大模型装上“手脚“：Agent智能体实战指南，轻松搞定复杂任务！

LLand520

161人浏览 · 2026-06-27 17:26:16

LLand520 · 2026-06-27 17:26:16 发布

本文介绍了大模型Agent的概念及其优势，Agent通过结合大模型、思考决策逻辑和外部工具集，能够自主判断、选择工具并分步完成复杂任务。文章详细解析了ReAct架构Agent的四大核心模块：大模型、自定义工具集、工具装饰器和ReAct调度器，并通过实例展示了Agent的完整执行流程，包括接收用户输入、大模型推理、执行动作和结果回传等步骤。最后，提供了基于LangChain和DeepSeek大模型的Agent实战代码，帮助读者理解和应用Agent技术。

什么是大模型 Agent

单纯的大模型，只会基于自身知识生成文本，存在两个明显短板：

知识有截止时间，无法获取实时信息；
不能操作外部环境，没法读写文件、执行计算、调用接口。

而 Agent（智能体），就是给大模型装上「手脚」和「思考决策能力」。

简单总结：

Agent = 大模型 + 思考决策逻辑 + 外部工具集

它不再是被动问答，而是可以自主判断、自主选择工具、分步完成复杂任务。

我们本次实战的代码，就是最经典的 ReAct 架构 Agent，也是目前工业界使用最广的智能体模式。

技术栈说明及使用环境

LangChain：1.3.2
LangGraph：1.2.2
模型：DeepSeek 通用大模型

整体架构拆解（四大核心模块）

先看整体结构，我们的 Agent 一共由 4 个部分组成，缺一不可：

大模型 LLM：负责思考、判断、生成调用指令
自定义 Tools 工具集：外部可执行能力（文件、计算、查询等）
@tool 装饰器：LangChain 标准工具封装方式
ReAct Agent 调度器：串联「思考→调用工具→汇总结果」全流程

大模型 LLM

apikey=
"sk-xxxxxxx"
baseurl=
"https://api.deepseek.com/v1"
llm = ChatOpenAI(
model="deepseek-chat",
temperature=0.5,
api_key=apikey,
base_url=baseurl
)

Tool 工具（Agent 的手脚）

工具是 Agent 能落地业务的关键。

LangChain 统一使用 @tool 装饰器来定义工具，这是官方标准写法。

@tool
def 工具名(入参: 类型) -> 字符串:
"""     工具描述（非常重要！模型靠这段文字理解工具用途）
:param 参数名: 参数说明     """
# 业务逻辑
return "执行结果"

ReAct 调度器（核心执行逻辑）

# 所有定义工具加入tools数组
tools = [write_to_file,write_file,list_files,delete_file,calculate,get_weather]
# 绑定agent
agent = create_react_agent(llm, tools)

这一行代码，背后就是整个 Agent 的决策循环逻辑。

**ReAct = Reason（推理思考） + Act（执行动作）**也是整个智能体最核心的运行机制。

ReAct Agent 完整执行流程

示例：命令今天的深圳天气怎么样，帮信息存在weather.txt

步骤 1：接收用户输入

用户提问被封装为消息格式，送入 Agent：

{"messages": [("user", "今天的深圳天气怎么样，帮信息存在weather.txt")]}

步骤 2：大模型「推理 Reason」

模型收到三类信息：

用户原始问题
所有工具的名称、功能描述、入参要求
历史执行记录

模型自主判断：

这个任务无法直接回答，需要调用工具 → 选择 delete_file 工具 → 提取参数 file_name="poem.txt"

