Skip to main content

📚 langchain中 工具 (Tools) 和代理 (Agents) 的关系

在 LangChain 中，工具（Tools） 和 代理（Agents） 是紧密协作的核心组件，二者的关系可以概括为：代理是“决策者”，工具是“执行者”，代理通过调用工具扩展自身能力，工具则通过代理的调度实现价值。具体关系如下：

1. 工具（Tools）：代理的“能力扩展包”​

工具是一系列可被调用的外部功能或服务（如搜索引擎、数据库查询、代码执行等），是代理与外部世界交互的“接口”。

  • 工具本身是“被动的”，只能等待被调用，无法主动发起操作。
  • 每个工具都有明确的功能边界（如 SerpAPI 只能用于搜索，PythonREPL 只能执行代码）。
  • 示例：如果需要获取实时天气，工具就是“天气查询 API”；如果需要计算复杂公式，工具就是“计算器”。

2. 代理（Agents）：工具的“调度决策者”​

代理是拥有决策能力的组件，其核心作用是根据任务需求，自主决定何时、如何调用工具，并利用工具的返回结果完成任务。

  • 代理是“主动的”，能分析问题、规划步骤、选择工具，并判断是否需要多轮调用。
  • 代理依赖 LLM 的推理能力进行决策（例如：“这个问题需要最新数据，应该调用搜索引擎”）。
  • 示例：当用户问“今天北京的天气适合穿什么衣服？”时，代理会决定先调用“天气查询工具”获取温度，再根据结果生成穿搭建议。

3. 二者协作流程：决策→调用→反馈→结论​

  1. 接收任务：代理获取用户问题或任务（如“分析近3年某股票的涨幅并预测趋势”）。
  2. 决策判断：代理通过 LLM 分析任务，判断是否需要工具（例如：“需要最新股票数据，必须调用财经API”）。
  3. 选择工具：代理从工具集中挑选合适的工具（如 YahooFinanceAPI）。
  4. 调用工具：代理按照工具要求的格式（如参数、调用方式）发起请求，获取返回结果（如近3年股价数据）。
  5. 处理结果：代理分析工具返回的数据，判断是否需要进一步调用（如“数据不足，需补充调用行业报告工具”），或直接整理结果生成最终回答。

4. 依赖关系：相互成就，缺一不可​

  • 工具依赖代理才能发挥作用：工具本身无法判断何时被使用，必须通过代理的调度才能参与任务。例如，一个“数据库查询工具”如果没有代理决定何时查询、查询什么，就只是一个闲置的功能。
  • 代理依赖工具扩展能力边界：没有工具时，代理只能依赖 LLM 自身的知识和能力（如回答常识问题）；有了工具后，代理可以突破 LLM 的局限（如获取实时信息、操作外部系统、执行复杂计算等）。

总结​

工具是代理的“手脚”，提供具体执行能力；代理是工具的“大脑”，负责决策和调度。二者结合使 LangChain 应用从“单纯的文本生成”升级为“能与现实世界交互、解决复杂问题的智能系统”。例如，一个具备“搜索引擎+计算器+数据库”工具的代理，既能回答实时问题，又能处理数据分析任务，远超 LLM 本身的能力范围。