核心抽象与 Agent 循环

LangChain 1.0 的核心抽象只有几个：ChatModels、Messages、Tools，加上 create_agent 把三者转成循环。面试主线：抽象怎么设计、循环怎么转、怎么插桩。

三大抽象

from langchain.chat_models import init_chat_model
from langchain.tools import tool

@tool
def get_weather(city: str) -> str:
    """查询城市天气"""
    return f"{city}: 晴 25°C"

model = init_chat_model("openai:gpt-4o")
model_with_tools = model.bind_tools([get_weather])

ChatModels 的意义：换模型不换代码（init_chat_model 按字符串初始化），工具调用协议由框架统一处理（OpenAI/Anthropic 的工具格式差异被抹平）。

Messages：对话的唯一载体

• HumanMessage：用户输入
• AIMessage：模型输出，可能带 tool_calls（请求调用工具）
• ToolMessage：工具执行结果，必须关联 tool_call_id
• SystemMessage：系统提示词

Agent 循环里的消息序列就是状态本身：把完整消息列表喂回模型，模型看到工具结果后决定下一步。

create_agent：最小 harness

from langchain.agents import create_agent

agent = create_agent(
    model=model,
    tools=[get_weather],
    system_prompt="你是天气助手。",
)
result = agent.invoke({"messages": "北京天气?"})

• create_agent 是 LangChain 1.0 的标准入口，内置“模型→工具→回填”循环
• 循环终止条件：模型输出不再包含 tool_calls
• Agent = Model + Harness：模型可换，harness（循环逻辑）固定

middleware 钩子：循环的插桩点

create_agent 支持 middleware 列表，在循环的关键点挂钩子：

def log_tool_calls(agent, middleware_inputs, **kwargs):
    print("工具调用:", middleware_inputs["tool_calls"])
    return {"middleware_outputs": {"status": "ok"}}

agent = create_agent(
    model=model, tools=[...],
    middleware=[log_tool_calls],
)

常用钩子：before_model（模型调用前）、after_model（模型输出后）、on_tool_start/on_tool_end（工具执行前后）、on_llm_start/on_llm_end（LLM 事件）。

middleware 的价值：不改循环代码就能插观测、限流、日志、注入（类似 Web 框架的中间件思想，见设计模式篇的中间件与责任链）。

面试追问

1. create_agent 的循环是什么？ 模型输出 tool_calls → 执行工具 → 结果作为 ToolMessage 回填 → 再调模型，直到模型直接回答
2. ChatModels 抽象的价值？ 统一模型接口：bind_tools 声明工具、换模型不换代码。工具调用协议差异被抹平
3. 三种 Message 的关系？ Human 输入、AI 输出（可带 tool_calls）、Tool 执行结果（关联 tool_call_id）。消息序列即 agent 状态
4. middleware 钩子干什么？ 在循环关键点（模型前后、工具前后）插桩：日志、限流、观测，不改循环代码
5. Agent = Model + Harness 什么意思？ 模型负责决策，harness 负责循环、工具执行、消息管理。换模型不改 harness