LangChain AI Agent 决策机制：从原理到实操落地

一、核心主题定位

因当前视频网页解析失败，结合前序 “Agent 决策应用场景” 的铺垫逻辑，本集聚焦 AI Agent 的核心决策机制，核心解决 “Agent 如何实现智能决策”“决策流程如何落地编码” 的关键问题。通过拆解决策的底层逻辑（感知 - 规划 - 执行 - 反馈）、核心算法框架与实操示例，让开发者掌握 Agent 决策的实现原理，为复杂场景 Agent 开发奠定技术基础。

---

二、Agent 决策底层逻辑与核心框架

1. 决策四步闭环（感知 - 规划 - 执行 - 反馈）

• 感知（Perception）：接收用户需求与环境信息（如工具状态、系统配置），转化为 Agent 可理解的结构化数据（如 “用户需求：生成销售报告；可用工具：SQL 工具、图表工具”）。
• 规划（Planning）：基于感知信息拆解任务、规划步骤，输出可执行的行动序列（如 “1. 调用 SQL 工具查询销售数据；2. 计算环比增长率；3. 调用图表工具生成折线图；4. 整合内容生成报告”）。
• 执行（Execution）：按行动序列调用工具执行子任务，获取执行结果（如 “SQL 工具返回 7 月销售额 100 万”）。
• 反馈（Feedback）：校验执行结果是否符合预期（如 “数据是否完整”“图表是否正确”），若存在问题则调整规划（如 “数据缺失→重新查询”），形成闭环。

2. 核心决策框架

• 基于 Prompt 的零样本决策：通过精心设计的 System Prompt，让大模型直接完成任务拆解与工具选择，无需训练数据，适合快速验证场景。
• 基于少样本的 Few-Shot 决策：在 Prompt 中注入少量决策示例（如 “类似需求的拆解步骤”），提升复杂场景下决策的准确性。
• 基于强化学习（RL）的决策：通过奖励机制（如 “任务完成速度”“结果准确率”）持续优化决策策略，适合长期运行、数据充足的场景（生产级应用）。

---

三、决策机制实操示例（零样本 + 少样本）

1. 零样本决策：快速实现任务拆解与工具选择

核心场景

简单复杂任务（如 “查询产品库存并生成补货建议”），无需示例即可完成决策。

代码示例

python

运行

from langchain_community.llms import ZhipuAI
from langchain_core.tools import Tool
from langchain.agents import initialize_agent, AgentType
from langchain.memory import ConversationBufferMemory

# 1. 定义工具（库存查询+补货计算）
def inventory_query(product_id: str) -> str:
    """查询产品库存数量，输入产品ID（如PROD-001）"""
    mock_data = {"PROD-001": 30, "PROD-002": 150, "PROD-003": 0}
    return f"产品{product_id}当前库存：{mock_data.get(product_id, 0)}件"

def replenish_calc(product_id: str, monthly_sales: int) -> str:
    """计算补货量，输入产品ID和月均销量"""
    stock = int(inventory_query(product_id).split("：")[-1].replace("件", ""))
    if stock <= monthly_sales * 0.5:
        return f"补货建议：需补货{monthly_sales * 2 - stock}件（库存低于半月销量）"
    return "补货建议：库存充足，无需补货"

tools = [
    Tool(name="inventory_query", func=inventory_query, description="查询产品库存，仅需产品ID"),
    Tool(name="replenish_calc", func=replenish_calc, description="计算补货量，需产品ID和月均销量")
]

# 2. 初始化模型与记忆模块
llm = ZhipuAI(model="glm-4", api_key="你的API_KEY", temperature=0.1)
memory = ConversationBufferMemory(return_messages=True)

# 3. 零样本决策Prompt（定义决策规则）
system_prompt = """
你是库存管理Agent，需按以下规则决策：
1. 接收用户需求后，先判断是否需要调用工具：
   - 仅查询库存→调用inventory_query；
   - 需补货建议→先查库存，再用replenish_calc（需询问月均销量）；
2. 工具调用需传入完整参数，参数缺失时询问用户补充；
3. 执行完成后整合结果，用自然语言回复。
"""

# 4. 初始化Agent（零样本决策）
agent = initialize_agent(
    tools=tools,
    llm=llm,
    agent=AgentType.CHAT_CONVERSATIONAL_REACT_DESCRIPTION,
    memory=memory,
    verbose=True,
    agent_kwargs={"system_message": system_prompt}
)

