从零构建 AI Agent 的实战教训

理论很清晰，现实却更混乱。老实说，也更有意思。

每个人都在谈论 AI Agent，但真正向你展示如何构建 Agent 的人却寥寥无几。所以，这篇文章会如实讲述我的经历：哪些方法有效、哪些地方出了问题，以及哪些事情让我感到意外。

在你开始复制代码之前，先提醒一句：LangChain 的 Agent API 变化很快，我构建这个项目时使用的一些 API 现在已经弃用了。我会在下文对应位置明确标注，而不是假装这件事没有发生——某种程度上，这正是本文想表达的重点。

到底什么才算是「Agent」？

在动手构建之前，有必要先准确界定我们究竟要构建什么。一个 AI Agent 需要具备四个要素：

• 作为大脑的 LLM——负责推理的引擎
• Memory——能够跨步骤持续保留的上下文
• Tools——真正执行操作的能力
• Loop——规划 → 行动 → 观察 → 重复

缺少其中任何一个，你构建的都不能算是 Agent，只不过是一个包装得更漂亮的 prompt。

• LangChain（Agent 框架）
• OpenAI GPT-4o（大脑）
• Tavily（Web 搜索工具）
• Python REPL（代码执行工具）

逐步构建一个研究型 Agent

第 1 步——安装依赖

pip install langchain langchain-openai tavily-python python-dotenv

第 2 步——配置 Tools

from langchain_community.tools.tavily_search import TavilySearchResults
from langchain_experimental.tools import PythonREPLTool

tools = [
    TavilySearchResults(max_results=3),
    PythonREPLTool()
]

第 3 步——初始化 Agent

这是自我第一次构建它以来变化最大的部分。下面是我最初使用的代码：

# what I originally used — this pattern is now deprecated
from langchain_openai import ChatOpenAI
from langchain.agents import create_react_agent
from langchain import hub

llm = ChatOpenAI(model="gpt-4o", temperature=0)

# ReAct = Reason + Act, the classic agent loop pattern
prompt = hub.pull("hwchase17/react")
agent = create_react_agent(llm, tools, prompt)

注意：create_react_agent 和 AgentExecutor 后来都已被弃用，取而代之的是 langchain.agents 中的 create_agent。其底层概念——模型、Tools，以及封装二者的 Loop——并没有改变，变化的是构造方式。如果你准备从头开始，请在此基础上构建之前，先查看 LangChain 文档中的最新函数签名。自我写下这篇实践指南以来，LangChain 的 API 确实已经变动了两次。

第 4 步——添加执行 Loop

from langchain.agents import AgentExecutor

agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    verbose=True,          # see the agent's thinking
    max_iterations=10,
    handle_parsing_errors=True
)

第 5 步——为 Agent 设定目标

result = agent_executor.invoke({
    "input": """
    Research the current state of AI agents in enterprise software.
    Find 3 specific companies using them, what they're doing,
    and the results. Then write a structured summary.
    """
})

print(result["output"])

实际运行后发生了什么

下面是通过 verbose=True 直接输出的 Agent 内心独白：

Thought: I need to search for information about AI agents 
in enterprise software.

Action: tavily_search
Action Input: "AI agents enterprise software companies"

Observation: [search results...]

Thought: I found information about Klarna and Salesforce. 
I need a third, more specific example.

Action: tavily_search
Action Input: "enterprise AI agent deployment results case study"

[continues for 6 more steps...]

