【第1节】Agent如何工作的？

1. 核心：感知，决策，行动，反馈
2. 过程：用户提问-》Agent思考行动（React 思考方式，Reasoning+Acting 的迭代式决策逻辑）-》根据意图选择工具-》执行工具-》结果加工-》输出答案；
3. Agent React 思考方式：是当前前沿多智能体系统的核心决策机制，指智能体通过 “观察 - 推理 - 行动 - 反馈” 的闭环流程，实现复杂任务的自主拆解、动态调整与高效执行。Agent React 思考方式的突破，使 AI 从 “信息提供方” 升级为 “任务执行方”。

【第2节】Agent架构组件

1. Tool（工具）
核心作用：单个功能模块，比如查天气、查汇率。每个工具专注做一件事。
特色说明：强调工具是 “解决单一任务” 的执行单元，每个工具只负责一个具体功能，不做通用推理。
2. AgentType（代理类型）
核心作用：决定 Agent 如何 “思考” 和 “推理”，常见的有 ReAct（反应式推理）。
特色说明：直接点明这是定义 Agent 的 “思考方式”，即它的推理逻辑和决策模式。
3. LLM（大模型）
核心作用：Agent 的大脑，负责理解和推理，常用模型如 qwen-turbo。
特色说明：标注 “内容”，突出大模型是整个智能代理的核心认知引擎，负责理解指令、生成逻辑、驱动决策。
4. initialize_agent（初始化代理）
核心作用：把大脑（LLM）和工具们组合起来，生成一个能跑的智能助手。
特色说明：标注 “组”，强调它是 “组装器” 的角色，将大模型与各类工具整合，形成完整可用的智能代理系统。

【第3节】LangChain与LangGraph区别

1. LangChain：大模型应用开发工具集 / 框架，提供海量组件（如数据加载、提示词、工具调用、记忆等）；
2. LangGraph：基于 LangChain 构建的有状态多智能体工作流框架，专注于复杂、循环、多步骤的智能体流程编排
3. 若仅需实现简单功能（如 RAG 问答、单轮工具调用、基础对话），直接用 LangChain 即可，轻量高效；
4. 若需实现复杂流程（如多轮推理、循环重试、多智能体协作），基于 LangChain 组件，用 LangGraph 编排流程；
5. 核心区别：LangChain 是 “组件库”，覆盖大模型应用全链路；LangGraph 是 “流程编排引擎”，专注复杂闭环工作流，依赖 LangChain；
6. LangGraph 通过节点角色划分和状态共享实现多智能体交互。def researcher_agent(state):
    # 调用工具获取数据，更新状态
    state["research_data"] = call_search_tool(state["query"])
    return state

def analyst_agent(state):
    # 分析数据，生成结论，更新状态
    state["analysis_result"] = analyze_data(state["research_data"])
    return state

# 定义多智能体协作流程
graph.add_node("researcher", researcher_agent)
graph.add_node("analyst", analyst_agent)
graph.add_edge("researcher", "analyst")

【第6节】记忆对话的Memory的类型

1. ConversationBufferMemory：描述：存储按顺序的对话历史；适用场景：简单对话
2. ConversationBufferWindowMemory：描述：存储固定大小的对话窗口，保留最近 N 条对话；适用场景：长对话，保留最新的对话
3. ChatMessageHistory：描述：记录对话的每条消息（更细粒度的历史）；适用场景：复杂聊天场景
4. EntityMemory：描述：记录和处理实体信息（如人物、地点等）；适用场景：需要记住实体的场景
5. MapMemory：描述：存储键值对，适用于状态管理，适用场景：需要键值对存储的场景
6. CustomMemory：描述：自定义的记忆类型；适用场景：特定需求

【第7节】Prompt 设计原则和优化方法

一、 设计原则
清晰明确：界定任务目标、输出格式、约束条件，无歧义表述。
指令前置：核心指令置于开头，优先引导模型聚焦任务。
上下文适配：提供必要的背景信息、领域知识或对话历史。
格式约束：明确输出格式，降低后续处理成本。
简洁性：剔除无关信息，避免注意力分散。
可验证性：要求输出附带依据、来源或推理过程。
二、 优化方法
迭代式优化：测试 - 反馈 - 调整，循环提升 Prompt 质量。
角色设定：赋予模型专业角色，锚定知识范围与语言风格。
Few-Shot 提示：嵌入输入 - 输出示例，传递任务逻辑。
任务拆解：拆分复杂任务为简单子任务，分步引导完成。
约束强化：明确禁止项与边界条件，限定内容范围、长度、合规要求。
关键词强调：标注核心关键词，引导模型重点关注。

