为什么开始学 Agent？

拆开来看其实不复杂：Claude Code 本质就是 LLM + 读写文件的工具 + 输入命令的工具。LLM 负责思考和规划，工具负责干活。两者组合起来就是一个能独立完成任务的智能体。

这个“组合”就是 Agent。

我决定从基础开始，用 LangChain 框架亲手搭建一个 Agent。今天是第一天这篇文章记录我学到的所有东西。

直接调用大模型 API 有几个硬伤：

• 记不住每次对话都是全新的，LLM 不记得你们上次聊了什么
• 不会动手它只能告诉你“怎么做”，没法亲自去读文件、调 API、跑命令
• 不知道内部知识公司内部的文档、代码库，预训练数据里没有
• 不知道最新信息训练数据有截止日期，今天的新闻它不知道

Agent 就是给 LLM 装上各种。补上这些短板：

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

Agent 的工作流程图解

┌─► LLM 规划推理：这任务需要什么？其实，│ ├──► 需要记忆？→ 查 Memory
│ ├──► 需要动手？
→ 调用 Tool
│ └──► 需要查内部文档？其实，→ RAG 检索
└─► 把以上所有信息组装进上下文 → LLM 生成最终回复
───────────────────────
主要思想一句话：
NNL 是大脑。工具是手脚，记忆是海马体。组合起来才是完整的人，"
└─► 回到循环开头，让 LLM 基于结果继续推理
───────────────────────
如图所示。LLM 决定是否要调用工具，接下来把结果返回给外部执行，再把执行结果送回给 LLM。───────────────────────
主要在于LMM 决策+Tool 执行+结果反馈循环迭代。"
───────────────────────

二、LangChain：统一的大模型调用框架 

This framework is designed to abstract away differences 娱乐ween various model providers and let you focus on building agents rar than worrying about SDKs.

最简调用示例 
import { ChatOpenAI } from "@langchain/openai";const model = new ChatOpenAI({
modelName: "deepseek-v4-flash",apiKey: process.env.DEEPSEEK_API_KEY。configuration: {
baseURL: "https://api.deepseek.com/v1",// OpenAI-compatible endpoint
},});const response = await model.invoke;console.log，怎么说呢，

Differing provider APIs only require changing baseURL & apiKey.。no logic changes.

三、主要主要：Tool 工具机制 

Tool 的两层结构 



A synchronous/asynchronous function that performs real work.

A description object that tells LLM when and how to use it.

Zod schema that validates arguments.
`



Example – read file tool