# 智能体决策机制深度解析：Agent 如何判断何时调用工具，何时自行回答？ 看过许多关于 Agent 的介绍，你可能会好奇：**Agent 是怎么知道什么时候该调用 Tool，什么时候自己直接回答的呢？** 这背后并不是魔法，而是一套基于提示词和循环调度的精妙机制。本文将用最直白的语言，拆解 **LangChain Agent 的完整运行流程**，带你彻底理解“思考→工具调用→再思考”的循环本质。 --- ## 一、核心机制：LLM 负责“思考”，Tool 负责“执行” Agent 的本质是一种 **“思考 → 工具调用 → 再思考”** 的循环机制。大模型（LLM）扮演决策者的角色，决定每一步该做什么；而 Tool 则是具体的执行器，负责完成实际任务（比如查数据库、发请求、计算等）。两者配合，形成一个闭环。 > **关键点：** 模型每次的回复不是最终答案，而是一个行动计划。Agent 就是把“计划”翻译成实际工具调用，再把结果反馈给模型继续思考。 --- ## 二、完整拆解：LangChain Agent 的 6 步运行流程 假设你调用的是： ```python agent.run("帮我查一下苹果手机的库存，还有写一个促销文案") ``` 背后 LangChain Agent 会按以下 **6 步** 运作： ### 第 1 步：把你的问题打包成一段特殊 Prompt 这段 Prompt 包含： - 你的原始问题 - 当前支持的工具列表（每个工具的 name 和 description） - 工具调用的格式约定（例如 ReAct 风格的思考链格式） - 历史上下文（如果开启了 Memory） > 简单说：Agent 把所有“能力范围”和“规则”全写进提示词，告诉 LLM：“你有以下这些能力，根据用户需求决定是否使用。” ### 第 2 步：将 Prompt 发给 LLM，模型“模拟思考” LLM 收到后，会像人一样输出类似这样的内容： ``` Thought: 用户要查库存，应该使用查库存工具 Action: 查库存 Action Input: "苹果手机" ``` LangChain 从这段文本中解析出： - 模型要调用名为“查库存”的工具 - 参数是“苹果手机” ### 第 3 步：LangChain 调用对应 Tool 的 func 你之前注册的工具长这样： ```python Tool(name="查库存", func=check_stock, description="输入商品名称返回库存") ``` 于是 LangChain 执行 `check_stock("苹果手机")`，得到结果： ``` Observation: 当前库存还有 32 件 ``` ### 第 4 步：把 Observation 加回对话历史，继续喂给 LLM LangChain 重新构造 Prompt，把之前的思考链和刚刚的观察结果拼接起来： ``` Thought: 用户要查库存... Action: 查库存 Action Input: "苹果手机" Observation: 当前库存还有 32 件 ``` 然后让 LLM 继续思考下一步。 ### 第 5 步：LLM 可能再次调用工具，或者直接输出回答 模型会基于最新信息做出新决策。例如它可能： - **继续调用工具**： ``` Thought: 好的，现在我已经知道库存情况，可以生成促销文案了 Action: 写文案 Action Input: "苹果手机 + 库存还有 32 件" ``` - **或者直接给出最终答案**： ``` Final Answer: 苹果手机目前还有 32 件库存，推荐文案：买它！买它！库存紧张，限时抢购！ ``` ### 第 6 步：LangChain 检测到 `Final Answer`，结束循环并返回结果 一旦解析到“Final Answer”，Agent 立即停止循环，把该内容作为最终答案返回给用户。 > **循环终止条件：** 模型输出的文本中包含明确的 `Final Answer:` 标记。 --- ## 三、快记流程图 ``` 用户提问 → LangChain 构建 Prompt（含工具列表） → ↓ 模型“思考”（生成 Thought + Action） → ↓ LangChain 执行 Action 对应的 Tool → ↓ 拿到 Observation → ↓ 再喂回模型继续思考 → ↓ 直到输出 Final Answer → 返回用户 ``` --- ## 四、小提示 - **工具描述要准确**：模型是根据 Tool 的 `description` 来判断什么时候该用它的。描述越清晰，模型决策越准。例如 `“输入商品名称返回库存”` 比 `“查库存”` 更有用。 - **控制循环次数**：实际生产环境中，建议设置 `max_iterations` 防止无限循环。LangChain 默认有上限，但你可以根据需要调整。 - **支持多工具并发？** 当前机制是顺序单步执行，模型一次只能选择一个 Action。但可以通过并行调用或子 Agent 实现复杂任务。 --- ## 五、常见问题 ### Q1：如果模型一直输出 `Action` 而不输出 `Final Answer`，怎么办？ **A：** 这是 Agent 最常见的“死循环”问题。解决方法包括： - 设置最大迭代次数（如 `max_iterations=5`），超过次数强制输出错误或预设回答。 - 优化工具描述，避免模型认为需要多次调用同一工具。 - 在 Prompt 中加入“当已经得到足够信息时，请直接输出 Final Answer”的指令。 ### Q2：工具调用失败（比如报错），模型会如何处理？ **A：** 工具执行会产生 `Observation`，如果报错，`Observation` 会包含异常信息（如“库存查询失败：网络超时”）。模型会看到这个错误，然后可能： - 重试相同工具 - 尝试其他工具 - 直接输出“工具不可用”的 Final Answer 具体行为取决于 Prompt 中的引导和模型的能力。 ### Q3：Agent 和普通 LLM 有什么区别？ **A：** 普通 LLM 只能“想”，无法“做”（不能调用外部工具）。Agent = LLM + Tool + 循环机制，把“思考”和“执行”结合起来，让模型能完成实时查数据、调用API、操作数据库等真实任务。 --- ## 总结 - **Tool 不是“立刻”被调用的**，而是模型先“思考”一番，觉得有必要才调用。 - 模型每次只做一小步：**思考 → 执行动作 → 观察 → 再思考**。 - Agent 的本质是：**提示词驱动的微循环执行器**，不是魔法，是 prompt 技巧 + tool 调度的组合。 掌握了这套机制，你就能轻松设计自己的智能体，让 LLM 在真实世界中发挥更大价值。