本文将介绍Agent的一些核心概念，Agent与LLM、workflow的区别，并搭建一个最简单的agent，了解LangGraph中的核心组件
一、Agent概念介绍
OpenAI的研究主管Lilian Weng给出的定义是：Agent = 大模型（LLM）+ 规划（Planning）+ 记忆（Memory）+ 工具使用（Tool Use）
图1 按照规划、记忆、工具、动作分解的Agent定义（OpenAI）
规划（Planning）：Agent 在执行任务时的核心能力。它负责将复杂的任务拆解为一系列可执行的子任务。
**记忆（Memory）：**Agent 获取、存储、保留和用于随后检索信息的知识。
工具使用（Tools）：Agent 调用的一系列工具，如搜索、计算、代码执行等。
1）Agent和LLM的区别（以电子邮件回复为例）：
假设收到一份邮件，邮件内容：
“你好，小明，明天是否有空当面快速同步下。继续聊下上次沟通过的一些想法”
LLM的回复：
请问明天你方便的时间段是什么时候？我们可以根据你的时间安排一个合适的会面时间。
Agent思考过程：
a）检查日历，是否有时间
b）查看与发件人过往聊天记录
c）查看最近的回忆记录
。。。
综合上面各种有用的信息后，再用比较合理的语气回复邮件
2）Agent和workflow的区别（来源知乎安小强）
workflow：预定义编排
Agent：运行时自主决策
小结：Agent相比于LLM，对于用户的提问会利用各种工具尽可能多地获取有用的消息后再进行回复。
与workflow相比，Agent会在运行过程，根据获取到的知识/信息，反思对子目标确认是否达到预期，调整自己的规划，如更改调用工具，调用工具参数等等。
二、Agent 框架 LangGraph介绍
LangGraph 是一个 AI Agent框架，它将Agent交互实现为有状态图。节点表示通过边连接的函数或计算步骤。LangGraph 维护所有节点和边缘之间共享的Agent状态。
了解节点、边和状态
Nodes：node是Agent的构建块，代表Agent workflow中的离散计算单元。节点可以像简单Python函数，也可以能够调用外部工具的独立agent一样复杂。
Edges：Edge 连接节点并定义Agent如何从一个步骤进行到下一步。边可以有两种类型：直接边和条件边。直接边简单地连接两个节点，没有任何条件，而条件节点类似于 if-else 语句，并根据条件连接两个节点。
State：state是 LangGraph 最被低估但最重要的组件。它包含不同实体（例如节点和边）可用的所有数据和上下文。简而言之，状态在图中的所有节点和边之间共享数据和上下文。
三、实现一个最简单的Agent demo
定义一个最简单的Agent，根据用户输入的话题生成一个笑话
环境配置：
pip install langgraph pip install langchain-openai建议在Jupyter上运行
from langchain_openai import ChatOpenAI # 先去modelscope上获取所需的API key，这里采用的Qwen3作为LLM base_url='https://api-inference.modelscope.cn/v1' api_key='modelscope上获取 API key' model_name='Qwen/Qwen3-30B-A3B-Instruct-2507' llm = ChatOpenAI( api_key=api_key, base_url=base_url, model_name=model_name, temperature=0, max_tokens=None, timeout=None, max_retries=2, ) from typing_extensions import TypedDict # 定义 State 的数据结构， # topic 为用户输入的主题，joke 为输出的笑话 class State(TypedDict): topic: str joke: str # Nodes 定义 def generate_joke(state: State): """First LLM call to generate initial joke""" msg = llm.invoke(f"Write a short joke about {state['topic']}") return {"joke": msg.content} from langgraph.graph import StateGraph, START, END from IPython.display import Image, display # Build workflow workflow = StateGraph(State) # Add nodes workflow.add_node("generate_joke", generate_joke) # Add edges to connect nodes workflow.add_edge(START, "generate_joke") workflow.add_edge("generate_joke", END) # Compile chain = workflow.compile() # Show workflow display(Image(chain.get_graph().draw_mermaid_png()))查看图的节点和工作流
state = chain.invoke({"topic": "小猫咪"}) print("Initial joke:") print(state["joke"])输出结果：
Initial joke:小猫咪去参加面试，面试官问：“你有什么特长？” 小猫咪说：“我会抓老鼠！” 面试官点点头：“不错，那你会不会写代码？” 小猫咪一脸无辜：“……我只会‘喵’代码。” 😺想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！
👇👇扫码免费领取全部内容👇👇
一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势
想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：
1. 100+本大模型方向电子书
2. 26 份行业研究报告：覆盖多领域实践与趋势
报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：
- 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
- 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
- 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
- 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。
3. 600+套技术大会 PPT：听行业大咖讲实战
PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：
- 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
- 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
- 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
- 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。
二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走
想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！
1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位
面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：
2. 102 道 AI 大模型真题：直击大模型核心考点
针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：
3. 97 道 LLMs 真题：聚焦大型语言模型高频问题
专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：
![]()
三、路线必明： AI 大模型学习路线图，1 张图理清核心内容
刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！
路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。
L1阶段:启航篇丨极速破界AI新时代
L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。
L2阶段：攻坚篇丨RAG开发实战工坊
L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。
L3阶段：跃迁篇丨Agent智能体架构设计
L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。
L4阶段：精进篇丨模型微调与私有化部署
L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。
L5阶段：专题集丨特训篇 【录播课】
![]()
四、资料领取：全套内容免费抱走，学 AI 不用再找第二份
不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：
👇👇扫码免费领取全部内容👇👇
2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！
