前几天刷到一个视频，博主用 AI Agent 自动把周报、日报全写完了，我盯着屏幕看了好久：这也太爽了吧？于是这个周末，我决定自己动手，从零搭一个属于自己的 Agent。

第一步：明确目标

我不想做太复杂的。目标很朴素：一个能记住对话、还会调用一个简单工具（比如算个加减乘除）的小助手。够用、能跑、能懂原理，就够了。

第二步：选框架

对比了一圈：

  • LangChain —— 生态最成熟，教程多，中文资料也丰富
  • LlamaIndex —— 更偏 RAG 检索，暂时用不上
  • 自己手写 —— 能加深理解，但轮子太多

作为新手，我选了 LangChain，遇到问题好查资料。

第三步：写代码

核心代码其实不多，关键就两件事：模型 和 工具。

from langchain_openai import ChatOpenAI
from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain_core.tools import tool

# 1. 定义一个简单工具
@tool
def add(a: int, b: int) -> int:
    """计算两个整数的和"""
    return a + b

# 2. 初始化模型
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.3)

# 3. 组装 Agent
agent = create_tool_calling_agent(llm, [add])
executor = AgentExecutor(agent=agent, tools=[add], verbose=True)

然后跑一下：

result = executor.invoke({"input": "帮我算一下 123 加 456 等于多少？"})
print(result["output"])
# 579

当看到终端里输出 579 的那一刻，我真的有点激动。不是因为数字难，而是——一个程序会”自己决定”去调用工具，再根据结果组织语言回答我，这种感觉很奇妙。

踩的坑

新手嘛，必踩坑：

  1. 依赖版本不匹配 —— LangChain 现在拆成很多子包，langchain-openai 要单独装，不然 import 直接报错
  2. Tool 的函数签名 —— 参数不带类型注解，Agent 就识别不了这个工具，差点没发现
  3. temperature 调太高 —— 一开始设 0.9，模型回答满天飞，还容易乱调用工具，降下来就好了

收获

这一个下午最大的收获不是”我会 LangChain 了”，而是真正理解了 Agent 的运作机制：

模型负责”思考”（决定下一步做什么），工具负责”执行”（真正去算、去查），两者配合，就是 Agent。

下一步我打算给它加上记忆（Memory），再接入一个查询天气的 API，做成一个真正能帮上忙的小助手。

这条路，才刚刚开始。