【AI Agent系列】智能体创建全攻略：ReAct原理+联网搜索实战，附代码详解，建议收藏

【AI Agent系列】智能体创建全攻略：ReAct原理+联网搜索实战，附代码详解，建议收藏持续更新

本文详细介绍了AI Agent的创建与实现，包括基础Agent概念、ReAct工作原理及联网搜索工具应用。通过代码示例展示了如何使用LangChain创建能自动调用LLM和工具的智能体，实现"推理-行动-观察"的循环流程。文章是系列教程的第10篇，后续将涵盖LangGraph、RAG和MCP等内容，最终目标是完成全栈Agent开发与部署。适合对AI智能体开发感兴趣的读者收藏学习。

AI Agent 系列文章10, 后续会更新 LangGraph、RAG、MCP等内容，最后全栈开发一个 Agent 智能体并部署上线。

本篇主要介绍

1）Agent 创建

2）ReAct Agent

3）调用“联网搜索”工具的Agent

Agent创建

之前的功能都是一次性调用llm返回结果，或者需要多次询问，或者二次加工处理。

如果需要自动多次调用llm，自动调用工具等等，就需要agent智能体。

import { ChatDeepSeek } from '@langchain/deepseek' import { createAgent, tool } from 'langchain' import * as z from 'zod' import 'dotenv/config' const llm = new ChatDeepSeek({ model: 'deepseek-chat', apiKey: process.env.DEEPSEEK_API_KEY }) const getWeather = tool( input => `${input.city}一直天气晴朗`, { name: 'query-weather', description: '查询指定城市的天气情况', schema: z.object({ city: z.string().describe('要查询天气的城市') }) } ) const agent = createAgent({ model: llm, tools: [getWeather] }) const res = await agent.invoke({ messages: [{ role: 'user', content: '广州的天气怎么样？' }] }) console.log(res);

代码中定义了一个查询天气的工具，它是模拟的，不过不影响 agent 的执行流程。

agent 绑定了 llm 和 tools ，它会根据用户输入的提示词，自动判断需要调用什么。

执行结果：

{ messages: [ HumanMessage { "id": "20422a89-da0e-4e6f-9e8d-ed34900df1f0", "content": "广州的天气怎么样？", "additional_kwargs": {}, "response_metadata": {} }, AIMessage { "id": "5246393a-bd50-4cdf-95e4-c89935bfab01", "content": "我来帮您查询广州的天气情况。", "name": "model", "additional_kwargs": { "tool_calls": [ { "index": 0, "id": "call_00_9IfbfrGjSe8XgfXtGwxQE9zq", "type": "function", "function": "[Object]" } ] }, "response_metadata": { "tokenUsage": { "promptTokens": 337, "completionTokens": 52, "totalTokens": 389 }, "finish_reason": "tool_calls", "model_provider": "openai", "model_name": "deepseek-chat", "usage": { "prompt_tokens": 337, "completion_tokens": 52, "total_tokens": 389, "prompt_tokens_details": { "cached_tokens": 0 }, "prompt_cache_hit_tokens": 0, "prompt_cache_miss_tokens": 337 }, "system_fingerprint": "fp_eaab8d114b_prod0820_fp8_kvcache" }, "tool_calls": [ { "name": "query-weather", "args": { "city": "广州" }, "type": "tool_call", "id": "call_00_9IfbfrGjSe8XgfXtGwxQE9zq" } ], "invalid_tool_calls": [], "usage_metadata": { "output_tokens": 52, "input_tokens": 337, "total_tokens": 389, "input_token_details": { "cache_read": 0 }, "output_token_details": {} } }, ToolMessage { "id": "ca6dc481-e79e-4eb1-9635-67d0e660914b", "content": "广州一直天气晴朗", "name": "query-weather", "additional_kwargs": {}, "response_metadata": {}, "tool_call_id": "call_00_9IfbfrGjSe8XgfXtGwxQE9zq" }, AIMessage { "id": "bce04c5b-5edb-4d42-acd6-dc6971132155", "content": "根据查询结果，广州目前天气晴朗。如果您需要更详细的天气信息，比如温度、湿度或未来几天的天气预报，请告诉我，我 可以为您提供更多帮助。", "name": "model", "additional_kwargs": {}, "response_metadata": { "tokenUsage": { "promptTokens": 402, "completionTokens": 35, "totalTokens": 437 }, "finish_reason": "stop", "model_provider": "openai", "model_name": "deepseek-chat", "usage": { "prompt_tokens": 402, "completion_tokens": 35, "total_tokens": 437, "cached_tokens": 320 }, "prompt_cache_hit_tokens": 320, "prompt_cache_miss_tokens": 82 }, "system_fingerprint": "fp_eaab8d114b_prod0820_fp8_kvcache" }, "tool_calls": [], "invalid_tool_calls": [], "usage_metadata": { "output_tokens": 35, "input_tokens": 402, "total_tokens": 437, "input_token_details": { "cache_read": 320 }, "output_token_details": {} } } ] }

