让AI自己挑工具查资料，不等于给它执行权

LangChain是一个开源框架，用来构建围绕语言模型的应用和代理。它不是AI模型，而是编排层，把模型、提示、工具、检索、数据和应用程序逻辑连在一起。它也不让模型变得更聪明——协调多步骤任务，不等于授权执行。

什么时候用得上

初学者需要先分清六个概念。模型是OpenAI、Anthropic等提供方的统一接口。提示是可复用、带运行时变量的指令。工具负责搜索、计算、查数据库或调用真实API。检索从文档里找相关段落，塞进模型上下文。代理让模型在已被批准的工具里决定下一步用哪一个。记忆与状态负责让多步对话或工作流保持连贯。

如果应用只发一个提示、收一个答案，不需要这些东西。当产品需要同时用好几个工具或模型提供商时，LangChain开始派上用场。文档检索、流式传输、结构化输出、持久状态、多步骤代理流程，也都算它该出力的场景。团队想共用一套约定，而不是为每个提供商和工具写胶水代码时，它也能帮上忙。简单说，协调一旦成为应用的难点，框架才帮得上手。

反过来也一样。一次直接的模型调用能解决的问题，就保持直接调用。提供商的SDK通常更容易理解、调试和预测，适合小型确定性工作流。不要因为“代理”这个词听起来高级就加代理。只有模型确实需要在多个工具或步骤之间做选择时，才轮到它上场。

第一个代理怎么搭

最小的心智模型是：给代理一个工具，配上清晰的名字、精确的描述和狭窄的输入。比如写一个天气代理，工具就是get_weather(city)这个函数。模型读到问题，看看工具描述，判断需不需要查天气。查，就调用工具，观察返回结果，写出最终答案。

安装命令是pip install -U langchain langchain-openai。创建代理的示例代码只有一行：agent = create_agent(model="openai:gpt-5-mini", tools=[get_weather])。

第一个工具应该保持只读和无害。天气、计算器、在自己的小文档集里查询，都是很好的起点。不要从支付、文件删除或广泛的系统访问开始，那是等边界和流程都成熟之后才考虑的事。

代理是怎么循环的

代理循环本身不复杂。一条消息进入代理，带着系统指令和当前状态。模型判断自己能不能直接回答，还是需要某个工具。LangChain准备好工具输入，运行那个已被批准的函数。结果返回模型后，模型选择下一个工具，或者给出最终答案。循环一直到代理完成，或触达开发者设定的执行上限。

从LangChain v1开始，create_agent创建的代理运行在LangGraph上。这个底层提供持久执行、持久性和人工介入支持。分支、重试、持久状态或明确批准步骤这类需求出现时，LangGraph才变得有用。

安全边界定在哪里

LangChain帮代理推理、选工具、准备动作，但准备动作不等于有权限执行。当代理可能触碰到钱、身份、凭据或敏感数据时，这个区别就有实际后果。

常见的安排是：代理提出建议，人类批准，安全硬件强制执行。代理处理研究、规划和推荐这类概率性工作，人类定义边界并审查重要决策。硬件策略门可以允许预先批准的限制内操作。任何敏感或超出限制的操作，就返回给人类，显示在可信屏幕上。整个过程里，私钥永远不会进入代理运行时。

Ledger Agent Stack目前提供开源的DMK Skills、Wallet、Enterprise和Multisig命令行工具。Agent Intents、硬件强制的策略和人类证明，还属于预览或路线图能力，不是今天就能普遍用上的东西。

三个常见的错误

初学者的错误通常集中在三处。第一种，对所有任务都用代理。许多任务用固定流程更安全，也更快。第二种，工具描述写得太模糊。模型靠名称、描述和模式做选择，描述含糊，行为就会跟着含糊。第三种，信任却没有边界。日志很重要，但日志不等于许可。要限制代理的权限，重要操作要在硬件强制边界上设置人工批准。

接下来学什么

一个小代理跑通之后，接着接触LangGraph和LangSmith。LangGraph做受控的多步骤工作流，LangSmith做追踪、评估和调试。学习顺序保持简单：一个模型，一个工具，一个可见结果，一个额外能力。

框架安排工作怎么走，人的批准和硬件执行才决定代理最终被允许做什么。