Agent 与 create_agent

原文：Agent 与 create_agent

一句话

Agent 是一个模型在循环中调用工具直到任务完成的系统，而 create_agent 是 LangChain 中用于构建 Agent 的高度可配置 harness。

什么时候翻这页

当你需要构建能够自主调用工具完成任务的智能体时，或者当你需要配置 Agent 的行为、添加中间件扩展功能时。

核心概念

Agent: 一个模型在循环中调用工具直到任务完成的系统
Harness: 围绕 Agent 循环的一切：模型、提示词、工具和任何塑造其行为的中间件
create_agent: 高度可配置的 Agent 构建函数
Middleware: 用于扩展 Agent 行为的组件，每个中间件处理一个关注点，在适当时机钩入 Agent 循环
Tools: Agent 可以调用的函数或操作
Model: Agent 使用的底层语言模型
Retriever: 用于从知识库中检索相关信息

怎么做

创建基本 Agent

from langchain.agents import create_agent

agent = create_agent("openai:gpt-5.4", tools=tools)

配置核心组件

# 指定模型
agent = create_agent("openai:gpt-5.4", tools=tools)

# 设置系统提示
agent = create_agent(
    "openai:gpt-5.4",
    tools=tools,
    system_prompt="You are a helpful assistant. Be concise and accurate.",
)

# 使用结构化输出
from pydantic import BaseModel

class Answer(BaseModel):
    summary: str
    confidence: float

agent = create_agent("openai:gpt-5.4", tools=tools, response_format=Answer)

# 指定名称
agent = create_agent("openai:gpt-5.4", tools=tools, name="research_assistant")

调用 Agent

from langchain_core.utils.uuid import uuid7
from langgraph.checkpoint.memory import InMemorySaver

agent = create_agent(
    model="openai:gpt-5.4",
    tools=[],
    checkpointer=InMemorySaver(),
)

config = {"configurable": {"thread_id": str(uuid7())}}

# 初始调用
result = agent.invoke(
    {"messages": [{"role": "user", "content": "What's the weather in San Francisco?"}]},
    config=config,
)

# 后续对话（保持历史）
result = agent.invoke(
    {"messages": [{"role": "user", "content": "What about tomorrow?"}]},
    config=config,
)

流式处理

from langchain.messages import AIMessage, HumanMessage

for chunk in agent.stream({
    "messages": [{"role": "user", "content": "Search for AI news and summarize the findings"}]
}, stream_mode="values"):
    latest_message = chunk["messages"][-1]
    if latest_message.content:
        if isinstance(latest_message, HumanMessage):
            print(f"User: {latest_message.content}")
        elif isinstance(latest_message, AIMessage):
            print(f"Agent: {latest_message.content}")
    elif latest_message.tool_calls:
        print(f"Calling tools: {[tc['name'] for tc in latest_message.tool_calls]}")

配置中间件

# 文件系统中间件
from deepagents.backends import StateBackend
from deepagents.middleware import FilesystemMiddleware

agent = create_agent(
    model="anthropic:claude-sonnet-4-6",
    tools=[search],
    middleware=[FilesystemMiddleware(backend=StateBackend())],
)

# 上下文管理中间件
from deepagents.backends import StateBackend
from deepagents.middleware import FilesystemMiddleware, MemoryMiddleware, SkillsMiddleware, SummarizationMiddleware

backend = StateBackend()
model = "anthropic:claude-sonnet-4-6"

agent = create_agent(
    model=model,
    tools=[search],
    middleware=[
        FilesystemMiddleware(backend=backend),
        SummarizationMiddleware(model=model, backend=backend),
        MemoryMiddleware(backend=backend, sources=["./AGENTS.md"]),
        SkillsMiddleware(backend=backend, sources=["./skills/"]),
    ],
)

# 规划和委托中间件
from deepagents.backends import StateBackend
from deepagents.middleware import FilesystemMiddleware
from deepagents.middleware.subagents import SubAgentMiddleware
from langchain.agents import create_agent
from langchain.agents.middleware import TodoListMiddleware

agent = create_agent(
    model="openai:gpt-5.4",
    tools=[search],
    middleware=[
        FilesystemMiddleware(backend=backend),
        TodoListMiddleware(),
        SubAgentMiddleware(
            backend=backend,
            subagents=[
                {
                    "name": "researcher",
                    "description": "Searches and returns a structured summary.",
                    "system_prompt": "Use the search tool to research the question and summarize key points.",
                    "tools": [search],
                    "model": "anthropic:claude-sonnet-4-6",
                    "middleware": [],
                }
            ],
        ),
    ],
)

# 容错中间件
from langchain.agents.middleware import ModelRetryMiddleware, ToolRetryMiddleware

agent = create_agent(
    model="openai:gpt-5.4",
    tools=[search],
    middleware=[
        ModelRetryMiddleware(max_retries=3),
        ToolRetryMiddleware(max_retries=2),
    ],
)

# 护栏中间件
from langchain.agents.middleware import PIIMiddleware

agent = create_agent(
    model="openai:gpt-5.4",
    tools=[search],
    middleware=[PIIMiddleware("email")],
)

# 转向中间件
from langchain.agents.middleware import HumanInTheLoopMiddleware

agent = create_agent(
    model="openai:gpt-5.4",
    tools=[search],
    middleware=[HumanInTheLoopMiddleware(interrupt_on={"write_file": True})],
)

命令 / API 速查

create_agent(model, tools, system_prompt=None, response_format=None, name=None, middleware=None): 创建 Agent
agent.invoke(messages, config=None, context=None): 调用 Agent
agent.stream(messages, config=None, stream_mode="values"): 流式调用 Agent
FilesystemMiddleware(backend): 文件系统中间件
SummarizationMiddleware(model, backend): 摘要中间件
MemoryMiddleware(backend, sources): 记忆中间件
SkillsMiddleware(backend, sources): 技能中间件
SubAgentMiddleware(backend, subagents): 子代理中间件
ModelRetryMiddleware(max_retries): 模型重试中间件
ToolRetryMiddleware(max_retries): 工具重试中间件
PIIMiddleware(types): PII 中间件
HumanInTheLoopMiddleware(interrupt_on): 人在循环中间件

与 LangGraph / RAG 手册的联系

LangGraph 提供了 Agent 的底层运行时编排，而 LangChain 的 create_agent 是更高层次的封装
RAG 可以作为 Agent 的工具使用，通过 retriever 增强 Agent 的知识获取能力
LangGraph 的状态管理概念与 Agent 的 thread_id 和上下文管理有相似之处

初学者易错点

忘记配置 checkpointer 导致无法保持对话历史
没有正确传递 thread_id 导致不同对话之间历史混乱
中间件配置顺序不当导致行为不符合预期
工具函数定义不清晰导致 Agent 无法正确调用
系统提示词过于复杂或模糊导致 Agent 行为不一致

语义检索

Agent 与 create_agent

一句话

什么时候翻这页

核心概念

怎么做

创建基本 Agent

配置核心组件

调用 Agent

流式处理

配置中间件

命令 / API 速查

与 LangGraph / RAG 手册的联系

初学者易错点

相关词条