Final Answer: [structured, sourced summary]

实时观察整个过程，确实是理解 Agent 与单次 prompt 有何不同的最佳方式。这不是什么魔法，而是一个被呈现出来的 Loop。

我犯过哪些错误，以及如何修复

错误 1——目标过于模糊

糟糕的 prompt："Research AI agents"

Research AI agents in enterprise software. Find 3 companies,
what they built, specific results they reported, and format
as: Company | Use Case | Result

经验：Agent 和其他任何系统一样，都需要精确的目标。垃圾进，垃圾出——只不过输出的垃圾听起来更聪明而已。

错误 2——没有处理 Tool 调用失败

Tavily search 曾因为错误的查询失败两次。我的第一个版本就这么……停下来了。

修复方法：设置 handle_parsing_errors=True，并在 Tool 调用外围添加重试逻辑。Agent 一定会撞墙，因此应该从一开始就做好应对准备，而不是等到生产环境中才发现问题。

错误 3——无限循环

早期版本曾陷入循环，把同一个搜索重复执行了十五次。设置 max_iterations=10 是一种简单粗暴的修复方式；真正解决问题的方法，则是改进 prompt engineering，明确告诉 Agent 什么时候应该停止。

错误 4——盲目信任输出

Agent 曾信心十足地引用了一项统计数据，而它声称的来源根本不存在。

这是整篇文章中最重要的一条经验：Agent 会以十足的自信产生幻觉。任何重要的信息都必须验证，而且应该直接在 prompt 中加入来源检查要求，而不是只看表面就相信输出结果。

Agent 真正擅长什么，又在哪些方面表现不佳

构建了几个 Agent 之后，下面是我的真实看法。

Agent 擅长：

• 重复性的多步骤研究
• 信息收集与综合
• 具有明确且可验证成功标准的任务
• 结构化数据处理

Agent 不擅长：

• 真正具有创新性的问题求解
• 任何需要现实世界判断的任务
• 获取超出其 Tools 能力范围的信息
• 没有检查点的长时间任务——它们会逐渐偏离最初目标
• 判断自己什么时候出错

最后一点尤其需要牢牢记住。一个自信满满却给出错误答案的 Agent，比一个明显失败的 Agent 更危险，因为它自身的输出中没有任何信息会提醒你进行复核。

值得了解的框架

如果你想进一步探索，不满足于只构建一个研究型 Agent，可以了解以下框架：

• LangChain / LangGraph——生态系统最成熟，文档最好，社区规模最大。建议从这里开始。
• CrewAI——面向 multi-agent 编排，以「Agent 团队」为核心设计。对于这一特定场景，它的 API 更符合直觉。
• AutoGen（Microsoft）——擅长 human-in-the-loop Agent，重点偏向研究场景。
• LlamaIndex——最适合文档密集型和数据密集型 Agent。

使用 CrewAI 构建 multi-agent 系统

当一个 Agent 能够正常运行后，自然而然的下一步就是把几个 Agent 连接起来。下面是一个最精简的研究员与写作者协作团队：

from crewai import Agent, Task, Crew

researcher = Agent(
    role="Research Analyst",
    goal="Find accurate information about {topic}",
    backstory="You're an expert researcher who finds and validates information.",
    tools=[search_tool],
    verbose=True
)

writer = Agent(
    role="Content Writer",
    goal="Write clear, engaging content",
    backstory="You take research and turn it into compelling, accurate writing.",
    verbose=True
)

research_task = Task(
    description="Research {topic} thoroughly",
    agent=researcher,
    expected_output="Detailed research notes with sources"
)

writing_task = Task(
    description="Write an article based on the research",
    agent=writer,
    expected_output="800-word article"
)

crew = Crew(
    agents=[researcher, writer],
    tasks=[research_task, writing_task]
)

result = crew.kickoff(inputs={"topic": "AI agents in production"})

AI Agent 确实存在，也确实很有用。但在某些圈子里，它们也被过度炒作了。真相介于两者之间：

• 它们很适合处理具体且定义清晰的任务。
• 它们不是魔法，需要真正的工程体系作为支撑。
• 它们会以有趣且难以预测的方式失败。
• 花一个下午亲手构建 Agent，能让你学到比阅读一周相关文章更多的东西。

从简单的方案开始：一个 Agent、一个 Tool、一个任务。先让它正常运行，再考虑打造一家由 AI 自主运营的公司。

你正在用 Agent 构建什么？欢迎在评论区分享——我真的很好奇，现阶段大家有哪些实践已经取得了效果。

如需采取进一步措施，你可以考虑屏蔽此人和/或举报滥用行为。