Agents #
语言模型本身不能执行操作——它们只会输出文本。LangChain 的一个重要用例是创建Agent(代理）。Agent是一种使用大型语言模型 (LLM) 作为推理引擎的系统，用于决定要采取哪些行动以及这些行动的输入应该是什么。行动的结果可以反馈给Agent，Agent再决定是否需要执行更多操作，或者是否可以结束任务。
LangGraph 是 LangChain 的一个扩展，专门用于创建高度可控和自定义的Agent。请查阅相关文档以深入了解Agent的概念。
LangChain 中有一个即将被弃用的遗留Agent概念：AgentExecutor。AgentExecutor 本质上是Agent的运行时，它非常适合入门，但当你需要创建更多定制化的Agent时，它的灵活性不足。为了应对这个问题，我们构建了 LangGraph 作为一个灵活、可高度控制的运行时。
如果你仍在使用 AgentExecutor，不必担心：我们仍有关于如何使用AgentExecutor的指南。不过，建议你开始向LangGraph过渡。为此，我们提供了一个过渡指南来帮助你完成这个过程。
ReAct Agent #
一种流行的构建Agent的架构是 ReAct。ReAct 结合了推理和行动的迭代过程，实际上“ReAct”代表“Reason”（推理）和“Act”（行动）。
一般的流程如下：
- 模型会“思考”在接收到输入及先前的观察结果后应该采取的下一步操作。
- 然后模型会从可用工具中选择一个行动（或者选择回应用户）。
- 模型会为该工具生成参数。
- Agent运行时（执行器）会解析出所选工具并使用生成的参数调用该工具。
- 执行器会将工具调用的结果作为观察反馈给模型。
这一过程会重复，直到Agent选择作出回应为止。
有一些基于提示的通用实现，不需要特定模型的功能，但最可靠的实现会使用像tool calling(工具调用)这样的功能，以便可靠地格式化输出并减少不确定性。