别再傻傻调 API 了！手把手教你搓一个能干活的 AI Agent

如果你也有过差不多体验，那这篇文章就是为你写的。怎么说呢，你是不是每次都得自己维护对话历史、手动装记忆、去查 docs？

先搞清楚一个问题：Agent 到底是个啥？老实说，

高深莫测的东西。其实吧，你把大模型想象成一个很聪明但啥也不会的实习生

• 脑子很好使，但没有记忆——上次聊的全忘了
• 懂很多道理，但不会动手——你让它读文件。它给你写教程
• 不了解你们公司的情况——你问它内部 API 怎么用，它开始瞎编

Agent 干的事情很简单：给这个实习生配工具、装记忆、补知识。

Agent = 大模型 + 记忆 + 工具 + 知识库

大模型的三大“不能” —— 这些痛点为什么要被拆开来解决？

. 它记不住你

大模型是 stateless 的——每次对话都是一张白纸。上周跟它聊了两小时方案，今天它完全不记得。于是你不得不自己维护一个 messages 数组，假装它“记住了”。至于这导致，

如果不做裁剪，费用会飙升。

. 它干不了活

You say “帮我重构这段代码”。结果它只给出分析，却没有真正执行。LLM 本身只是生成文字，没有执行能力。这让很多人误以为 LLM 就能直接变成脚本跑器。

. 它不知道你的东西

Your company’s private docs,internal APIs。DB schema – all invisible to model unless you explicitly feed it. This knowledge gap forces you to constantly “teach” model what you want.

The execution logic is essentially a loop:

// Simplified flow
LLM thinks: “What do I need to do?不过，”
↓
Do I need to call a tool?├─ Yes → Call tool → Get result → Feed back into messages → Think again
└─ No → Directly reply user → Finish
This is classic ReAct pattern:
Reason ➜ Act ➜ Observe ➜ Reason again.

开搞！LangChain + DeepSeek 造一个 Agent —— 一站式快速上手教程!

说到第一步先。跑通基础调用 — 简单无忧，让你的第一行代码立刻跑起来！

mkdir hello-langchain && cd hello-langchain
pnpm init -y
pnpm add @langchain/core @langchain/openai dotenv zod
# .env file:
# DEEPSEEK_API_KEY=your_key_here
# Then create index.js...

import { ChatOpenAI } from '@langchain/openai';import 'dotenv/config';怎么说呢，const model = new ChatOpenAI({
modelName: 'deepseek-v4-flash'。apiKey: process.env.DEEPSEEK_API_KEY,configuration: {
baseURL: 'https://api.deepseek.com/v1',},});const response = await model.invoke;console.log，// ✅ 成功输出答案！不过，// No framework changes needed if you switch models – just change `modelName` and key.

至于接下来。给它装一个工具 — 把“读文件”变成可调用动作，而不是仅仅停留在思考层面。

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;console.log 成功读取 ${content.length} 字节`);return content;},{
再看name，'read_file'。description:
'用此工具来读取文件内容。话说回来，当使用者要求读取文件、查看代码时调用此工具。',schema: z.object({
filePath: z.string.describe。}),}
)，


Zod schema 做了什么？



Description 为什么关键？



：LLM 是怎么“决定”调用工具的？— 不需要硬编码返回值，只需绑定即可。

const modelWithTools = model.bindTools;// bindTools injects tool's JSON Schema into request.
// When LLM decides it needs a tool,it returns a structured `tool_calls` array.
const response = await modelWithTools.invoke;不过，// Example response format:
// {
// tool_calls:
// }

至于第四步。Message 的四种面孔 — 明确每条消息类型，避免混乱。不过，


This table explains how each message type participates in an agent conversation. As dialogue progresses,`messages` grow linearly—each iteration adds anor pair of `` and `` until completion.

从第五步来看，ReAct 循环——Agent 的心脏 — 实际代码实现与常见坑点解析。

const tools =;let messages =;while {
// Ask LLM for next step
let response = await modelWithTools.invoke;messages.push;// If no more tool calls,we’re done
if break;// Execute all requested tools in parallel
const results = await Promise.all(
response.tool_calls.map => {
const target = tools.find;if return `错误：找不到工具 ${call.name}`;try {
return await target.invoke;其实，} catch {
return `错误：${err.message}`;}
})
)，// Append results back into conversation context
response.tool_calls.forEach => {
messages.push(new ToolMessage({
content: results。tool_call_id: call.id,tool_call_type: call.type,}));不过，console.log}…`)，});}
console.log;**常见坑点**



给使用者即时反馈 —— 避免程序卡死感和使用者离开的痛点。



console.log 成功读取 ${content.length} 字节`);\end{lstlisting}
如Claude Code之所以体验好，就是因为每一步都有清晰可见的反馈。\end{lstlisting}
\end{lstlisting}
\end{lstlisting}
\end{codeline}
\end{lstlisting}
---

至于进阶，Node.js 子进程干 CLI 的活 —— 解锁真正可输入命令功能。

import { spawn } from 'node:child_process';function execCommand{return new Promise=>{const child=spawn;话说回来，let stdout="";let stderr="";child.stdout.on;child.stderr.on;child.onresolve;else reject);})，});}<\/div>




架构是这样的这方面。

↓ spawn 子进程子进程↓ IPC 通信主进程<\/div>



这样 Agent 的主循环不会被 CLI 命令阻塞，可以继续处理其他逻辑。<\/div>

Tip : 如果命令输出太大。可直接将 stdout 写入临时文件，再由 LLM 去读取；避免一次性占满内存，<\/div>


更深一层 : 为什么 Agent 用 ReAct 而不是简单 chain?— 理解动态决策背后的必然选择 



线性 chain 无法处理失败/修正循环 : - 如创建 React 项目后启动失败，需要
调整配置并重新启动。不过，这种“边做边想”必须通过 while 循环实现。而不是一次性的 prompt→LLM→结果。说起来，


 

ReAct 循环天然支持动态决策 : - 每轮得到工具结果后即可重新评估局势并决定接下来操作。使流程更加健壮、易











消息类型
Type
谁说的
Speaker
干什么
Purpose
关键字段
Key Field




SystemMessage
Developer
No special fields – just role definition.
N/A
HumanMessage
User input – raw text.
No special fields.
AIMessage
Llama or GPT response – may contain tagged tool_calls .
`tool_calls` array.
ToolMessage
The result of executing a bound tool.
`content`。`tool_call_id` .