[middleware1, middleware2, middleware3],    tools=[...],)

他们之间的先后顺序如下：

启动agent前

• 1.middleware1.before_agent()
• 2.middleware2.before_agent()
• 3.middleware3.before_agent()

Agent开始

• 4.middleware1.before_model()
• 5.middleware2.before_model()
• 6.middleware3.before_model()

调用模型

• 7.middleware1.wrap_model_call() → middleware2.wrap_model_call() → middleware3.wrap_model_call() → model

模型调用结束

• 8.middleware3.after_model()
• 9.middleware2.after_model()
• 10.middleware1.after_model()

Agent 结束

• 11.middleware3.after_agent()
• 12.middleware2.after_agent()
• 13.middleware1.after_agent()

四、应用举例

下面两个例子我们可以体会 ReAct 多轮循环的运行过程。

应用1：智能问答

定义两个工具，一个查询知识库，一个网页搜索。第一轮对话先查询知识库，如果查不到第二轮再去做网页搜索。

应用2：智能客服

引入 human-in-the-loop 环节，如果用户提问（查询最近的医院）缺少关键信息（用户目前的定位在哪），系统会要求用户补充，下一轮再执行搜索。

上面两张图的代码在文末参考链接中的 towardsai 文章中， 没有用到1.0版本新的API，大家可以看到处理节点之间流转的代码有很多。如果用 create_agent 可以把图相关的代码简化掉，另外 tool call 的调用也比判断输出中是否包含特定的字符串优雅。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】