然后输出工具调用指令，而非自然语言回答。

步骤 3：执行动作 Act（调用工具）

Agent 调度器解析模型的调用指令，找到对应工具函数，传入参数并本地执行代码：

校验文件路径是否在安全目录
判断文件是否存在
执行删除逻辑
返回工具执行结果（成功 / 失败信息）

步骤 4：结果回传给大模型，二次汇总

工具执行结果再次发回大模型。模型拿到执行状态后，不再调用新工具，整理信息，生成最终自然语言回答返回给用户。

完整个代码如下

import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain_core.tools import tool
from langgraph.prebuilt import create_react_agent
# 1. 加载环境变量
load_dotenv()
# 2. 定义安全工作目录（沙箱隔离）
WORK_DIR = r"safe_files"
os.makedirs(WORK_DIR, exist_ok=True)
# 3. 初始化大模型（Agent 大脑）
api_key = "sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxx"
base_url = "https://api.deepseek.com/v1"
llm = ChatOpenAI(
model="deepseek-chat",
temperature=0.5,
api_key=api_key,
base_url=base_url
)
# ---------------------- 自定义工具集（Agent 手脚） ----------------------
@tool
def write_to_file(file_name: str, content: str) -> str:
"""将内容写入指定文件，仅允许写入安全目录内的文件"""
file_path = os.path.abspath(os.path.join(WORK_DIR, file_name))
if not file_path.startswith(os.path.abspath(WORK_DIR)):
return "❌ 错误：禁止写入安全目录外的文件！"
try:
with open(file_path, "w", encoding="utf-8") as f:
f.write(content)
return f"✅ 成功写入文件：{file_path}"
except Exception as e:
return f"❌ 写入失败：{str(e)}"
@tool
def list_files() -> str:
"""列出安全目录下所有文件"""
try:
files = os.listdir(WORK_DIR)
return "当前目录文件：\n" + "\n".join(files)
except Exception as e:
return f"列出失败: {str(e)}"
@tool
def delete_file(file_name: str) -> str:
"""删除安全目录内指定文件"""
file_path = os.path.abspath(os.path.join(WORK_DIR, file_name))
if not file_path.startswith(os.path.abspath(WORK_DIR)):
return "错误：禁止删除安全目录外的文件"
if not os.path.exists(file_path):
return "错误：文件不存在"
try:
os.remove(file_path)
return f"已成功删除文件: {file_name}"
except Exception as e:
return f"删除失败: {str(e)}"
@tool
def calculate(expression: str) -> str:
"""计算数学表达式，示例：(10+20)*5"""
try:
result = eval(expression, {"__builtins__": None}, {})
return f"计算结果: {expression} = {result}"
except Exception as e:
return f"计算失败: {str(e)}"
@tool
def get_weather(city: str) -> str:
"""查询指定城市天气"""
data = {
"北京": "晴天 25℃，湿度40%",
"上海": "多云 27℃，湿度65%",
"广州": "小雨 30℃，湿度85%",
"深圳": "晴转多云 28℃，湿度70%"
}
return data.get(city, f"{city} 暂无天气数据")
# 注册所有工具
tools = [write_to_file, list_files, delete_file, calculate, get_weather]
# 4. 创建 ReAct 智能体（调度核心）
agent = create_react_agent(llm, tools)
# 5. 启动测试
if __name__ == "__main__":
print("Agent 已启动，请等待任务执行...")
# 可自行修改测试指令
user_input = "帮删除 safe_files 中的 poem.txt"
response = agent.invoke({
"messages": [("user", user_input)]
})
print("\n==== 最终回答 ====")
print(response["messages"][-1].content)

结语：抓住大模型时代的职业机遇

AI大模型的发展不是“替代人类”，而是“重塑职业价值”——它淘汰的是重复性、低附加值的工作，却催生了更多需要“技术+业务”交叉能力的高端岗位。对于求职者而言，想要在这波浪潮中立足，不仅需要掌握Python、TensorFlow/PyTorch等技术工具，更要深入理解目标行业的业务逻辑（如金融的风险控制、医疗的临床需求），成为“懂技术、懂业务”的复合型人才。

无论是技术研发岗（如算法工程师、研究员），还是业务落地岗（如产品经理、应用工程师），大模型都为不同背景的职场人提供了广阔的发展空间。只要保持学习热情，紧跟技术趋势，就能在AI大模型时代找到属于自己的职业新蓝海。

最近两年大模型发展很迅速，在理论研究方面得到很大的拓展，基础模型的能力也取得重大突破，大模型现在正在积极探索落地的方向，如果与各行各业结合起来是未来落地的一个重大研究方向

大模型应用工程师年包50w+属于中等水平，如果想要入门大模型，那现在正是最佳时机

2025年Agent的元年，2026年将会百花齐放，相应的应用将覆盖文本，视频，语音，图像等全模态