这是整个教程最重要的模块。理解这一章后，你会发现 LangChain、LangGraph 等框架只是"简化了这些步骤"。

学习路线

simple_llm_call.py  → tool_schema.py  → react_loop.py  → memory.py  → error_handling.py  → full_agent.py  → agent.py
   (基础调用)         (定义工具)        (核心循环)       (记忆)        (容错)               (完整组装)       (最终版本)

---

1.1 基础 LLM 调用 (simple_llm_call.py)

核心概念

LLM 的消息格式：

from langchain_core.messages import SystemMessage, HumanMessage

messages = [
    SystemMessage(content="你是一个自动驾驶专家。"),
    HumanMessage(content="什么是 BEV 感知？"),
]
response = llm.invoke(messages)

三种消息类型：

- SystemMessage: 设定 AI 的角色和行为规则

- HumanMessage: 用户输入

- AIMessage: AI 的回复（用于多轮对话）

关键参数

参数	作用	Agent 开发建议
temperature	控制随机性 (0=确定, 1=创意)	Agent 中设为 0，确保行为可预测
max_tokens	输出长度上限	根据任务复杂度设置

运行

python module_01_from_scratch/simple_llm_call.py

---

1.2 工具定义 (tool_schema.py)

Agent 的本质

LLM (大脑) ──决定调用什么工具──> Tool (手脚) ──执行具体操作──> 返回结果

一个工具包含什么？

@dataclass
class Tool:
    name: str              # 工具名称 (LLM 用这个名字来调用)
    description: str       # 功能描述 (LLM 根据这个判断是否使用)
    parameters: dict       # 参数 JSON Schema (LLM 按这个格式传参)
    function: Callable     # 实际的 Python 函数

为什么 description 如此重要？

LLM 完全依赖 description 来决定何时调用哪个工具。一个好的 description 应该：

1. 清楚说明工具的功能

2. 暗示什么时候应该用这个工具

3. 描述参数的含义

工具注册表

TOOL_REGISTRY = [
    Tool(name="calculator", description="执行数学计算...", function=calculator),
    Tool(name="get_current_time", description="获取当前时间...", function=get_current_time),
    Tool(name="search_papers", description="搜索论文...", function=search_papers),
]

运行

python module_01_from_scratch/tool_schema.py

---

1.3 ReAct 循环 (react_loop.py) ⭐ 核心

ReAct = Reasoning + Acting

这是 Ian AI Agent 的"心脏"：

┌──────────┐     ┌──────────┐     ┌──────────┐
│ Thought  │ --> │  Action  │ --> │ Observe  │
│ (推理)    │     │ (调用工具)│     │ (观察结果)│
└──────────┘     └──────────┘     └──────────┘
     ^                                   │
     └───────────────────────────────────┘
             循环直到 LLM 给出最终答案

实现步骤

Step 1: System Prompt 告诉 LLM 怎么做

你是一个智能助手。当需要获取信息时：
1. 思考需要什么
2. 调用工具 (以 JSON 格式输出)
3. 观察结果
4. 重复直到能回答

Step 2: 解析 LLM 的响应

LLM 返回 JSON：

{"action": "calculator", "action_input": {"expression": "sqrt(144)"}}

代码解析后调用 calculator(expression="sqrt(144)")。

Step 3: 执行工具并反馈

工具返回: "计算结果: 12.0"
→ 追加到对话历史
→ LLM 继续思考或给出最终答案

Step 4: 循环直到 final_answer

{"action": "final_answer", "action_input": "答案是 12"}

关键代码

class ReActAgent:
    def run(self, user_query: str) -> str:
        messages = [SystemMessage(content=system_prompt),
                     HumanMessage(content=user_query)]

        for iteration in range(max_iterations):
            response = self.llm.invoke(messages)
            action = parse_llm_action(response.content)

            if action["action"] == "final_answer":
                return action["action_input"]

            # 执行工具
            result = tool.run(**action["action_input"])
            # 反馈结果
            messages.append(AIMessage(content=response.content))
            messages.append(HumanMessage(content=f"工具结果: {result}"))

运行

python module_01_from_scratch/react_loop.py

---

1.4 记忆系统 (memory.py)

为什么需要记忆管理？

- LLM 上下文窗口有限（DeepSeek: 64K tokens）

- 长对话超出限制导致错误或高昂成本

- 聪明的记忆策略让 Agent 在长任务中保持高效

两种策略

策略 1: 滑动窗口（Sliding Window）

只保留最近 N 轮对话，旧的直接丢弃。

- 优点：简单，Token 可控

- 缺点：旧信息丢失

策略 2: 摘要记忆（Summary Memory）

用 LLM 将旧对话压缩为摘要。

- 优点：保留关键信息，Token 高效

- 缺点：需要额外 LLM 调用

运行

python module_01_from_scratch/memory.py

---

1.5 错误处理 (error_handling.py)

Agent 可能出错的环节

1. LLM 输出格式错误：返回的不是合法 JSON

2. API 调用失败：网络波动、限流

3. 工具执行异常：参数错误、超时

容错策略

# 1. 多重 JSON 解析策略
strategies = [
    extract_json_from_markdown,
    extract_first_brace_pair,
    fix_single_quotes,
]

# 2. API 重试 (指数退避)
for attempt in range(max_retries):
    try:
        return llm.invoke(messages)
    except RateLimitError:
        time.sleep(2 ** attempt)  # 2s, 4s, 8s

# 3. 最大迭代保护
if iteration >= max_iterations:
    return "Agent 停止，请简化问题。"

运行

python module_01_from_scratch/error_handling.py

---

1.6 完整 Agent (agent.py)

最终架构

Agent
├── LLM (DeepSeek via ChatOpenAI)
├── Tools (calculator, search, time, file)
├── Memory (summary/sliding window)
├── ReAct Loop (thought → action → observe)
└── Error Handling (retry, parse fallback, guard)

使用方式

from module_01_from_scratch.agent import Agent

agent = Agent(verbose=True)
answer = agent.chat("帮我算一下 256 的平方根")
print(answer)

# 多轮对话
answer = agent.chat("搜索 BEV 感知的论文")
# Agent 记住了之前的上下文

运行

python module_01_from_scratch/agent.py

---

Module 1 核心总结

概念	说明
Agent = LLM + Tools + Loop	Agent 的本质是让 LLM 在"思考-行动-观察"循环中使用工具
System Prompt	定义 Agent 是谁、有什么工具、如何输出
Tool Schema	工具的 name + description + parameters，LLM 据此决策
ReAct Loop	核心循环，LLM 反复推理和调用工具直到得到答案
Memory	管理对话历史，防止超出 token 限制
Error Handling	JSON 解析容错、API 重试、迭代上限保护