05. Agent 和工具调用

1. 这一模块解决什么问题

Agent 比普通 RAG 多了一层能力：模型不只是回答，还会决定下一步要不要调用工具。

普通 RAG：固定流程
Agent：模型参与决策

2. Agent 的本质

Agent 是一种应用形态：让模型根据任务目标，选择工具、观察结果、继续行动，直到完成任务。

普通聊天模型像“只会说话的人”。Agent 像“会说话，还能按规则调用工具的人”。

Agent 需要：

1. 清晰任务边界。
2. 可用工具。
3. 最大步骤限制。
4. 失败兜底。
5. 运行过程追踪。

没有这些，Agent 很容易变成不可控的黑盒。

3. Tool

Tool 是模型可以调用的外部能力。

例子：

• 搜索知识库
• 查询订单
• 调用审批 API
• 查询数据库
• 发送邮件
• 生成报表

工具设计原则：

原则	说明
名称清楚	模型要能从名称判断用途
描述明确	说明什么时候该用
参数简单	参数越复杂越容易填错
返回可读	不要直接丢一大坨原始 JSON
有异常处理	失败时返回可理解信息

好的工具名：

search_policy_docs
get_employee_reimbursement_rule
query_contract_clause
create_support_ticket

差的工具名：

run
query
handle
tool1
process

4. 工具描述

模型主要靠工具名、描述、参数 schema 判断是否调用工具。

描述写不好，模型就会：

• 不该调用时乱调用。
• 该调用时不调用。
• 调错工具。
• 参数填错。

工具描述应该写清：

1. 工具能做什么。
2. 什么情况下应该使用。
3. 什么情况下不要使用。
4. 输入参数含义。
5. 返回结果含义。

5. Agent 循环

常见循环：

接收任务
  -> 模型判断下一步
  -> 调用工具
  -> 观察工具结果
  -> 再判断
  -> 直到完成或失败

Agent 可能因为工具结果不清楚或目标不明确，反复调用同一个工具。

必须设置：

• 最大步骤数
• 最大工具调用次数
• 超时时间
• 失败返回策略

6. Agentic RAG

Agentic RAG 是让模型参与 RAG 决策。

普通 RAG：

问题 -> 检索 -> 回答

Agentic RAG：

问题
  -> 判断是否需要检索
  -> 改写查询
  -> 检索
  -> 判断资料是否足够
  -> 不够则继续检索
  -> 生成答案
  -> 自检

适合：

• 用户问题很复杂。
• 一次检索经常不够。
• 需要多数据源。
• 需要工具调用。
• 需要答案自检。

不适合：

• 简单 FAQ。
• 固定制度问答。
• 成本和延迟要求很严格。
• 检索策略已经足够稳定。

7. 常见坑

1. 以为加了 Agent 就会自动变聪明。
2. 工具太多，模型选择混乱。
3. 工具描述重叠。
4. 没有最大迭代次数。
5. 工具异常没有兜底。
6. 没有记录中间步骤。
7. Agent 多做了很多步骤，但答案没有变好。

8. 可运行 Demo

完成 示例统一准备 后，先运行离线单概念脚本：

python docs/public/langchain-examples/05_agents/tool_definition.py
python docs/public/langchain-examples/05_agents/tool_schema.py
python docs/public/langchain-examples/05_agents/agent_loop.py
python docs/public/langchain-examples/05_agents/agentic_rag.py

再观察真实模型的工具选择：

python docs/public/langchain-examples/05_agent_tools.py

该脚本以 create_agent 创建 Agent，由 OpenAI ChatGPT 自主选择 search_policy，读取工具结果后生成最终回答。

9. 本模块自测

1. 普通 RAG 和 Agentic RAG 有什么区别？

   • 普通 RAG 只是根据检索结果回答。
   • Agentic RAG 模型会根据任务目标，选择工具、观察结果、继续行动，直到完成任务。
   • 普通 RAG：

   问题 -> 检索 -> 回答

   • Agentic RAG：

   问题
     -> 判断是否需要检索
     -> 改写查询
     -> 检索
     -> 判断资料是否足够
     -> 不够则继续检索
     -> 生成答案
     -> 自检

2. Tool 的名称和描述为什么重要？
    + 用于模型判断是否调用工具。
    + 好的工具描述可以避免模型调用错误工具。
3. 为什么 Agent 必须限制最大步骤？
    + 防止无限循环。
    + 限制工具调用次数。
4. 工具失败时应该返回什么？
    + 可以是错误信息、默认值、空字符串等。
    + 不能让模型继续调用同一个工具，否则会进入死循环。
5. 什么场景不适合使用 Agent？
    + 简单 FAQ。
    + 固定制度问答。
    + 成本和延迟要求很严格。
    + 检索策略已经足够稳定。