# 测试零样本决策
agent.run("帮我分析PROD-001是否需要补货")

2. 少样本决策：提升复杂场景决策准确性

核心场景

模糊或复杂需求（如 “处理电商售后订单”），需通过示例引导 Agent 正确拆解任务。

代码示例（添加少样本示例）

python

运行

# 1. 少样本决策Prompt（注入示例引导）
few_shot_system_prompt = """
你是电商售后Agent，需按以下规则和示例决策：
规则：
1. 用户需求可能包括：查询订单状态、修改收货地址、申请退款、退换货；
2. 需先获取订单号，再根据需求调用对应工具；
3. 工具参数缺失时，仅询问必要信息（不冗余）。

示例：
用户：帮我看看我的订单怎么还没到？
Agent：请提供你的订单号。
用户：OD-123456
Agent：调用order_status工具查询OD-123456状态→返回结果后告知用户。

用户：想改一下订单的收货地址
Agent：请提供订单号和新的收货地址。
"""

# 2. 新增售后工具
def order_status(order_id: str) -> str:
    """查询订单状态，输入订单号"""
    mock_data = {"OD-123456": "运输中", "OD-654321": "已签收", "OD-789012": "待发货"}
    return f"订单{order_id}状态：{mock_data.get(order_id, '订单号不存在')}"

def update_address(order_id: str, new_addr: str) -> str:
    """修改收货地址，输入订单号和新地址"""
    return f"订单{order_id}收货地址已更新为：{new_addr}"

after_sales_tools = [
    Tool(name="order_status", func=order_status, description="查询订单状态，需订单号"),
    Tool(name="update_address", func=update_address, description="修改收货地址，需订单号和新地址")
]

# 3. 初始化少样本Agent
few_shot_agent = initialize_agent(
    tools=after_sales_tools,
    llm=llm,
    agent=AgentType.CHAT_CONVERSATIONAL_REACT_DESCRIPTION,
    memory=memory,
    verbose=True,
    agent_kwargs={"system_message": few_shot_system_prompt}
)

# 测试少样本决策（模糊需求）
few_shot_agent.run("我想处理一下我的订单")

---

四、决策机制核心优化方向

1. 决策准确性优化

• Prompt 工程强化：明确决策边界（如 “仅处理库存相关需求”）、参数要求（如 “产品 ID 格式为 PROD-XXX”），减少模糊性。
• 工具描述精细化：工具描述需包含 “功能 + 输入参数 + 适用场景”（如 “replenish_calc：计算补货量，输入产品 ID（PROD-XXX）和月均销量（数字），适用于库存不足时”）。
• 错误案例反馈：记录 Agent 决策错误（如 “误调用工具”），在 Prompt 中添加 “禁止案例”（如 “不要在未查库存时直接调用 replenish_calc”）。

2. 决策效率优化

• 任务拆解剪枝：复杂任务拆解时限制子任务数量（≤5 步），避免冗余步骤。
• 工具缓存复用：重复调用同一工具（如 “查询同一产品库存”）时，缓存结果，减少重复执行。
• 并行决策支持：独立子任务（如 “同时查询多个产品库存”）支持并行执行，提升效率。

3. 容错能力优化

• 参数校验机制：工具调用前校验参数格式（如 “产品 ID 是否符合规范”），避免无效调用。
• 失败重试策略：工具调用超时或失败时，自动重试 1-2 次，重试失败则切换替代工具（如 “库存查询工具失败→调用备份库存接口”）。
• 用户澄清引导：需求模糊时（如 “帮我处理订单”），通过结构化提问获取关键信息（如 “请问你是想查询状态、修改地址还是申请退款？”）。

---

五、决策机制落地避坑指南

1. 常见问题与解决方案

• 决策逻辑混乱：Agent 频繁误调用工具或步骤颠倒。解决方案：在 Prompt 中明确 “步骤顺序”（如 “先查库存，再算补货量”），添加少样本示例。
• 参数缺失遗漏：Agent 未询问必要参数就调用工具。解决方案：工具描述中强调 “必填参数”，Prompt 中添加 “参数缺失时必须询问用户”。
• 过度决策：Agent 对简单需求拆解过细（如 “查询库存” 拆分为 “确认产品 ID→调用工具→返回结果”）。解决方案：明确 “简单任务无需拆解，直接调用工具”。

2. 落地优先级建议

• 先实现零样本决策，快速验证场景可行性；
• 复杂场景添加少样本示例，提升决策准确性；
• 生产环境引入反馈机制（如用户评分），迭代优化决策规则；
• 高并发场景优化效率（缓存、并行）与容错能力（重试、降级）。