【第8节】ReAct Agent 概念

一、 定义
ReAct Agent 是一种基于大语言模型的智能体框架，通过交替执行推理（Reasoning）和行动（Acting）的循环（TAO 循环）来完成任务。其核心设计源自 2023 年 ICLR 会议论文《ReAct: Synergizing Reasoning and Acting in Language Models》。
二、 核心原理与设计
1. TAO 循环机制
思考（Thought）：分析问题并规划行动路径。
行动（Action）：调用工具（如搜索引擎、API 等）执行具体操作。
观察（Observation）：评估行动结果并反馈至下一轮循环，直至任务完成。
2. 优势
结合内部推理与外部工具，减少模型幻觉。
具备动态决策能力，支持多工具协同和实时环境适应。

【第9节】ReAct Agent 图解

ReAct (Reasoning + Acting) 是目前最经典的智能体模式。它的逻辑很像人类解决陌生问题：思考 -> 行动 -> 观察 -> 再思考。

核心Prompt设计

ReAct的灵魂在于Prompt，你必须教会它“按格式说话”：

REACT_PROMPT = """
尽你所能回答以下问题。你可以使用以下工具：
[Search]: 用于搜索未知信息

请严格遵循以下格式：
Question: 需要回答的问题
Thought: 你现在的思考过程
Action: [Search]
Action Input: 搜索的关键词
Observation: 工具返回的结果
... (重复 Thought/Action/Observation)
Final Answer: 最终答案
"""

它不是一次性把事做完，而是像走迷宫一样，一步步试探。

核心代码逻辑

这就是ReAct的“引擎”部分，一个简单的while循环就能实现：

def react_agent(question):
    prompt = REACT_PROMPT + f"\nQuestion: {question}"
    
    while True:
        # 1. 让LLM思考并决定行动
        response = get_completion(prompt)
        
        # 2. 如果LLM决定结束，直接返回
        if "Final Answer:" in response:
            return response.split("Final Answer:")[-1]
        
        # 3. 解析LLM想调用的工具和参数
        action, action_input = parse_action(response) # 简单的正则提取
        
        # 4. 执行工具（Hands）
        observation = search(action_input)
        
        # 5. 将执行结果反馈给LLM（闭环关键！）
        prompt += f"\n{response}\nObservation: {observation}"

点评： ReAct最强的地方在于容错。如果第一步搜错了，LLM看到Observation不对，会在下一轮Thought里自我纠正。

【第10节】MCP 解析

MCP 的本质是通过客户端将用户的 Prompt 与可用工具列表一并发送给 LLM。LLM 在理解意图后，会返回需要调用的工具名称及其对应参数。随后，MCP 客户端通过定义好的统一接口调用对应工具，完成实际执行。

用户输入 Query
        │
        ▼
MCP 客户端构造请求（Prompt + 工具列表）
        │
        ▼
       LLM
        │
        ▼
解析 Prompt，返回工具名 + 参数
        │
        ▼
MCP 客户端通过统一接口调用对应工具
        │
        ▼
     工具执行并返回结果复制

以官方的client 代码举例，通过self.session.list_tools()方法获取所有的tool,然后构建一个Claudi api call，让大语言模型去判断是否调用工具

 """Process a query using Claude and available tools"""
    messages = [
        {
            "role": "user",
            "content": query
        }
    ]

    response = await self.session.list_tools()
    available_tools = [{
        "name": tool.name,
        "description": tool.description,
        "input_schema": tool.inputSchema
    } for tool in response.tools]

    # Initial Claude API call
    response = self.anthropic.messages.create(
        model="claude-3-5-sonnet-20241022",
        max_tokens=1000,
        messages=messages,
        tools=available_tools
    )

接下来如果返回内容中content的类型是tool_use，则获取tool的名称及入参，然后调用call_tool方法（mcp库提供）,进行方法调用，并获得最终的结果

 assistant_message_content = []
    for content in response.content:
        if content.type == 'text':
            final_text.append(content.text)
            assistant_message_content.append(content)
        elif content.type == 'tool_use':
            tool_name = content.name
            tool_args = content.input

            # Execute tool call
            result = await self.session.call_tool(tool_name, tool_args)