上述结果就是 agent 多次调用 llm 和 tool 返回的信息。

第一个是 HumanMessage，用户的提问，然后第二个是 AI 分析后的结果，需要调用 tool，然后是 tool 返回的结果，然后 AI 再根据用户提问和 tool 返回的结果，整合后返回最终的结果。

ReAct Agent

ReAct（Reasoning 推理 + Acting 行动），agent 根据情况自动多次调用 llm 和 tool。

ReAct Agent 的工作流程是一个典型的 “推理-行动-观察”循环，其核心在于让大模型能够通过多轮工具调用来解决复杂问题。

ReAct 可以体现到 agent 中的所有元素，不仅仅是 llm 和 tool，一个 agent 一般也包括：

llm
tools
memory
system prompt
workflow
structured output

它可以自动执行这些元素，来达到解决问题的目的。

调用“联网搜索”工具的Agent

import { ChatDeepSeek } from '@langchain/deepseek' import { createAgent } from 'langchain' import { TavilySearch } from '@langchain/tavily' import 'dotenv/config' const llm = new ChatDeepSeek({ model: 'deepseek-chat', apiKey: process.env.DEEPSEEK_API_KEY }) // 联网搜索的工具 const tavilyTool = new TavilySearch({ maxResults: 2, topic: 'general', tavilyApiKey: process.env.TAVILY_API_KEY }) const agent = createAgent({ model: llm, tools: [tavilyTool] }) const res = await agent.invoke({ messages: [{ role: 'user', content: '电影《疯狂动物城2》今年什么时间上映的' }] }) console.log(res);

比如问 “电影《疯狂动物城2》今年什么时间上映的”：

最终回答是 2025年11月26日，agent 调用了 tavily_search 工具进行联网搜索。

AI时代，未来的就业机会在哪里？

答案就藏在大模型的浪潮里。从ChatGPT、DeepSeek等日常工具，到自然语言处理、计算机视觉、多模态等核心领域，技术普惠化、应用垂直化与生态开源化正催生Prompt工程师、自然语言处理、计算机视觉工程师、大模型算法工程师、AI应用产品经理等AI岗位。

掌握大模型技能，就是把握高薪未来。

那么，普通人如何抓住大模型风口？

AI技术的普及对个人能力提出了新的要求，在AI时代，持续学习和适应新技术变得尤为重要。无论是企业还是个人，都需要不断更新知识体系，提升与AI协作的能力，以适应不断变化的工作环境。

因此，这里给大家整理了一份《2026最新大模型全套学习资源》，包括2026最新大模型学习路线、大模型书籍、视频教程、项目实战、最新行业报告、面试题、AI产品经理入门到精通等，带你从零基础入门到精通，快速掌握大模型技术！

由于篇幅有限，有需要的小伙伴可以扫码获取！

1. 成长路线图&学习规划

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。

2. 大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

3. 大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

4. 大模型项目实战

学以致用，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

5. 大模型行业报告

行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

6. 大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

为什么大家都在学AI大模型？

随着AI技术的发展，企业对人才的需求从“单一技术”转向 “AI+行业”双背景。企业对人才的需求从“单一技术”转向 “AI+行业”双背景。金融+AI、制造+AI、医疗+AI等跨界岗位薪资涨幅达30%-50%。

同时很多人面临优化裁员，近期科技巨头英特尔裁员2万人，传统岗位不断缩减，因此转行AI势在必行！

这些资料有用吗？

这份资料由我们和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。