虽然大语言模型的能力很强大，但是Llm仅限于用于训练的知识，这些知识很快会过时，所以llm有以下缺点

• 幻觉
• 结果并不总是真实的
• 对时事的了解有限或一无所知
• 难以应对复杂推理和计算

例如：买高铁票

(虽然LLM完全理解了买票的行为，但是它本身并不知道“我”所处的城市，列车的时刻表，价格等等信息） 而基于大模型的Agent (LLM based Agent) 可以利用外部工具来克服以上缺点。

LLM Agent 的升级之路：
Standard IO(直接回答) -> COT(chain-of-thought)(思维链) -> Action-Only (Function calling) -> Reason + Action ReAct = Reasoning(推理) + Action(行动)

ReAct Agent 的组成部分 （通过LangChain实现）

M- odels：LLM

• Prompts：对Agent的指令、约束
• Memory : 记录Action执行状态 & 缓存已知信息
• Indexes : 用于结构化文档，以便和模型交互
• Chains ：Langchain的核心（链）
• Agent

ReAct Agent 的prompt 模板

from langchain_core.prompts import PromptTemplatetemplate = '''Answer the following questions as best you can. You have access to the following tools:{tools}Use the following format:Question: the input question you must answerThought: you should always think about what to doAction: the action to take, should be one of [{tool_names}]Action Input: the input to the actionObservation: the result of the action... (this Thought/Action/Action Input/Observation can repeat N times)Thought: I now know the final answerFinal Answer: the final answer to the original input questionBegin!Question: {input}Thought:{agent_scratchpad}'''prompt = PromptTemplate.from_template(template)

代码
手写一个能帮忙买火车票的智能Agent
注：火车票相关API均为mock

安装 & import依赖

pip install langchainpip install uuidpip install pydanticimport jsonimport sysfrom typing import List, Optional, Dict, Any, Tuple, Unionfrom uuid import UUIDfrom langchain.memory import ConversationTokenBufferMemoryfrom langchain.tools.render import render_text_descriptionfrom langchain_core.callbacks import BaseCallbackHandlerfrom langchain_core.language_models import BaseChatModelfrom langchain_core.output_parsers import PydanticOutputParser, StrOutputParserfrom langchain_core.outputs import GenerationChunk, ChatGenerationChunk, LLMResultfrom langchain_core.prompts import PromptTemplatefrom langchain_core.tools import StructuredToolfrom langchain_openai import ChatOpenAIfrom pydantic import BaseModel, Field, ValidationError

定义工具（Tools)
细节可参考LangChain定义Tool

from typing import Listfrom langchain_core.tools import StructuredTooldef search_train_ticket(        origin: str,        destination: str,        date: str,        departure_time_start: str,        departure_time_end: str) -> List[dict[str, str]]:    """按指定条件查询火车票"""    # mock train list    return [        {            "train_number": "G1234",            "origin": "北京",            "destination": "上海",            "departure_time": "2024-06-01 8:00",            "arrival_time": "2024-06-01 12:00",            "price": "100.00",            "seat_type": "商务座",        },        {            "train_number": "G5678",            "origin": "北京",            "destination": "上海",            "departure_time": "2024-06-01 18:30",            "arrival_time": "2024-06-01 22:30",            "price": "100.00",            "seat_type": "商务座",        },        {            "train_number": "G9012",            "origin": "北京",            "destination": "上海",            "departure_time": "2024-06-01 19:00",            "arrival_time": "2024-06-01 23:00",            "price": "100.00",            "seat_type": "商务座",        }    ]def purchase_train_ticket(        train_number: str,) -> dict:    """购买火车票"""    return {        "result": "success",        "message": "购买成功",        "data": {            "train_number": "G1234",            "seat_type": "商务座",            "seat_number": "7-17A"        }    }search_train_ticket_tool = StructuredTool.from_function(    func=search_train_ticket,    name="查询火车票",    description="查询指定日期可用的火车票。",)purchase_train_ticket_tool = StructuredTool.from_function(    func=purchase_train_ticket,    name="购买火车票",    description="购买火车票。会返回购买结果(result), 和座位号(seat_number)",)finish_placeholder = StructuredTool.from_function(    func=lambda: None,    name="FINISH",    description="用于表示任务完成的占位符工具")tools = [search_train_ticket_tool, purchase_train_ticket_tool, finish_placeholder]

