从零真正“动手”干活

使用者痛点一览

• LLM 无法执行文件读写、API 调用等实际操作。
• 缺乏上下文记忆，无法跟进多轮对话或历史偏好。
• 知识过时无法获取最新信息或公司内部文档。
• 面对多步骤任务时容易跳步、遗漏或无法规划。
• 说到性能瓶颈，工具调用串行导致响应慢。

主要概念拆解

Agent = LLM + Memory + Tool + RAG + MCP + Skills

Memory

• 功能：记录对话历史、使用者偏好与任务上下文。话说回来，
• 实现方式：数据库/Redis/前端存储；LangChain 提供BaseChatMessageHistory与Memory抽象。
• 调整思路：- 长文本摘要压缩 - 检索性记忆 - 长期与短期记忆分离

Tool

• 作用：让 LLM 能执行现实世界操作，如读写文件、HTTP 请求、命令行等。
• - LLM 输出结构化tool_calls;宿主程序执行并返回结果，- 必须为每个工具提供Description&Zod schema.

import { tool } from '@langchain/core/tools';import { z } from 'zod';import fs from 'node:fs/promises';const readFileTool = tool(
async => {
const content = await fs.readFile;return content;},{
至于name，'read_file'。description:
'读取文件内容。当使用者要求查看代码或分析文件时调用。',schema: z.object({
filePath: z.string.describe。}),}
)，

RAG

• 访问外部知识库解决“不知道”的问题。按理说，
• User Prompt → 向量检索 → 文档片段 → 拼入 Prompt → LLM 回答。
• MCP 与 Tool 可结合使用。例如先调用检索工具，再做决策。

MCP

• MCP 是统一的第三方工具接口标准。使 Agent 能无缝集成 SaaS 功能，如 PPT 制作、数据分析等。未来将成为 Agent 开放环境的关键桥梁。

Skills

• 将复杂任务拆解为可复用的“技能”包，例如“写周报”、“生成项目结构”。

完整工作流程（ReAct 模式)

User Prompt → LLM Planning/Reasoning → 加载 Memory → 判断是否需要 Tool 或 RAG → 执行 → 更新消息 -> 循环直到完成。其实，此循环实现思考-行动-观察闭环。

LangChain：建立 Agent 的脚手架

NestJS+LangChain+DeepSeek 示例：初始化模型并绑定工具.

import { ChatOpenAI } from '@langchain/openai';import 'dotenv/config';const model = new ChatOpenAI({
modelName: 'deepseek-v4-flash',apiKey: process.env.DEEPSEEK_API_KEY。temperature:0,configuration:{ baseURL:'https://api.deepseek.com/v1' },});const tools=;const modelWithTools=model.bindTools;老实说，

说到Demo，读取 & 解读代码文件

*请先确保已安装 Node.js 和 LangChain SDK。并配置 DeepSeek API Key.

import { SystemMessage,HumanMessage,AIMessage,ToolMessage } from '@langchain/core/messages';// 构造程序指令
const systemMsg = new SystemMessage(`
你是一个代码助手，具备读取文件和解释代码的能力。工作流程这方面，1️⃣ 使用者请求读取文件 -> 调用 read_file 工具
2️⃣ 等待工具返回内容 -> 基于内容分析一下和解释
`);// 使用者请求
const humanMsg = new HumanMessage;// 对话历史
let messages=;// 调用模型
let response=await modelWithTools.invoke;
messages.push;// 若出现 tool_calls，则执行对应工具
if {
const results=await Promise.all(
response.tool_calls.map(async tc=>{
const args=JSON.parse;不过，const result=await tools.find.invoke;return new ToolMessage,tool_call_id:tc.id});})
)，messages.push;//
询问模型获取最终答案
const finalResp=await modelWithTools.invoke;console.log，}
else{
console.log;// 已经给出答案
}
注意这方面，若多个 tool_calls 并无依赖。可使用 `Promise.all` 并发执行，大幅降低等待时间。老实说，


至于深入并发调整。Promise.all 与 Agent 性能提高 

再看串行调用示例，js
const data1 = await getWear;//2000ms
const data2 = await getTweets;//500ms
再看而并行调用。js
const = await Promise.all,getTweets]);其实，多文件读取、批量 API 请求一样可通过并发实现数量级提高。其实，但需注意依赖关系，若后续步骤依赖前一步结果，则必须串行或使用更高级的拓扑调度。

从 Demo 到真实 Agent：规划与执行循环 

A simpler abstraction of ReAct loop:

async function runAgent{
const msgs=;let maxIter=5;while{
const resp=await modelWithTools.invoke;msgs.push，
if return resp.content;// 并发执行无依赖的所有工具调用
const toolMsgs=await Promise.all(
resp.tool_calls.map(async tc=>{
const args=JSON.parse;const res=await tools.find.invoke;return new ToolMessage,tool_call_id:tc.id});})
)，msgs.push;

}
return "Max iterations reached – task incomplete.";}


该函数可直接用于处理任意多步骤任务。如 “创建 React+Vite TodoList”，其中包含写文件、安装依赖和启动开发服务器。


& 思考 



Llama?A brain with limbs—LLM + Memory + Tools + RAG + MCP + Skills，让它从嘴炮变实干家。怎么说呢，主要不在模型本身，而在工程化组织记忆、工具及规划流程上。ReAct 模式是落地关键，剩下的是编码实现。

LangChain 带来的价值？


🔧统一接口——轻松切换 OpenAI/DeepSeek/其它兼容模型；🧐 工具抽象——标准化 `tool` 与 `bindTools`；🗅 消息管理——System/Human/AI/Tool 消息清晰；🧩 丰富环境——内置 Memory/RAG/Chain 等模块，减少重复造轮子。}

⏩ 性能关注——合理利用 `Promise.all` 并发 I/O，提高响应速度；↪ 流式反馈—实时展示工具调用状态，让使用者感知进度；♻ 灵活
—通过 MCP 与 Skill 建立插件化环境。}



未来展望 


MCP 将简化第三方 SaaS 集成，实现即插即用能力；怎么说呢，

Skills 模块让高频任务模板化。减少规划成本，

多智能体协作 能拆分极其复杂任务。各司其职，高效完成大型项目。}