Prompt
主要任务Prompt

prompt_text = """你是强大的AI火车票助手，可以使用工具与指令查询并购买火车票你的任务是:{task_description}你可以使用以下工具或指令，它们又称为动作或actions:{tools}当前的任务执行记录:{memory}按照以下格式输出：任务：你收到的需要执行的任务思考: 观察你的任务和执行记录，并思考你下一步应该采取的行动然后，根据以下格式说明，输出你选择执行的动作/工具:{format_instructions}"""

最终回复Prompt

final_prompt = """你的任务是:{task_description}以下是你的思考过程和使用工具与外部资源交互的结果。{memory}你已经完成任务。现在请根据上述结果简要总结出你的最终答案。直接给出答案。不用再解释或分析你的思考过程。"""

一些方便编程的工具类

class Action(BaseModel):    """结构化定义工具的属性"""    name: str = Field(description="工具或指令名称")    args: Optional[Dict[str, Any]] = Field(description="工具或指令参数，由参数名称和参数值组成")class MyPrintHandler(BaseCallbackHandler):    """自定义LLM CallbackHandler，用于打印大模型返回的思考过程"""    def __init__(self):        BaseCallbackHandler.__init__(self)    def on_llm_new_token(            self,            token: str,            *,            chunk: Optional[Union[GenerationChunk, ChatGenerationChunk]] = None,            run_id: UUID,            parent_run_id: Optional[UUID] = None,            **kwargs: Any,    ) -> Any:        end = ""        content = token + end        sys.stdout.write(content)        sys.stdout.flush()        return token    def on_llm_end(self, response: LLMResult, **kwargs: Any) -> Any:        end = ""        content = "\n" + end        sys.stdout.write(content)        sys.stdout.flush()        return response

定义Agent

class MyAgent:    def __init__(            self,            llm: BaseChatModel = ChatOpenAI(                model="gpt-4-turbo", # agent用GPT4效果好一些，推理能力较强                temperature=0,                model_kwargs={                    "seed": 42                },            ),            tools=None,            prompt: str = "",            final_prompt: str = "",            max_thought_steps: Optional[int] = 10,    ):        if tools is None:            tools = []        self.llm = llm        self.tools = tools        self.final_prompt = PromptTemplate.from_template(final_prompt)        self.max_thought_steps = max_thought_steps # 最多思考步数，避免死循环        self.output_parser = PydanticOutputParser(pydantic_object=Action)        self.prompt = self.__init_prompt(prompt)        self.llm_chain = self.prompt | self.llm | StrOutputParser() # 主流程的LCEL        self.verbose_printer = MyPrintHandler()     def __init_prompt(self, prompt):        return PromptTemplate.from_template(prompt).partial(            tools=render_text_description(self.tools),            format_instructions=self.__chinese_friendly(                self.output_parser.get_format_instructions(),            )        )    def run(self, task_description):"""Agent主流程"""        # 思考步数        thought_step_count = 0        # 初始化记忆        agent_memory = ConversationTokenBufferMemory(            llm=self.llm,            max_token_limit=4000,        )        agent_memory.save_context(            {"input": "\ninit"},            {"output": "\n开始"}        )        # 开始逐步思考        while thought_step_count < self.max_thought_steps:            print(f">>>>Round: {thought_step_count}<<<<")            action, response = self.__step(                task_description=task_description,                memory=agent_memory            )            # 如果是结束指令，执行最后一步            if action.name == "FINISH":                break            # 执行动作            observation = self.__exec_action(action)            print(f"----\nObservation:\n{observation}")            # 更新记忆            self.__update_memory(agent_memory, response, observation)            thought_step_count += 1        if thought_step_count >= self.max_thought_steps:            # 如果思考步数达到上限，返回错误信息            reply = "抱歉，我没能完成您的任务。"        else:            # 否则，执行最后一步            final_chain = self.final_prompt | self.llm | StrOutputParser()            reply = final_chain.invoke({                "task_description": task_description,                "memory": agent_memory            })        return reply    def __step(self, task_description, memory) -> Tuple[Action, str]:        """执行一步思考"""        response = ""        for s in self.llm_chain.stream({            "task_description": task_description,            "memory": memory        }, config={            "callbacks": [                self.verbose_printer            ]        }):            response += s        action = self.output_parser.parse(response)        return action, response    def __exec_action(self, action: Action) -> str:        observation = "没有找到工具"        for tool in self.tools:            if tool.name == action.name:                try:                    # 执行工具                    observation = tool.run(action.args)                except ValidationError as e:                    # 工具的入参异常                    observation = (                        f"Validation Error in args: {str(e)}, args: {action.args}"                    )                except Exception as e:                    # 工具执行异常                    observation = f"Error: {str(e)}, {type(e).__name__}, args: {action.args}"        return observation    @staticmethod    def __update_memory(agent_memory, response, observation):        agent_memory.save_context(            {"input": response},            {"output": "\n返回结果:\n" + str(observation)}        )    @staticmethod    def __chinese_friendly(string) -> str:        lines = string.split('\n')        for i, line in enumerate(lines):            if line.startswith('{') and line.endswith('}'):                try:                    lines[i] = json.dumps(json.loads(line), ensure_ascii=False)                except:                    pass        return'\n'.join(lines)

测试

if __name__ == "__main__":    my_agent = MyAgent(        tools=tools,        prompt=prompt_text,        final_prompt=final_prompt,    )    task = "帮我买24年6月1日早上去上海的火车票"    reply = my_agent.run(task)    print(reply)

结果

第一轮思考
Agent根据要求，选择了需要使用的Tool，组装了请求参数并完成了调用。 （还可以多定义一些Tools，比如获取当前位置的，获取今天日期的工具等等，这样这里的查询火车票的参数可以更智能）

>>>>Round: 0<<<<任务：帮我买24年6月1日早上去上海的火车票思考: 根据任务需求，首先需要查询2024年6月1日早上从当前位置到上海的火车票。这需要使用“查询火车票”工具，指定出发地、目的地、日期以及早上的时间范围。动作/工具:{"name": "查询火车票","args": {    "origin": "当前位置",    "destination": "上海",    "date": "2024-06-01",    "departure_time_start": "00:00",    "departure_time_end": "12:00"  }}----Observation:[{'train_number': 'G1234', 'origin': '北京', 'destination': '上海', 'departure_time': '2024-06-01 8:00', 'arrival_time': '2024-06-01 12:00', 'price': '100.00', 'seat_type': '商务座'}, {'train_number': 'G5678', 'origin': '北京', 'destination': '上海', 'departure_time': '2024-06-01 18:30', 'arrival_time': '2024-06-01 22:30', 'price': '100.00', 'seat_type': '商务座'}, {'train_number': 'G9012', 'origin': '北京', 'destination': '上海', 'departure_time': '2024-06-01 19:00', 'arrival_time': '2024-06-01 23:00', 'price': '100.00', 'seat_type': '商务座'}]

第二轮思考
根据查询出的车票信息去调用购票的Tool

>>>>Round: 1<<<<任务：帮我买24年6月1日早上去上海的火车票思考: 根据查询结果，有三个车次可供选择，但只有车次G1234符合早上出发的要求，因此应选择购买这个车次的票。动作/工具:{"name": "购买火车票","args": {    "train_number": "G1234"  }}----Observation:{'result': 'success', 'message': '购买成功', 'data': {'train_number': 'G1234', 'seat_type': '商务座', 'seat_number': '7-17A'}}

第三轮思考
LLM识别到任务已完成，输出了结果

>>>>Round: 2<<<<任务：帮我买24年6月1日早上去上海的火车票思考: 根据执行记录，已经成功购买了2024年6月1日早上从北京到上海的火车票（车次G1234）。因此，接下来的任务是完成这个购票任务。动作/工具:{  "name": "FINISH"}购买成功。您已成功购买2024年6月1日早上从北京出发前往上海的火车票，车次为G1234，座位类型为商务座，座位号为7-17A。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！